Op AI-agents gebaseerde creditcardtestbots | Zo stop je ze

Kort samengevat: detectie van AI-enumeratieaanvallen onder VAMP en EFM

• Snelheidsregels missen het: Merchants vertrouwen nog steeds op velocityregels en IP-reputatie om carding te stoppen. Visa zegt dat enumeratie-aanvallen 1,1 miljard dollar aan jaarlijkse fraudeverliezen veroorzaken en dat 33% van de geënumereerde accounts binnen vijf dagen te maken krijgt met fraude. Eén enkele AI-run van 10.000 kaarten over 48 uur valideerde 600 kaarten, ongeveer 200 per uur.
• Compliance-drempels: Visa VAMP markeert merchants boven een enumeratieratio van 20%, Mastercard EFM start boetes vanaf 500 dollar in maand twee boven 0,50% CNP-fraude-tot-verkoop, en ECP wordt geactiveerd bij 100+ chargebacks en 150 basispunten. cside vangt AI-carders op de browserlaag, terwijl traditionele tools 8 van de 10 gecontroleerde tests misten.
• Gefaseerde respons: Vertoont een sessie verhoogd risico, confronteer deze dan met een gedrags-CAPTCHA voordat het betaalformulier laadt. Komt de fingerprint terug in meerdere sessies, blacklist dan het apparaat. Deelt een fingerprintcluster timing en checkoutpaden, blokkeer dan het hele cluster in plaats van sessie voor sessie te reageren.

Weinig tijd? Bekijk cside's AI-agentdetectie. Dit dekt alles hieronder in één deployment.

Belangrijkste punten

• Creditcardtestbots doorlopen snel gestolen betaalkaartgegevens op betaalpagina's. Het doel is om een groot volume kaarten te testen totdat er één werkt om een frauduleuze transactie te voltooien.
• Anders dan traditionele creditcardtestbots kunnen op AI-agents gebaseerde creditcardtestbots redeneren en stealthbrowsers gebruiken om detectie te ontwijken.
• Het detecteren van frauduleuze AI-agenten vereist het bekijken van netwerk-, browser- en vooral gedragssignalen in combinatie met pagina-activiteit.
• Gespecialiseerde tools (zoals cside of DataDome) bestaan om deze bots te vangen door de browserruntime en fingerprintingsignalen te monitoren, waardoor organisaties dit fraudekanaal eerder kunnen stoppen.

Wat is creditcardtesten met AI?

Creditcardtesten met AI is het gebruik van door AI aangestuurde automatisering om te testen of gestolen creditcardgegevens geldig zijn tegen echte checkoutflows van merchants. Anders dan traditionele cardingbots die via ruwe API-aanroepen of eenvoudige HTTP-verzoeken werken, gebruiken AI-creditcardtestagenten echte browsersessies die JavaScript uitvoeren, interacteren met formulierelementen en menselijk checkoutgedrag imiteren.

Een creditcardtestoperatie verloopt doorgaans in fasen:

1. Een partij gestolen kaartgegevens verkrijgen (uit datalekken, gekocht op dark-webmarktplaatsen, of algoritmisch gegenereerd)
2. Een merchantsite vinden met een checkoutflow die kaarten kan valideren met kleine of geen kosten: donatieformulieren, aanmeldingen voor proefabonnementen en aankopen met een laag minimumbedrag zijn veelvoorkomende doelwitten
3. Geautomatiseerde sessies tegen de checkout laten draaien, waarbij elke set gegevens wordt getest totdat er een succesvolle validatie plaatsvindt
4. Gevalideerde kaarten gebruiken voor fraude met hogere bedragen op andere sites, of ze verkopen als «geverifieerd» op de criminele markt

Door AI aangedreven creditcardtesters voegen een extra laag gedragsgeraffineerdheid toe: ze variëren de transactietiming, simuleren browse-activiteit vóór de checkout en passen hun gedrag aan op basis van reacties op de fraudescore om detectie te vermijden.

