Modelos de análisis y detección
Este modelo crea un perfil único y personalizado para cada usuario, basado en su forma habitual de interactuar con el dispositivo. Al conocer sus patrones normales de uso, el sistema puede detectar cualquier comportamiento inusual que podría indicar que otra persona está accediendo al sistema sin autorización.
Información Recolectada del Usuario
Comportamiento del Usuario
- Uso del dispositivo celular: Forma específica de manipulación
- Forma de sostener el celular: Patrones únicos de agarre
- Uso del teclado: Velocidad, ritmo y presión de escritura
Información de Ubicación
- Ubicación del usuario: Coordenadas GPS y ubicación aproximada
- Red utilizada: Conectividad celular y Wi-Fi
- Redes Wi-Fi: Historial y redes cercanas disponibles
Información del Dispositivo
- Tamaño de pantalla: Resolución y configuración
- Preferencias de tema: Color, tamaño de fuente, configuraciones visuales
- Modelo y marca: Especificaciones técnicas del dispositivo
- Identificadores únicos: Metadatos del dispositivo
Análisis Biométrico Comportamental
Enfoque Estricto
- Uso de pantalla táctil: Patrones de deslizamiento y presión
- Uso del mouse: Movimientos y clics característicos
- Uso del teclado: Dinámicas de escritura y atajos
- Velocidad de escritura: Ritmo y pausas personalizadas
- Uso de atajos: Preferencias de navegación
- Tamaño de huella dactilar: Biometría física única
- Tamaño del dedo: Área de contacto en pantalla
- Movimiento del celular: Patrones de acelerómetro durante uso
Enfoque Amplio
- Preferencias de tema: Configuraciones de color y tamaño de fuente
- Ubicación de uso: Patrones geográficos habituales
- Tipo de dispositivo: Android o iOS, preferencias de ecosistema
- Navegador utilizado: Preferencias de software
- Operador celular: Proveedor de servicios habitual
- Aplicaciones instaladas: Ecosistema de software personal
Modelos Generales de Comportamiento
Contamos con modelos entrenados con millones de interacciones reales que ayudan a diferenciar entre comportamientos típicos de usuarios legítimos y aquellos que son característicos de acciones fraudulentas. Esto permite identificar comportamientos sospechosos, incluso si nunca antes se habían visto en el sistema.
Análisis Comparativo de Comportamientos
| Patrón de Interacción | Comportamiento Fraudulento | Comportamiento de Usuario Legítimo |
|---|---|---|
| Alternar entre aplicaciones | Múltiples veces | Nunca |
| Ingreso de DNI/ID | Pegar texto / Tipeo alternado | Tipeo manual normal |
| Navegación en formularios | Uso de teclado | Uso de mouse |
Ejemplo: Análisis de Pausas Durante Escritura
Gráfico de Pausas Máximas Durante Escritura del DNI
Interpretación:
- Usuarios Legítimos: Pausas distribuidas naturalmente
- Usuarios Fraudulentos: 95% presenta pausas extremas (>2 segundos), indicativo de consulta externa
Análisis de Uso de DNI con Pegar/Copiar
Gráfico de Detección de Pegado de DNI
Porcentaje
Gráfico Izquierdo - "SSN Paste" (Pegado de UsoSSN):
-
Fraud (Fraude): 99.7% - Representado en color rojo oscuro
-
Genuine (Genuino): 0.3% - Representado en color rojo claro/rosado
-
Muestra que cuando se detecta pegado de número de identificación, casi la totalidad de los casos (99.7%) son fraudulentos
Gráfico Derecho - "Pegar"SSN Paste - First time for an existing user" (Pegado de SSN - Primera vez para DNIusuario ┌─────────────────────────────────────┐existente):
│
Genuino: 0.3% ████ │
│ Fraude: 99.7% ████████████████████ │
└─────────────────────────────────────┘
Conclusión:Fraud (Fraude): 100.0% El- usoRepresentado decompletamente en color rojo
Genuine (Genuino): 0.0% - Sin representación visual
Muestra que cuando un usuario existente utiliza "pegar" parapor introducirprimera DNIvez, esel un indicador casi definitivo100% de fraudelos (99.7%casos deson precisión).fraudulentos
Modelos de Comportamiento para Defraudadores Identificados
A través del análisis histórico, se han identificado patrones comunes en personas que previamente han intentado realizar fraudes. Estos modelos almacenan y actualizan de forma continua esta información, lo que permite detectar cuando un intento de acceso o transacción se asemeja al comportamiento de estos defraudadores conocidos.
