Amazon Fraud Detector n'est plus ouvert aux nouveaux clients depuis le 7 novembre 2025. Pour des fonctionnalités similaires à Amazon Fraud Detector, explorez Amazon SageMaker AutoGluon, et AWS WAF.
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Stockez les données de vos événements en externe avec Amazon S3
Si vous formez un modèle Online Fraud Insights, vous pouvez choisir de stocker les données de vos événements en externe avec Amazon S3. Pour stocker les données de vos événements dans Amazon S3, vous devez d'abord créer un fichier texte au format CSV, ajouter vos données d'événement, puis charger le fichier CSV dans un compartiment Amazon S3.
**Note**
Les modèles **Transaction Fraud Insights** et **Account Takeover Insights** ne prennent pas en charge les ensembles de données stockés en externe avec Amazon S3
# Création d'un fichier CSV
Amazon Fraud Detector exige que la première ligne de votre fichier CSV contienne des en-têtes de colonne. Les en-têtes de colonne de votre fichier CSV doivent correspondre aux variables définies dans le type d'événement. Pour un exemple de jeu de données, voir [Obtenir et télécharger un exemple de jeu de données](step-1-get-s3-data.md)
Le modèle Online Fraud Insights nécessite un ensemble de données de formation comportant au moins 2 variables et jusqu'à 100 variables. Outre les variables d'événement, le jeu de données d'entraînement doit contenir les en-têtes suivants :
+ EVENT\$1TIMESTAMP - Définit le moment où l'événement s'est produit
+ EVENT\$1LABEL : classe l'événement comme frauduleux ou légitime. Les valeurs de la colonne doivent correspondre aux valeurs définies dans le type d'événement.
Les exemples de données CSV suivants représentent l'historique des événements d'enregistrement d'un marchand en ligne :
```
EVENT_TIMESTAMP,EVENT_LABEL,ip_address,email_address
4/10/2019 11:05,fraud,209.146.137.48,fake_burtonlinda@example.net
12/20/2018 20:04,legit,203.0.112.189,fake_davidbutler@example.org
3/14/2019 10:56,legit,169.255.33.54,fake_shelby76@example.net
1/3/2019 8:38,legit,192.119.44.26,fake_curtis40@example.com
9/25/2019 3:12,legit,192.169.85.29,fake_rmiranda@example.org
```
**Note**
Le fichier de données CSV peut contenir des guillemets et des virgules dans le cadre de vos données.
Une version simplifiée du type d'événement correspondant est représentée ci-dessous. Les variables d'événement correspondent aux en-têtes du fichier CSV et les valeurs `EVENT_LABEL` correspondent aux valeurs de la liste des étiquettes.
```
(
name = 'sample_registration',
eventVariables = ['ip_address', 'email_address'],
labels = ['legit', 'fraud'],
entityTypes = ['sample_customer']
)
```
## Formats d'horodatage des événements
Assurez-vous que l'horodatage de votre événement est au format requis. Dans le cadre du processus de création du modèle, le type de modèle Online Fraud Insights classe vos données en fonction de l'horodatage de l'événement et les divise à des fins de formation et de test. Pour obtenir une estimation juste des performances, le modèle s'entraîne d'abord sur le jeu de données d'entraînement, puis teste ce modèle sur le jeu de données de test.
Amazon Fraud Detector prend en charge les date/timestamp formats suivants pour les valeurs utilisées `EVENT_TIMESTAMP` lors de la formation des modèles :
+ %YYYY-%MM-%DDT%HH : %mm : %sSz (norme ISO 8601 en UTC uniquement, sans millisecondes)
Exemple : 2019-11-30T 13:01:01 Z
+ %yyyy/%mm/%dd %hh : %mm : %ss (AM/PM)
Exemples : 2019/11/30 13:01:01 ou 2019/11/30 13:01:01
+ %mm/%dd/%yyyy %hh : %mm : %s
Exemples : 30/11/2019 13:01:01, 30/11/2019 13:01:01
+ %mm/%dd/%yy %hh : %mm : %s
Exemples : 30/11/19 13:01:01, 30/11/19 13:01:01
Amazon Fraud Detector part des hypothèses suivantes lors de l'analyse des date/timestamp formats pour les horodatages des événements :
+ Si vous utilisez la norme ISO 8601, elle doit correspondre exactement à la spécification précédente
+ Si vous utilisez l'un des autres formats, vous bénéficiez d'une flexibilité supplémentaire :
+ Pendant des mois et des jours, vous pouvez fournir un ou deux chiffres. Par exemple, le 1/12/2019 est une date valide.
+ Vous n'avez pas besoin d'inclure hh:mm:ss si vous ne les avez pas (vous pouvez simplement fournir une date). Vous pouvez également fournir un sous-ensemble des heures et des minutes uniquement (par exemple, hh:mm). Le simple fait de fournir une heure n'est pas pris en charge. Les millisecondes ne sont pas non plus prises en charge.