Hoe detecteer je door AI-agenten aangestuurd creditcardtesten

Het detecteren van dit fraudekanaal komt neer op geavanceerde fingerprinting, naast gespecialiseerde maatregelen voor AI-agentdetectie.

AI-agenten detecteren

• Netwerk-, browser- en gedragssignalen om AI-agenten te identificeren: de basis voor het vangen van AI-creditcardtesters is eerst vaststellen dat een sessie überhaupt door een AI-agent wordt aangestuurd. Dat betekent het analyseren van indicatoren op netwerkniveau zoals proxydetectie en TLS-fingerprinting, artefacten op browserniveau afkomstig van automatiseringsframeworks, en gedragspatronen in hoe de sessie met de pagina omgaat.

We lichten de specifieke signalen die cside gebruikt om AI-agentverkeer te identificeren toe in onze gids over het blokkeren van AI-agenten op uw website. Voor een diepgaande blik op de browsersignalen die specifiek kaarttestagenten blootleggen, zie Hoe blokkeer je AI-kaarttestagenten. Wanneer u bij de fase van leveranciersevaluatie komt, doorloopt onze gids over hoe u AI-agentdetectieoplossingen voor uw fraudestack evalueert de criteria die ertoe doen.

Frauduleus agentgedrag herkennen (creditcardtesten)

• Combineer agentdetectie met pagina-activiteit. Zodra u weet dat een sessie een AI-agent is, is de volgende stap het vaststellen van de intentie om creditcards te testen. Invulgedrag in formulieren is een van de sterkste signalen. Zeven verschillende kaartnummers testen binnen een kort tijdsbestek, of tien keer verschillende CVV-waarden proberen op dezelfde kaart, is geen normaal menselijk gedrag. Het verschil met AI-agenten is dat ze kunnen redeneren en niet altijd lineaire patronen volgen, wat rate limiting bemoeilijkt.

Wanneer die gedragssignalen samengaan met andere waarschuwingssignalen, zoals een gedetecteerde VPN of inconsistenties in de fingerprintomgeving, stijgt de risicoscore.

In een leverancierstool, zoals cside AI-agentdetectie, komen meerdere signalen samen in een risicoscore. Dit helpt u sessies te identificeren die vermoedelijk creditcards testen en uw handhavingsactie (blokkeren of blacklisten) te bepalen.

Voorbeeld: hoe een AI-creditcardtestaanval verloopt

Neem een middelgroot e-commercebedrijf dat consumentenelektronica verkoopt en ongeveer 50.000 transacties per maand verwerkt met een standaard checkoutflow.

• Doelwitselectie. De aanvaller identificeert de site omdat deze gastcheckout heeft, lage cadeaukaartaankopen accepteert (vanaf 5 dollar) en duidelijke succes-/faalreacties geeft bij betalingspogingen.
• Infrastructuur opzetten. De aanvaller zet een vloot AI-agenten op met een browserautomatiseringsframework. Elke agent draait in een echte Chromium-instantie met een uniek residentieel proxy-IP-adres en een gerandomiseerde device fingerprint. De aanvaller laadt 10.000 gestolen kaartnummers.
• De testrun. Gedurende 48 uur navigeren agenten door de site, voegen een cadeaukaart van 5 dollar toe aan de winkelwagen en voeren bij de checkout een gestolen kaartnummer in. Geslaagde kaarten worden gemarkeerd als «live». Mislukte pogingen roteren naar een nieuw IP-adres en een nieuwe fingerprint. De vloot test ongeveer 200 kaarten per uur, waarbij transacties worden gespreid om velocitytriggers te vermijden.
• De schade. Van de 10.000 geteste kaarten worden er 600 succesvol gevalideerd. Die geverifieerde kaarten worden met een premie doorverkocht of gebruikt voor aankopen met een hoge waarde elders.

