预警!多家保险公司考勤遭攻击,百万员工不到岗也能“打卡”链接:

2022年1月,顶象防御云业务安全情报中心监测发现,黑灰产破解多家公司保险考勤系统,还制作出打卡作弊工具,并向保险公司员工兜售“代打卡服务”。通过该服务,保险公司员工能够不出门不到岗,也可以实现“上班打卡”,轻松领取全勤奖。

根据保险行业在职人员数量以及保险行业虚假打卡服务的比例,预计有150-160万在职保险员工购买过“代打卡服务”,黑灰产借此获利超过获得数千万元,给保险公司带来数亿元的经济损失。

虚假考勤打卡:公开揽客,私下接单

考勤,是企业及机构对办公出勤的关键要求,与员工的岗位表现、工作成效、绩效、奖金有直接关系。正常考勤要求员工到公司指定地点,通过人脸识别、指纹识别完成出勤打卡;或者,在公司指定地点,利用办公协同软件完成出勤打卡。

虚假考勤则是利用内控、软件、管理漏洞,通过资料和技术工具,完成虚假入职、虚假考勤打卡,伪造出勤记录,骗取公司薪酬奖励。

网上搜索“破解人脸打卡”,有几百万条结果,不仅有详细的图文介绍,更有手把手教人如何“考勤作弊”的视频。部分电商平台上也有大量“XX异地考勤打卡助手”、“考勤打卡助手”、“考勤打卡更改地址”等产品和服务出售。黑灰产通过在论坛、社群、电商平台寻找购买者,然后再通过IM工具、电商平台完成交易。

这些都是黑产招揽客户的方式。黑灰产通过在论坛、社群、电商平台寻找购买者,然后再通过通过IM工具、电商平台完成交易。

针对考勤系统差异,黑灰产提供不同作弊服务

由于考勤设备与系统的差异,黑灰产的破解作弊的方式也不同,因此销售价格也不同。以顶象业务安全中心发现的某个黑灰产出售的“虚假考勤打卡”为例,基于不同的考勤设备,黑灰产提供了三类“销售套餐”。

第一类:“人脸伪造考勤作弊工具”,60元/人/月。

顶象防御云业务安全情报中心分析发现,黑灰产的“人脸伪造考勤作弊工具”使用Hook技术,对设备信息、定位等进行了篡改(Hook是改机工具依赖的技术之一,可以篡改设备信息,伪造设备定位)和恶意代码注入(修改App正常的运行逻辑、窃取数据等)等攻击方式。

第二类:“蓝牙考勤作弊工具”,150元/人/月。

顶象防御云业务安全情报中心分析发现,黑灰产的“蓝牙伪造考勤作弊工具”,篡改GPS地址,仅适用配置静态蓝牙Mac的考勤设备,如果开启随机蓝牙后,则作弊工具无法完成打卡。另外,该打卡行为需要第三方(内部人员)配合,存在一定的人为失误率。

第三类:“远程代打卡”,80元/人/月。

针对不能够熟练使用作弊工具的购买者,黑灰产提供“远程代打卡服务”。购买者只需要提供工号给黑灰产,即可完成每日考勤打卡。

还有一种可能,黑灰产破解公司的考勤系统或App,经过二次打包变成一个山寨App。该山寨App屏蔽摄像头影像采集、拦截蓝牙和无线网络,对GPS劫持,伪造了LBS地理位置,并进行了自动化操作改造。黑灰产输入购买人的照片和工号,该山寨APP即自动完成远程考勤打卡操作。

虚假考勤打卡,或造成保险公司数亿元损失

成本控制能力是保险公司盈利与否的一大影响因素。保险公司的人力成本中,薪资占比达85%以上,福利成本占比高于12%。不同保险企业之间人力成本的占比差距较大,其中,产险公司相对寿险公司差距更明显。