Indicadores Específicos para Estafas de Transferencia
| Indicador | Valor | Prevalencia Relativa | Prevalencia en Fraude | Fuerza de Indicación |
|---|---|---|---|---|
| Transferencia de cuenta limpia | Sí | 0.4% | 98.7% | 67 |
| Múltiples cambios posición teléfono-oído | Sí | 1.5% | 67.7% | 58 |
| Nuevo beneficiario | Sí | 0.24% | 98.7% | 46 |
| Estado de llamada durante login | EN CURSO | 2.3% | 68.3% | 35 |
| Usuario senior | Verdadero | 17.2% | 93.2% | 18 |
Indicadores de Teléfono Robado
| Indicador | Valor | Prevalencia Relativa | Prevalencia en Fraude | Fuerza de Indicación |
|---|---|---|---|---|
| Nombre Wi-Fi | Azizi 423 | 0% | 64.2% | 999 |
| Señal Bluetooth | 46542342134 | 0% | 34.7% | 999 |
| ID de ubicación | 642547854652321 | 0.05% | 34.2% | 750 |
| Nuevo ISP | Verdadero | 0.4% | 88.3% | 574 |
| Estado SIM | No SIM detectada | 0.03% | 64.7% | 67 |
| Nueva ubicación | Verdadero | 4% | 66.7% | 65 |
| Nuevo beneficiario | Sí | 0.24% | 98.7% | 46 |
Modelos Adicionales
Detección de Malware
Permite identificar comportamientos que podrían estar siendo generados por software malicioso instalado en el dispositivo.
Indicadores Técnicos:
- Patrones de automatización perfecta
- Timing inhumano en interacciones
- Secuencias repetitivas de acciones
- Acceso a recursos del sistema sin intervención del usuario
Detección de Bots
Diferencia entre un humano y un sistema automático, lo que es clave para prevenir fraudes automatizados.
Características de Detección:
- Análisis de entropía en movimientos
- Patrones de timing demasiado consistentes
- Ausencia de micro-movimientos naturales
- Secuencias de acciones predecibles
Análisis de Riesgo por Actividad
Evalúa el riesgo de una acción específica (como una transferencia o un inicio de sesión) considerando el contexto en el que se realiza.
Factores Contextuales:
- Horario de la transacción
- Monto involucrado
- Tipo de beneficiario
- Historial de transacciones similares
Análisis de Conexiones
Analiza las relaciones entre usuarios, dispositivos y redes para detectar patrones organizados de fraude.
Métricas de Conexión:
- Usuarios compartiendo infraestructura de red
- Dispositivos utilizados por múltiples identidades
- Patrones temporales coordinados
- Ubicaciones físicas compartidas
Sistema de Puntuación Unificada (Score Integrado)
Toda la información recolectada se analiza con inteligencia artificial para generar un puntaje o "score" de riesgo que va de 0 a 1000. Este score indica la probabilidad de que una acción sea fraudulenta. A mayor puntuación, mayor es el riesgo.