Waarom traditionele detectie faalt tegen AI-creditcardtesters

Traditionele fraudedetectie leunt op velocityregels, IP-reputatie, device fingerprinting en user-agentmatching. AI-creditcardtestagenten verslaan ze allemaal.

• Velocityregels: AI-creditcardtesters spreiden transacties om het activeren van op snelheid gebaseerde drempels te vermijden.
• IP-reputatie: ze roteren door residentiële proxynetwerken met een schone IP-geschiedenis.
• Device fingerprinting: ze tonen per sessie een nieuwe, realistische fingerprint in plaats van steeds dezelfde te hergebruiken.
• User-agent- en header-inspectie: ze draaien in echte browsersessies met standaardheaders die niet te onderscheiden zijn van legitiem Chrome-verkeer.

cside constateerde dat traditionele detectietools AI-agenten in 8 van de 10 gecontroleerde tests misten.

De fraudekosten van creditcardtesten

Volgens Visa zijn enumeratie-aanvallen (de term die kaartnetwerken gebruiken voor creditcardtesten) verantwoordelijk voor 1,1 miljard dollar aan jaarlijkse fraudeverliezen, en 33% van de geënumereerde accounts krijgt binnen vijf dagen na compromittering te maken met fraude.

• Visa's Acquirer Monitoring Program (VAMP) bevat een aparte enumeratieratio. Als meer dan 20% van de transacties van een merchant wordt gemarkeerd als enumeratie-aanval, komt de merchant in het programma terecht. Voor merchants met meer dan 300.000 gemarkeerde enumeratiepogingen in een maand bij 20%+ van het volume, classificeert Visa hen op het niveau «excessief».
• Mastercard's Excessive Fraud Merchant (EFM)-programma bewaakt de verhouding tussen fraude en verkoop zonder kaart aanwezig (card-not-present). Wanneer de ratio van een merchant boven 0,50% op CNP-transacties uitkomt, beginnen boetes bij 500 dollar in maand twee en lopen ze verder op. Het Excessive Chargeback Program (ECP) voegt nog een laag toe: 100+ chargebacks bij 150 basispunten of meer in één maand activeert inschrijving.

Eén enkele testrun, zoals het e-commercevoorbeeld hierboven, kan een merchant van conforme status in een monitoringprogramma duwen. Eruit komen vergt drie opeenvolgende schone maanden, en de boetes lopen de hele tijd door op.

Handhavingsstrategieën voor door AI-agenten aangestuurd creditcardtesten

Zodra u vermoedelijke creditcardtestsessies kunt identificeren, hebt u een handhavingsstrategie nodig die het stoppen van fraude in balans brengt met het minimaliseren van wrijving voor legitieme klanten.

• Challenge vóór het betaalformulier. Sessies met een verhoogde risicoscore moeten een verificatiechallenge tegenkomen vóórdat ze de betaalvelden bereiken, niet erna. Een gedrags-CAPTCHA die echte menselijke interactie vereist, voegt een laag toe die AI-agenten niet perfect kunnen oplossen zonder zichzelf te verraden. Dit is het interventiepunt met de hoogste impact, omdat het de testpoging stopt voordat er kaartgegevens worden verzonden.
• Blacklist de bezoeker. Als creditcardtestactiviteit wordt vermoed op een specifiek apparaat, kan dat apparaat worden geblacklist om herhaalde fraude te voorkomen.
• Correleer en blokkeer over sessies heen. Creditcardtestoperaties draaien veel sessies vanaf dezelfde onderliggende infrastructuur. Sessiecorrelatie die gecoördineerde patronen identificeert, zoals overeenkomende fingerprintclusters, gedeelde gedragstiming en overlappende checkoutpaden, vangt operaties die per-sessie-analyse zou kunnen missen. Zodra een cluster is geïdentificeerd, kan handhaving worden toegepast op de hele operatie in plaats van sessie voor sessie te reageren.