+ Si vous fournissez des AM/PM étiquettes, une horloge de 12 heures est supposée. S'il n'y a aucune AM/PM information, une horloge de 24 heures est supposée.
+ Vous pouvez utiliser «/» ou « - » comme délimiteurs pour les éléments de date. « : » est supposé pour les éléments d'horodatage.
## Échantillonnage de votre ensemble de données au fil
Nous vous recommandons de fournir des exemples de fraude et des échantillons légitimes datant de la même période. Par exemple, si vous signalez des cas de fraude survenus au cours des 6 derniers mois, vous devez également indiquer des événements légitimes qui s'étendent uniformément sur la même période. Si votre ensemble de données contient une répartition très inégale des fraudes et des événements légitimes, le message d'erreur suivant peut s'afficher : *« La répartition des fraudes dans le temps fluctue de manière inacceptable. Impossible de diviser correctement le jeu de données. »* Généralement, la solution la plus simple à cette erreur consiste à s'assurer que les cas de fraude et les événements légitimes sont échantillonnés de manière uniforme sur la même période. Il se peut également que vous deviez supprimer des données si vous êtes confronté à une forte augmentation du nombre de fraudes en peu de temps.
Si vous ne pouvez pas générer suffisamment de données pour créer un ensemble de données uniformément distribué, une approche consiste à randomiser l'EVENT\$1TIMESTAMP de vos événements afin qu'ils soient répartis de manière uniforme. Cependant, cela rend souvent les indicateurs de performance irréalistes, car Amazon Fraud Detector utilise EVENT\$1TIMESTAMP pour évaluer les modèles sur le sous-ensemble d'événements approprié dans votre ensemble de données.
## Valeurs nulles et manquantes
Amazon Fraud Detector gère les valeurs nulles et manquantes. Cependant, le pourcentage de valeurs nulles pour les variables doit être limité. Les colonnes EVENT\$1TIMESTAMP et EVENT\$1LABEL ne doivent pas contenir de valeurs manquantes.
## Validation des fichiers
Amazon Fraud Detector ne parviendra pas à entraîner un modèle si l'une des conditions suivantes se produit :
+ Si le CSV ne peut pas être analysé
+ Si le type de données d'une colonne est incorrect
# Téléchargez les données de vos événements dans un compartiment Amazon S3
Après avoir créé un fichier CSV contenant les données de votre événement, chargez-le dans votre compartiment Amazon S3.
**Pour télécharger vers un compartiment Amazon S3**
1. Connectez-vous à la console Amazon S3 AWS Management Console et ouvrez-la à l'adresse [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Choisissez **Créer un compartiment**.
L'Assistant **Create bucket (Créer un compartiment)** s'ouvre.
1. Dans **Bucket name (Nom du compartiment)**, saisissez un nom compatible DNS pour votre compartiment.
Le nom du compartiment doit présenter les caractéristiques suivantes :
+ Il doit être unique sur l'ensemble d'Amazon S3.
+ Il doit comporter entre 3 et 63 caractères.
+ Ne contient pas de majuscules.
+ Il doit commencer par une minuscule ou un chiffre.
Une fois le compartiment créé, vous ne pouvez pas changer son nom. Pour plus d'informations sur la dénomination des compartiments, consultez les [règles de dénomination des compartiments](https://docs.aws.amazon.com/AmazonS3/latest/userguide/BucketRestrictions.html#bucketnamingrules) dans le *guide de l'utilisateur d'Amazon Simple Storage Service*.
**Important**
Évitez d’inclure des informations sensibles, notamment des numéros de compte, dans le nom du compartiment. Le nom du bucket est visible URLs là où pointent les objets du bucket.
1. Dans **Région**, choisissez la AWS région dans laquelle vous souhaitez que le bucket réside. Vous devez sélectionner la région dans laquelle vous utilisez Amazon Fraud Detector, à savoir USA Est (Virginie du Nord), USA Est (Ohio), USA Ouest (Oregon), Europe (Irlande), Asie-Pacifique (Singapour) ou Asie-Pacifique (Sydney).
1. Dans **Paramètres de compartiment pour Bloquer l'accès public**, choisissez les paramètres de blocage de l'accès public que vous souhaitez appliquer au compartiment.
Nous vous recommandons de laisser tous les paramètres activés. Pour plus d'informations sur le blocage de l'accès public, consultez la section [Blocage de l'accès public à votre espace de stockage Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/dev/access-control-block-public-access.html) dans le *guide de l'utilisateur d'Amazon Simple Storage Service*.
1. Choisissez **Créer un compartiment**.
1. Téléchargez le fichier de données d'entraînement dans votre compartiment Amazon S3. Notez le chemin d'emplacement Amazon S3 de votre fichier de formation (par exemple, s3://bucketname/object.csv).