欺诈性行为的自动识别是通过使用机器学习技术，对大量数据进行分析和模式识别，以自动发现和标记可能的欺诈行为。以下是欺诈性行为自动识别的一种可能流程：

数据收集：首先，需要收集大量的数据，包括交易数据、用户行为数据、身份信息等。这些数据可以来自内部系统日志、用户操作记录、第三方数据源等。

特征工程：在机器学习中，特征工程是非常关键的一步。对于欺诈行为识别，需要从收集的数据中提取出有意义的特征，如交易金额、交易频率、交易地点、设备信息等。这些特征将有助于机器学习模型理解和识别欺诈行为。

模型训练：使用适当的机器学习算法（如监督学习、无监督学习或深度学习），对处理过的数据进行训练，让模型学习并理解欺诈行为的模式。这通常需要大量的历史欺诈案例作为训练数据。

实时预测：一旦模型训练完成，就可以用于实时预测。当新的交易或用户行为发生时，模型会自动根据学习到的欺诈模式进行预测和判断。

欺诈警报和处理：如果模型预测某个行为可能是欺诈，系统会触发警报，并阻止该交易或行为，同时进行人工审核和处理。

然而，需要注意的是，虽然机器学习在许多方面都很有用，但它并不能完全替代人工审核。有时候，模型可能会误报或漏报，因此人工审核仍然是必要的。此外，由于欺诈手段的不断变化和创新，反欺诈系统也需要不断更新和优化，以适应新的威胁和挑战。