调研显示,保险行业人力成本占总成本的比例稳定在30%-31%之间,寿险公司人力成本占比在27%-30%之间,而产险公司则在32%-36%之间。其中,产险公司的人均人力成本从2012年的20.77万元到19.11万元。寿险公司从2012年的9.76万元左右小幅上升至2014年的11.75万元。

虚假考勤打卡严重损耗保险公司指出,造成极投入浪费。2019年某险企分公司有代理人实名爆料,其所在分公司为了完成增员人数任务,在内部系统中窃取客户身份证等个人资料办理虚假入司,10多年来平均每年有200多人的虚假增员,套取公司奖金、绩效和队伍建设费几百万元等。

银保监会披露的“2021年底保险公司销售从业人员执业登记情况通报”显示,截至2021年12月31日,全国保险公司在保险中介监管信息系统执业登记的销售人员641.9万人。其中,92家人身险公司执业登记销售人员472.8万人、占比73.7%;90家财产险公司执业登记销售人员169.1万人、占比26.3%。

根据顶象防御云业务安全情报中心对保险行业的反欺诈数据分析,打卡作弊严重的地区,保险行业参与考勤作弊的员工数量占比高达25%以上。据此推断,预计有150-160万在职保险员工有过虚假考勤打卡行为,黑灰产借此获利超过获得数千万元,给保险公司带来经济损失预计超过近十亿元。

防范虚假考勤打卡:规范行业、强化内控、保障考勤系统安全

第一,外部加强行业规范。2021年4月,银保监会发布《关于深入开展人身保险市场乱象治理专项工作的通知》,围绕销售行为、人员管理、数据真实性、内部控制等方面,对保险市场存在的典型问题和重点风险进行专项治理。其中,重点治理人员管理弄虚作假、松散失序等行为。根据上市险企公司2021年财报显示,在职员工人数已经连续两年下降,多家保险公司个险人力从16.3%、23.4%、32%,最高下降51.4%不等。险企不仅对虚假增员加强管理,更淘汰掉大批不合格、不达标的代理人。

第三,保障考勤系统安全。通过技术手段防范和严格的考核审查,及时防范虚假考勤等行为,良好保障公司正常考勤秩序,降低无效的人力成本消耗。例如,顶象态势感知防御系统能够实时发现摄像头遭劫持、设备伪造等恶意行为,有效防控虚假考勤、人脸识别作弊、打卡作弊等风险,良好保障公司正常考勤秩序。

事前事中事后,全流程的技术的防控建议

基于保险行业特征以及风险态势分析,顶象防御云业务安全情报中心建议保险公司采取事前事中事后的全流程防控,有效防虚假打卡欺诈行为,保障考勤秩序健康运行。

事前对环境、安装包、通信进行安全检测

第一、增强终端风险环境检测。黑灰产的作弊工具对考勤App的GPS、蓝牙、照片等数据使用注入,其使用的手法就是“代码hook”(修改或替换当前代码)。因此,需要对App进行运行环境安全检测,是否有代码注入、hook等行为。

第二、增加App安装包的合法性检测。顶象业务安全中心监测发现,发现很多人使用的App并非官方原版,而是黑灰产篡改后的二次打包版本。因此,需要增加App安装包(SDK)合法性检测,主要检测包的签名、大小、进程信息、App版本号等。安全运维人员,也需要在系统后台的策略中配置官方App历史版本、每个App版本的信息检验等。

第三、保障通信传输安全。业务的通信传输中,黑灰产可能会篡改通信报文中的一些数据,通过对前端SDK进行加固,在通讯链路采用国密算法进行加密,防止终端安全检测模块的数据被篡改和冒用。

事中部署业务安全策略进行防控

接入业务后,风控系统会基于安全策略,对终端各类风险数据、打卡业务数据进行风险识别。因此,需要采集尽可能多的字段,以方便后端根据不同属性制定安全策略。

风控规则及策略:

1、设备终端:校验运行环境风险特征和app版本是否正常,识别是否有注入、函数劫持、二次打包等特征,通常人脸绕过大多具备以上特征;