Componentes del Score
Score Total
= Σ
(Peso × Score_Componente)
Donde:
- 35% corresponde al modelo de comportamiento del usuario
- 30% se basa en los modelos generales de comportamiento
- 25% se relaciona con los modelos de defraudadores identificados
- 10% proviene de los modelos adicionales
Distribución Estadística del Score
Gráfico de Distribución de Scores
Rangos de Riesgo
| Rango | Nivel de Riesgo | Color | Porcentaje de Población | Acción Recomendada |
|---|---|---|---|---|
| 0 - 200 | Muy bajo | Verde | 55.6% | Proceder normalmente |
| 201 - 400 | Bajo | Verde claro | 27.7% | Monitoreo estándar |
| 401 - 600 | Medio | Amarillo | 11.1% | Verificación adicional |
| 601 - 800 | Alto | Naranja | 2.8% | Autenticación reforzada |
| 801 - 1000 | Muy alto | Rojo | 2.8% | Bloqueo/Revisión manual |
Visualizaciones y Análisis Gráfico
Distribución de Scores
Esta gráfica muestra cuáles son los puntajes de riesgo más comunes entre los usuarios. Ayuda a definir límites adecuados para tomar decisiones seguras sin afectar a usuarios legítimos.
Análisis Relacional de Fraude
Un grafo de red permite ver cómo se conectan diferentes usuarios, dispositivos y sesiones. Esto permite identificar posibles redes de fraude donde varias personas actúan de forma coordinada.
Diagrama de Red de Conexiones
Análisis Relacional
- Grafo de Conexiones
TestUserId ──────── Ddd
│ │
│ │ 0312 (25 sessions)
│ └─── Daf ─────┐
│ │
ddf7 (1 sessions) ──── Current user │
│ │
azizi@mail.com │
│ │
Alzg │
│
F2FE (24 sessions)
│
Azizi
Indicadores de Comportamiento
Estos gráficos comparan el comportamiento de usuarios legítimos con el de defraudadores en dimensiones como velocidad de escritura, tamaño de huella o pausas durante la actividad.
Gráfico: Diferencias en Tamaño de Huella Digital
Tamaño de
Huella Digital
(Finger Size)
1.00 ● ● Sesión Fraudulenta
● ● ● ● ● Usuario Legítimo
0.75 ● ●
●
0.50 ● ● ●
●
0.25 ● ● ● ● ● ●
●
0.00 ─────────────────────────────
2 4 6 8 10 12
Sesión #
Gráfico: Movimientos del Acelerómetro
Acelerómetro Durante
Toques en
Pantalla
1.00 ● ●
● ● ● ● Sesión Fraudulenta
0.75 ● ● ● ● Usuario Legítimo
● ● ●
0.50 ● ●
0.25 ● ● ● ● ●
●
0.00 ─────────────────────────────
2 4 6 8 10 12
Sesión #
Dashboard de Monitoreo en Tiempo Real
Es un panel de control que permite ver información clave como la cantidad de transacciones por minuto, alertas activas o ubicaciones sospechosas en tiempo real.
Métricas del Dashboard
┌─────────────────── DASHBOARD
EN TIEMPO
REAL ────────────────────┐
│ │
│ Transacciones/min: [████████████████] 1,247 │
│ Alertas Activas: [████] 23 │
│ Score Promedio: [██████] 156 │
│ Detecciones/hora: [████████] 45 │
│ │
│ Top Ubicaciones Sospechosas: │
│ 1. IP: 192.168.5.201 (17 sesiones, 2 usuarios) │
│ 2. Wi-Fi: "HotspotX23F" (Score: 999) │
│ 3. GPS: 32.0123, 34.7705 (Nueva ubicación) │
│ │
└──────────────────────────────────────────────────────────────────┘
Análisis Temporal de Patrones
Esta herramienta muestra cómo evolucionan los patrones de fraude con el tiempo, lo que ayuda a prever futuras amenazas.
Gráfico: Edad de Ubicación vs. Tipo de Sesión
Análisis de
Edad de Ubicación
100 ● ● Sesión Fraudulenta
● ● Sesión de Usuario
75 ●
●
●
50
25 ●
●
0 ●●●●●●●●●●●●●● ●
─────────────────────────────────────────
0 1 2 3 4 5 6 7 8 9 10 11 12 13 >14
Edad de la Ubicación (días)
Interpretación: Las sesiones fraudulentas se concentran en ubicaciones nuevas (edad 0-1 días), mientras que las legítimas utilizan ubicaciones establecidas (>14 días).
