Skenario contoh ini relevan dengan organisasi yang perlu menganalisis data secara real time untuk mendeteksi transaksi penipuan atau aktivitas anomali lainnya. Selain itu, lihat Mendeteksi penipuan bank seluler.
Arsitektur
Unduh file Visio arsitektur ini.
Aliran data
Skenario ini mencakup komponen back-end dari alur analitik real time. Data mengalir melalui skenario sebagai berikut:
- Metadata panggilan ponsel dikirim dari sistem sumber ke instans Azure Event Hubs.
- Pekerjaan Azure Stream Analytics dimulai. Ini menerima data melalui sumber pusat aktivitas.
- Pekerjaan Azure Stream Analytics menjalankan kueri yang telah ditentukan sebelumnya untuk mengubah aliran input dan menganalisisnya berdasarkan algoritme transaksi penipuan. Kueri ini menggunakan jendela tumbling untuk mengelompokkan aliran ke dalam unit temporal yang berbeda.
- Pekerjaan Stream Analytics menulis aliran yang diubah yang mewakili panggilan penipuan yang terdeteksi ke sink output di penyimpanan Azure Blob.
Komponen
- Azure Event Hubs adalah platform streaming real time dan layanan penyerapan peristiwa, yang mampu menerima dan memproses jutaan peristiwa per detik. Azure Event Hubs dapat memproses dan menyimpan peristiwa, data, atau telemetri yang diproduksi oleh perangkat lunak dan perangkat terdistribusi. Dalam skenario ini, Azure Event Hubs menerima semua metadata panggilan telepon untuk dianalisis untuk aktivitas penipuan.
- Azure Stream Analytics adalah mesin pemrosesan peristiwa yang dapat menganalisis data dalam volume tinggi yang mengalir dari perangkat dan sumber data lainnya. Ini juga mendukung ekstraksi informasi dari aliran data untuk mengidentifikasi pola dan hubungan. Pola-pola ini dapat memicu tindakan hilir lainnya. Dalam skenario ini, Azure Stream Analytics mengubah aliran input dari Azure Event Hubs untuk mengidentifikasi panggilan penipuan.
- Penyimpanan blob digunakan dalam skenario ini untuk menyimpan hasil pekerjaan Azure Stream Analytics.
Alternatif
Banyak pilihan teknologi tersedia untuk penyerapan pesan real time, penyimpanan data, pemrosesan aliran, penyimpanan data analitis, serta analitik dan pelaporan.
Algoritma untuk deteksi penipuan yang lebih kompleks dapat diproduksi oleh berbagai layanan pembelajaran mesin di Azure. Untuk gambaran umum opsi ini, lihat Pilihan teknologi untuk pembelajaran mesin.
Untuk skenario yang dibangun dengan menggunakan Pembelajaran Mesin Server, lihat Deteksi penipuan menggunakan server Pembelajaran Mesin. Untuk templat solusi lain yang menggunakan server Pembelajaran Mesin, lihat Skenario ilmu data dan templat solusi.
Detail skenario
Aplikasi potensial termasuk mengidentifikasi aktivitas kartu kredit penipuan atau panggilan telepon seluler penipuan. Sistem analitik online tradisional mungkin memerlukan waktu berjam-jam untuk mengubah dan menganalisis data guna mengidentifikasi aktivitas anomali.
Menggunakan layanan Azure yang terkelola sepenuhnya seperti Event Hubs dan Stream Analytics, perusahaan dapat menghilangkan kebutuhan untuk mengelola server individual, sekaligus mengurangi biaya dan menggunakan keahlian Microsoft dalam penyerapan data skala cloud dan analitik real time. Skenario ini secara khusus membahas deteksi aktivitas penipuan. Jika Anda memiliki kebutuhan lain untuk analisis data, Anda harus meninjau daftar layanan Azure Analytics yang tersedia.