2、打卡行为:设备使用限制,如限制多人使用同一台手机打卡、账户对应的设备经常变化等行为维度检测;

3、外部数据:手机号风险评分,IP黑库等;

4、本地黑白名单:基于风控数据、历史打卡数据,沉淀并维护对应黑白名单数据,包括工号,手机号,设备黑名单等。

5、业务场景策略:比如作弊情况较严重的职场,如果出现少量设备给绝大部分人打卡的情况,制定对应的限制策略。

6、数据模型:线上数据有一定积累以后,通过风控数据以及业务的沉淀数据,对代理人打卡这一场景进行建模,模型的输出可以直接在风控策略中使用。

事后及时处置

根据业务实际需求,顶象防御云提供两种处置建议。

第一、静默监测、数据打标,延迟处置。App识别风险后,由后台统一收集数据,通过全量更新和静默监测,摸清打卡作弊的占比和分布,然后再处置。

第二、线上实时反馈,及时处置。对识别为风险的请求进行实时拦截,直接显示打卡成功或者失败。

基于处置建议,顶象建议保险企业在防范虚假考勤打卡上,可以选择如下两个方案。

第一,配置设备指纹和决策引擎:设备指纹可以针对端上风险进行识别,例如注入、二次打包、函数劫持等,配合决策引擎使用,可以实时发现风险并给予处置。

第二,配置业务安全感知防御平台(移动版):业务安全感知防御平台(移动版):可以识别发现移动端风险,不仅可以覆盖设备指纹产品发现的风险,而且无需决策引擎,可以直接对移动端风险进行处置,但与设备指纹+决策引擎组合的区别在于安全感知无法使用业务字段,只防控移动端层面风险。

顶象防御云集成业务感知防御平台、验证码、设备指纹和端加固等产品,以及业务威胁情报、云策略等服务。其基于多年实战经验和技术产品,拥有丰富的技术工具、数万个安全策略及数百个业务场景解决方案,具有情报、感知、分析、策略、防护、处置的能力,提供模块化配置和弹性扩容,助企业快速、高效、低成本构建自主可控的业务安全体系。

