在过去的10年间，以比特币为代表的加密数字资产在安全性方面已经引发了一系列的问题，最早可追溯到2011年，从2011年6月到2014年，是加密资产发生最早的也是总计金额最大的黑客事件—门头沟事件（Mt.Gox）。
在2011年6月到2014年3月的两年半时间里，黑客对Mt.Gox交易平台总计进行了数以万次的攻击，有效攻击达到5次，分别于2011年3月1日攻击Mt.Gox热钱包盗走了8万枚比特币；2011年5月，黑客从Mt.Gox一个不安全的、可公开访问的离线存储器上再次盗走30万枚比特币；最大的一次黑客盗窃时间发生在2011年9月到10月，当时一名黑客获取了Mt.Gox的Wallet.date文件的副本，并窃取了63万枚BTC。
2014年3月，Mt.Gox宣布破产，同时在这3年时间里还有一系列的黑客盗窃事件没有被报道，后来区块链分析师Kim Nilsson指出是多次的黑客攻击事件导致Mt.Gox破产，这也是加密资产史上第一起因为黑客盗窃事件而被迫倒闭的交易平台。
同时当前的主流交易平台也层出不穷的发生过一系列的黑客盗币事件，例如2018年7月，黑客通过攻击SYS币种，从币安都走16000枚比特币；与币安一样Bitfinex也发生过惊人的被盗事件，黑客通过一个安全漏洞绕过多重签名保护系统，盗取12万枚比特币，也直接导致了比特币的暴跌。
BitMillion同所有的主流交易平台一样，需要采取措施确保其安全稳定的运营环境，同时抵御黑客攻击！为此BitMillion的工程师开发了一套基于机器学习（AI）的反欺诈系统，这个系统可以有效识别用户标识来源中的不匹配和异常情况，以帮助他们快速识别和采取措施来防范潜在的欺诈风险。
BitMillion的工程师Kevin指出，线上的身份验证是一个十分棘手的问题，他不会像线下一样，比如你进入一个车站，安检人员需要验证你的身份证时，他可以通过一定频率的光线来扫描身份证，查找隐藏在身份证上的全息图案来辨别证件的真伪。
但是这种方式在线上是行不通的。因此BitMillion使用SageMaker AI开发机器学习算法来进行图像分析，打击欺诈行为。例如：面部相似性算法能够自动从上传的身份证中提取面部特征，然后将这些身份特征与其他的身份证面部特征进行比较。诈骗者通常会将同一张照片放到多个身份证件上，而通过这种面部相似性算法，BitMillion的AI能够快速的识别出这些伪造的证件。
在构建反欺诈算法中积累的经验也使 BitMillion 能够为客户提供定制化的用户体验,这是一种简单并且直观的方式，用于区分那些购买并持有少量数字货币的初级投资者，以及那些频繁交易的专业用户。
在最近的一次客户群划分练习中，BitMillion分析师只要简单地在笔记本电脑上编写聚类算法，然后就可以通过 AI 运行这些算法来分析客户是如何对加密货币进行操作的，将那些只是热衷于交易的人从长期投资的人群中划分出来。
同时，AI风险管理只是数字货币交易平台业务管理的一个方面,鉴于其数字化的本质，加密货币与传统的金融市场一样，每天都会产生并需要处理大量数据也就不足为奇了。“我们的数据仓库收集来自各种微服务的数据，包括区块链和用户数据总共有数百 TB，”Kevin说。“自今年年初以来，这个数字已经翻了一倍。”
由于在高度监管的环境下运营，BitMillion采取了额外的措施来确保客户数据得到保护，甚至连BitMillion自己的数据科学家和工程师都无法随意访问到这些数据。在Kevin生产服务器上运行的任何代码在投产前都必须经过多组人员的代码审查。
我们的核心原则就是安全第一，因为存储在我们平台上的数字资产永远属于我们的客户——BitMillion