Casos de Uso y Ejemplos de Detección
Teléfono Robado
Cuando se detectan cambios repentinos como una nueva red Wi-Fi, dirección IP desconocida o falta de la SIM habitual, el sistema puede inferir que el teléfono fue robado.
Indicadores Cuantitativos:
- Nueva red Wi-Fi: 0% prevalencia normal, 64.2% en fraudes
- Nuevo ISP: 0.4% prevalencia normal, 88.3% en fraudes
- Sin SIM detectada: 0.03% prevalencia normal, 64.7% en fraudes
Estafas de Transferencia
Indicadores como la aparición de un nuevo beneficiario, movimientos inusuales del dispositivo o una llamada activa durante el inicio de sesión pueden alertar sobre una posible estafa.
Indicadores Cuantitativos:
- Nuevo beneficiario: 0.24% prevalencia normal, 98.7% en fraudes
- Llamada durante login: 2.3% prevalencia normal, 68.3% en fraudes
- Usuario senior objetivo: 17.2% población general, 93.2% en estafas
Evaluación General de Comportamiento
Múltiples Usuarios en Mismo Dispositivo
Número de
Usuarios por
Dispositivo (4
horas) 100
████████████████████████████ 99.8% ● Sesión de Usuario
84.9% ● Sesión Fraudulenta
75
50
25
0 █ █ █ █ █ █ █ █ █ █
6.2% casos fraudulentos vs 0.2% legítimos en dispositivos compartidos
─────────────────────────────────────────
1 2 3 4 5 6 7 8 9 10
Número de Usuarios
Análisis Relacional Avanzado
Identificación de Vínculos
El sistema identifica relaciones entre usuarios, dispositivos, redes y comportamientos que podrían parecer aislados, pero que juntos revelan patrones sospechosos.
Diagrama: Huella del Usuario
┌─────────────────────────────────────┐
│ HUELLA
DEL USUARIO
│ └─────────────────────────────────────┘
│
┌─────────────────────┼─────────────────────┐
│ │ │
┌────────┐ ┌─────────────┐ ┌─────────────┐
│Comporta│ │ Metadatos │ │ Entorno │
│miento │ │del │ │ Físico │
│ │ │Dispositivo │ │ │
└────────┘ └─────────────┘ └─────────────┘
│ │ │
┌────────┐ ┌─────────────┐ ┌─────────────┐
│Ubicación│ │Conectividad │ │ │
│ │ │ │ │ │
└────────┘ └─────────────┘ └─────────────┘
Detección de Estructuras de Fraude Organizadas
Cuando varios usuarios comparten una red Wi-Fi, proveedor de internet o patrones comunes, el sistema puede reconocer que forman parte de una red organizada de fraude.
Aplicación de Grafos de Conexión
Se representan visualmente relaciones como:
- Usuarios diferentes conectados a la misma red Wi-Fi
- Un mismo comportamiento en diferentes dispositivos
- Dispositivos compartidos entre diferentes ubicaciones
Alertas Inteligentes
Se generan alertas automáticas cuando el sistema detecta patrones sospechosos que podrían pasar desapercibidos si se observaran de manera individual.