Sampel ini mewakili satu bagian dari arsitektur dan strategi pemrosesan data yang lebih luas. Pilihan lain untuk aspek arsitektur keseluruhan ini dibahas nanti dalam artikel ini.
Kemungkinan kasus penggunaan
Kasus penggunaan yang relevan lainnya meliputi:
- Mendeteksi panggilan ponsel penipuan dalam skenario telekomunikasi.
- Mengidentifikasi penipuan transaksi kartu kredit untuk lembaga perbankan.
- Mengidentifikasi pembelian palsu dalam skenario ritel atau e-niaga.
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Ketersediaan
Azure Monitor menyediakan antarmuka pengguna terpadu untuk pemantauan di berbagai layanan Azure. Untuk informasi selengkapnya, lihat Pemantauan di Microsoft Azure. Event Hubs dan Stream Analytics keduanya terintegrasi dengan Azure Monitor.
Skalabilitas
Komponen skenario ini dirancang untuk penyerapan hyperscale dan analitik real time paralel secara besar-besaran. Azure Event Hubs sangat skalabel, mampu menerima dan memproses jutaan peristiwa per detik dengan latensi rendah. Azure Event Hubs dapat secara otomatis meningkatkan jumlah unit throughput untuk memenuhi kebutuhan penggunaan. Azure Stream Analytics mampu menganalisis volume data streaming yang tinggi dari banyak sumber. Anda dapat meningkatkan Azure Stream Analytics dengan meningkatkan jumlah unit streaming yang dialokasikan untuk menjalankan tugas streaming Anda.
Untuk panduan umum tentang merancang solusi yang dapat diskalakan, lihat daftar periksa efisiensi performa di Azure Architecture Center.
Keamanan
Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.
Azure Event Hubs mengamankan data melalui model autentikasi dan keamanan yang didasarkan pada kombinasi token Tanda Tangan Akses Bersama (SAS) dan penerbit peristiwa. Penerbit peristiwa menentukan titik akhir virtual untuk hub peristiwa. Penerbit hanya dapat digunakan untuk mengirim pesan ke hub peristiwa. Tidak dimungkinkan untuk menerima pesan dari penerbit.
Untuk panduan umum tentang mendesain solusi aman, lihat Dokumentasi Keamanan Azure.
Ketahanan
Untuk panduan umum tentang merancang solusi tangguh, lihat Merancang aplikasi Azure yang andal.
Pengoptimalan biaya
Optimalisasi biaya adalah tentang mencari cara untuk mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran umum pilar pengoptimalan biaya.
Untuk menjelajahi biaya menjalankan skenario ini, semua layanan telah dikonfigurasi sebelumnya dalam kalkulator biaya. Untuk melihat bagaimana perubahan harga untuk kasus penggunaan Anda, ubah variabel yang sesuai agar sesuai dengan volume data yang diharapkan.
Kami telah menyediakan tiga profil biaya sampel yang didasarkan pada jumlah lalu lintas yang Anda harapkan untuk mendapatkan:
- Kecil: memproses satu juta peristiwa melalui satu unit streaming standar per bulan.
- Sedang: memproses 100 juta peristiwa melalui lima unit streaming standar per bulan.
- Besar: memproses 999 juta peristiwa melalui 20 unit streaming standar per bulan.
Menyebarkan skenario ini
Untuk menyebarkan skenario ini, Anda dapat mengikuti tutorial langkah demi langkah ini yang menunjukkan cara menyebarkan setiap komponen skenario secara manual. Tutorial ini juga menyediakan aplikasi klien .NET untuk menghasilkan sampel metadata panggilan telepon dan mengirimkan data tersebut ke instans hub peristiwa.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Alex Buck | Pengembang Konten Senior
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
- Azure Event Hubs — Platform streaming big data dan layanan penyerapan peristiwa
- Selamat datang di Azure Stream Analytics
- Pengantar penyimpanan Blob Azure