人們可能會認為合成身份欺詐沒有受害者，他們認為假身份不屬于真實的人，因此沒有人會受到傷害，但這種假設是錯誤的。

　　什么是合成身份欺詐?

　　犯罪分子通過組合被盜的個人信息片段，如社會安全號碼、姓名和出生日期，來創建假身份，這種欺詐類型通常被稱為“弗蘭肯斯坦欺詐”，因為它將真實和虛假的成分縫合在一起，形成一個新的、令人信服的假身份。

　　欺詐者可能會偽裝成可信的借款人，持續數月甚至數年以建立信用記錄，并獲取更大額度的貸款，一旦他們獲得大量信用額度，就會透支賬戶并消失，由于合成身份不屬于真實的人，這種欺詐很難被發現，甚至更難被起訴，許多銀行將這些視為常規的貸款違約，掩蓋了欺詐的真實程度。

　　根據Sumsub的數據，涉及假文件的合成身份欺詐已經增加了超過300%。

　　為什么檢測如此困難?

　　檢測合成身份之所以困難，是因為它需要結合來自多個來源的數據，這些來源包括政府記錄、信用局和電話公司，由于技術、法律或隱私方面的挑戰，這些企業往往無法很好地共享數據，因此，信息不完整或難以獲取。

　　合成身份旨在模仿真實的信用活動。例如，欺詐者可能會使用假的社會安全號碼結合真實的支付歷史，這使得他們的記錄看起來真實，難以與真正的消費者數據區分開來，信用評分系統和欺詐檢測工具往往無法識別這些假身份。

　　隨著時間的推移，合成身份會降低信用數據庫的準確性，這會導致信用評分變得不可靠，貸款人因此面臨更大的風險，他們可能會批準高風險借款人的貸款，或拒絕給值得信任的客戶提供信用，這可能導致經濟損失。

　　真正的受害者是誰?

　　消費者：當犯罪分子使用被盜數據時，受害者可能會面臨信用評分受損、收到他們未產生的債務的催收通知，以及需要經歷漫長且昂貴的過程來清除他們的記錄。

　　金融機構：德勤預計，到2030年，合成身份欺詐將造成至少230億美元的損失，這些損失會減少利潤，并導致金融機構收緊貸款標準。

　　其他借款人：為了彌補這些損失，貸款人可能會提高利率或限制信用獲取，這會使借款對每個人來說都變得更昂貴和困難。

　　經濟：欺詐會影響信用數據的準確性，從而削弱風險評估工具的有效性，這會導致更多的不良貸款和整體經濟增長放緩。

　　兒童身份在合成欺詐中的利用

　　為什么欺詐者會針對兒童?因為兒童通常沒有信用記錄、沒有貸款，也沒有信用報告上的警報，這使得犯罪分子更容易使用他們的信息來創建假信用檔案。

　　欺詐者尤其針對兒童的社會安全號碼，這些號碼通常在孩子長大之前不會被激活，這意味著它們可以與任何姓名和出生日期配對，以創建假身份。

　　父母很少檢查孩子的信用報告，但這樣做可以及早發現欺詐，并防止多年的損害。

　　此外，向兒童宣傳保護個人信息的重要性，并讓他們小心在網站和應用上分享的細節，也是很重要的。

　　通過合作加強檢測

　　經常成為攻擊目標的企業應該相互合作并共享數據，使用合成身份的犯罪分子經常在多個組織之間活動，因此一個共享的數據庫可以幫助發現可疑的模式。

　　此外，結合文件驗證、生物識別認證和基于知識的問題，可以加強身份驗證，并減少對任何單一方法的依賴。

　　AI在雙方都帶來了變革

　　欺詐者使用GenAI來創建超逼真的假文件，包括護照、身份證和生物識別記錄，這些偽造品經常能夠欺騙自動化驗證系統，甚至人類審查者，使它們在數字入職或遠程身份檢查中變得危險。

　　另一方面，金融機構則使用AI和機器學習來反擊，正如AuthenticID的總裁Blair Cohen所解釋的：“AI驅動的欺詐檢測系統利用機器學習來準確識別欺詐模式。例如，異常檢測算法會分析交易數據，以標記表明合成身份欺詐的不規則性，并不斷從新數據和不斷演變的欺詐策略中學習，以提高其有效性。