Arquitectura Técnica Cloud-Native
Componentes Principales
Nuestra plataforma funciona sobre infraestructura moderna y flexible:
Tecnologías Core
- Backend: Desplegado en Kubernetes sobre Azure
- Almacenamiento: Azure Blob Storage para datos seguros
- Base de datos: MongoDB NoSQL para escalabilidad
- Procesamiento: Apache Spark para big data
- Modelos de IA: TensorFlow y PyTorch
- Integración: API Gateway Kong para servicios
- Monitoreo: Prometheus y Grafana para observabilidad
Diagrama de Arquitectura
┌─────────────────── AZURE
CLOUD ──────────────────┐
│ ┌─────────────── VNET ─────────────────┐ │
│ │ │ │
│ │ ┌─── AKS Cluster ───┐ │ │
│ │ │ │ │ │
│ │ │ ┌─── Data ────┐ │ ┌─── NAT ─┐ │ │
│ │ │ │ Collector │ │ │ GW │ │ │
│ │ │ └─────────────┘ │ └─────────┘ │ │
│ │ │ │ │ │
│ │ │ ┌─── Profile ──┐ │ ┌─── Load ─┐ │ │
│ │ │ │ Creator │ │ │Balancer │ │ │
│ │ │ └─────────────┘ │ └─────────┘ │ │
│ │ │ │ │ │
│ │ │ ┌─ Aggregator ─┐ │ │ │
│ │ │ │ │ │ │ │
│ │ │ └──────────────┘ │ │ │
│ │ └───────────────────┘ │ │
│ └──────────────────────────────────────┘ │
│ │
│ ┌── Customer Backend ──┐ ┌── Storage ──┐ │
│ │ │ │ Subnet │ │
│ │ │ │ │ │
│ │ │ │ ┌─────────┐ │ │
│ └──────────────────────┘ │ │ DB │ │ │
│ │ └─────────┘ │ │
│ └─────────────┘ │
└───────────────────────────────────────────────────┘
┌─── Client SDK (JS, iOS, Android) ───┐
│ Mobile App │
└─────────────────────────────────────┘
Flujo de Procesamiento
- Recolección: Se recolecta información en tiempo real desde el dispositivo del usuario
- Procesamiento: Los datos se procesan con modelos de inteligencia artificial
- Combinación: Se combinan los resultados de los distintos modelos para calcular un score
- Respuesta: El sistema responde en menos de 100 milisegundos para permitir decisiones en tiempo real
Diagrama de Flujo
┌─────────────┐ ┌─────────────┐
┌─────────────┐ ┌─────────────┐
│ Datos │ -> │ Modelos de │ -> │ Score │ -> │ Decisión │
│del Usuario │ │ IA │ │ Unificado │ │en Tiempo │
│ │ │ │ │ │ │ Real │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘
│ │ │ │
│ │ │ │
< 10ms < 50ms < 20ms < 100ms
│ │ │ │
┌─────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│Telemetría│ │• Usuario │ │Ponderación │ │• Permitir │
│Sensores │ │• General │ │Inteligente │ │• Bloquear │
│Comportam│ │• Defraud. │ │0-1000 │ │• MFA │
│iento │ │• Adicional │ │ │ │• Revisar │
└─────────┘ └─────────────┘ └─────────────┘ └─────────────┘
Mejores Prácticas y Recomendaciones
Para Empresas
Autenticación Adaptativa
- Utilizar autenticación adaptativa basada en el score de riesgo
- Score 0-200: Acceso directo
- Score 201-400: Verificación ligera
- Score 401-600: Autenticación de dos factores
- Score 601-800: Verificación reforzada
- Score 801-1000: Bloqueo temporal
Configuración de Umbrales
- Ajustar los umbrales de decisión según la sensibilidad del negocio
- Sector financiero: Umbrales más bajos (>400)
- E-commerce: Umbrales balanceados (>600)
- Redes sociales: Umbrales más altos (>800)
Mejora Continua
- Revisar periódicamente los patrones detectados para afinar el sistema
- Retroalimentar los modelos con los resultados obtenidos para que aprendan y evolucionen
Para Lograr una Detección Efectiva
Monitoreo Proactivo
- Prestar atención a cambios repentinos en el comportamiento del usuario
- Validar cuidadosamente nuevos dispositivos o ubicaciones
- Correlacionar varios indicadores antes de bloquear una sesión
Balance Operacional
- Mantener un equilibrio entre seguridad y experiencia del usuario
- Establecer procesos de escalación para casos complejos
- Documentar y aprender de falsos positivos y negativos
Métricas de Efectividad
| Métrica | Objetivo | Valor Actual |
|---|---|---|
| Tasa de Detección de Fraude | >95% | 97.2% |
| Tasa de Falsos Positivos | <2% | 1.4% |
| Tiempo de Respuesta | <100ms | 87ms |
| Disponibilidad del Sistema | >99.9% | 99.97% |