您当前使用的浏览器版本过低,导致网站不能正常访问,建议升级浏览器

THE END
1.保险预测模型在保险管理系统中的应用探讨保险行业在现代社会中扮演着重要的角色,保险公司为社会带来了安全感和保障。随着信息技术的发展和数据科学的应用,保险行业也开始引入预测模型来优化保险管理系统,提高业务水平和效率。 保险预测模型是基于大数据分析和机器学习算法构建的模型,通过对保险市场和客户需求的分析,预测未来可能发生的风险和赔付情况,从而为保险公司...http://www.baoxian100.com.cn/article-43420.html
2.保险基础数据模型保险基础数据模型是指在保险行业中用于描述和管理保险业务相关数据的一种模型。它是保险公司在进行业务运营和数据管理时的基础框架,用于规范和统一数据的组织结构和关系。保险基础数据模型通常包括以下几个方面的内容:1. 保险产品:描述保险公司所提供的各类保险产品的属性和特征,包括保险类型、保险金额、保费计算方式等。https://www.xyz.cn/toptag/baoxianjichushujumoxing-93900.html
3.清华五道口:大模型技术深度赋能保险行业白皮书(2024)清华五道口:大模型技术深度赋能保险行业白皮书(2024) 关注数据局微信公众号,击数据局公众号“报告下载”菜单,获取网盘链接下载。 或者加入数据局知识星球,获取更加优质的服务: 附件下载 清华五道口:大模型技术深度赋能保险行业白皮书(2024).pdfhttp://www.shujuju.cn/lecture/detail/32135
1.保险基础数据模型解析及其主题关系"保险基础数据模型是保险行业标准的一部分,用于规范保险业务中的数据管理和交换。该模型包括了九个核心主题,它们分别是参与方、合同、理赔、资产、风险评估、财务活动、保险产品、地域及联系方式以及关系。这些主题涵盖了保险业务的各个方面,如参与者的基本信息、保险合同的详细内容、理赔处理流程、资产相关信息、风险评估...https://wenku.csdn.net/doc/5fafk7rjz9
2.保险数据仓库主题模型保险的数仓模型数仓模型案例 一、范式建模 1.零范式 为便于分级说明三范式的特点,我们将不满足任何范式即无范式的数据称为零范式,假设它只满足一个最基本的条件——数据中不存在重复数据。 假设根据零范式的定义数据库中有一张保险订单统计表,表中包含了用户id、保险id、用户名、注册省份、注册城市、注册区县、保险名称、购买信息...https://blog.51cto.com/u_16099280/8317737
3.全球责任保险行业波特五力模型产业研究日本责任保险市场发展概述 责任保险行业报告中,亚洲市场分析的主要章节之一,主要对日本责任保险市场发展做了详细论述,以产能、产量、需求、价格等数据为切入点详细分析了日本区域市场,可为从业者了解日本责任保险市场提供数据依据,同时为从业者开拓日本市场提供数据支持及参考。 http://www.cniir.com/cyyj/bef40a4ea45649fca280a11aee8c3031.html
4.左春:保险业数字化转型中的参考模型及积分原理《产业转型研究...保险行业参考模型是论述保险业发展及相关问题定位的有效工具,其整体架构如上图所示。 环境层相对通用,包括操作系统、数据库、中间件和网络通讯平台等;组件层成果主要为了复用性和高效;组装层系统的领域知识特征较强,与保险业务密切相关,包括核心业务系统、财务系统、积分系统等。核心业务系统群与积分系统之间有密不可分...https://www.iii.tsinghua.edu.cn/info/1058/2090.htm
5.实务丨浅述关系图谱在车险反欺诈领域应用保险频道欺诈团伙的一大特征是流动性强,中小公司由于数据存量少,时长不能聚焦锁定,这需要通过行业力量来整合资源。银保信作为保险数据存储公司,可通过关系图谱工具,为行业公司提供风险检索与智能推送功能,再联合各地行业协会、司法部门建立“反欺诈联查”组织。行业反欺诈网络的构建,将大大提升跨公司、跨区域的欺诈团伙打击效果...https://insurance.hexun.com/2021-02-25/203083812.html
6.《大模型技术深度赋能保险行业白皮书》正式发布白皮书聚焦大模型关键技术与核心能力,结合政策环境,深入剖析大模型在保险行业的多维应用场景与价值,为保险行业如何应用大模型技术、实现价值创造,提供实用参考建议。 白皮书系统阐释了大模型技术与保险在底层逻辑上存在的天然契合性。一方面,大模型技术充分利用互联网上的一切数据,从而具备更高的准确性、更强的泛化能力、更...https://www.yicai.com/news/101920763.html
7.2023年中国保险业数字化转型研究报告在可持续增长与业务创新等诉求的驱动下,多项技术的融合赋能与契合场景需求的创新开发已成为保险机构核心竞争力的构建共识,前沿科技的实践探索正重塑保险各环节价值链,推动保险保障类型、产品内涵、业务模式、行业生态发生根本性变革。根据艾瑞咨询调研数据显示,大数据与人工智能技术的持续攻坚与相互赋能仍为保险机构决策者最...http://www.qzr.cn/gourl?id=109754
8.上证研究大数据资产定价模型及保险产业应用探索但令人欣慰的是,近些年保险行业大数据服务平台已经在中国一些特大城市发布并投入运营,健康医疗大数据在众多数据种类中能对保险行业产生颠覆性和深远影响,对于产业的创新性和实用性方面均带来不可估量的经济价值,例如传统智能运营场景下的核保与理赔,产品创新场景下的创新产品研发等等。这些数据应用场景的价值是由数据资产...https://news.cnstock.com/news,yw-202301-5006926.htm