风险分值

风险分值的计算方式是对一组贡献信号加权，并把它们合并为一个归一化的数字，通常采用 0 到 1 或 0 到 100 的量表。输入项通常包括自动化迹象、IP 与网络信誉、环境异常（例如被伪造或互相矛盾的浏览器属性），以及行为或历史模式（例如某个身份行动的速度有多快）。

评分模型的形态从透明的加权规则，到在带标注的欺诈数据上训练的机器学习分类器，各不相同。无论采用何种方法，目标都是一致的：把一幅高维、含噪声的画像化简为单一的可比较值，从而让下游策略能够一致地据以行动。每个贡献信号都会依据其被证明的预测力，把分值向上或向下推动。

由于分值只有在与决策相配对时才有用，团队会定义阈值，把分值区间映射到相应结果：低于某条线，静默放行；处于中间区段，增加摩擦，例如质询或人工审核；高于另一条线，直接拦截。随着攻击模式与合法行为的双双变化，调整这些区段是一项持续进行的工作。