Сравнительный анализ методов обнаружения мошеннических транзакций в системе дистанционного банковского обслуживания
Читать статью полностью
Сравнительный анализ методов обнаружения мошеннических транзакций в системе дистанционного банковского обслуживания(1,02 MB)Аннотация
Исследованы вопросы выявления мошеннических транзакций в системах дистанционного банковского обслуживания (ДБО). Рассмотрена возможность детектирования мошеннических действий в режиме реального времени на базе машинного обучения с использованием поведенческой биометрии для формирования представления об особенностях использования клиентами гаджетов и онлайн-банкинга, направленная на предотвращение мошеннических действий. Определены основные виды атак на системы ДБО, рассмотрены основные методы обнаружения мошеннических транзакций и проведен их сравнительный анализ. Произведена интегральная оценка методов обнаружения мошеннических транзакций. Выявлены наиболее надежные и перспективные методы обнаружения мошеннических транзакций в системах ДБО.
Ключевые слова:
мошеннические транзакции – fraudulent transactions; системы ДБО – RBS system; машинное обучение – machine learning; обнаружение мошенничества – fraud detection.
Список литературы
1. Group-IB представила отчет о киберпреступности и призвала рынок к хантингу [Электронный ресурс]. – Режим доступа: https://www.group-ib.ru/media/hi-tech-crimetrends-2018/ [дата обращения: 30.10.2020], свободный. – Загл. с экрана.
2. Банк России. Обзор операций, совершенных без согласия клиентов финансовых организаций за 2019 год [Электронный ресурс]. – Режим доступа: https://www.cbr.ru/Content/Document/File/103609/Review_of_transactions_2019.pdf [дата обращения: 30.10.2020], свободный. – Загл. с экрана.
3. «Коктейль безопасности»: защита от финансовых мошенников [Электронный ресурс]. – Режим доступа: https://safe-tech.ru/publications/koktejl-bezopasnosti-zashhitaot-finansovyh-moshennikov [дата обращения: 30.10.2020], свободный. – Загл. с экрана.
4. Магомедов, Ш. Г. Обнаружение аномалий с помощью машинного обучения и анализа графов в задачах борьбы с цифровым мошенничеством / Ш.Г. Магомедов, С.А. Павельев, А.С. Добротворский // Информационные технологии в экономике и управлении. Материалы III Всероссийской научно-практической конференции, Махачкала, 2018. – С. 50–55.
5. High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning / Erfani S. M. [etal.] // Pattern Recognition. – 2016. – Vol. 58. – P. 121–134.
6. Liu, F. T. Isolation forest / F.T. Liu, K.M. Ting, Z.H. Zhou // 2008 Eighth IEEE International Conference on Data Mining, 2008. – P. 413–422.
7. Anomaly detection by clustering ellipsoids in wireless sensor networks / M. Moshtaghi [et al.] // 2009 International Conference on Intelligent Sensors, Sensor Networks and Information Processing (ISSNIP), 2009. – P. 331–336.
8. Chalapathy, R. Anomaly detection using one-class neural networks / R. Chalapathy, A.K. Menon, S. Chawla // arXiv preprint arXiv:1802.06360. – 2018.
9. Omar, S. Machine learning techniques for anomaly detection: an overview / S. Omar, A. Ngadi, H.H. Jebur // International Journal of Computer Applications. – 2013. – Vol. 79. – No. 2. – P. 33–41.
10. Curiac, D. I. Ensemble based sensing anomaly detection in wireless sensor networks / D.I. Curiac, C. Volosencu // Expert Systems with Applications. – 2012. – Vol. 39, No. 10. – P. 9087–9096.
11. Фаизов, Э. И. Выявление мошеннических операций клиентов банка на основе методов интеллектуального анализа данных / Э.И. Фаизов, Т.Н. Шамуратов // Математическое моделирование процессов и систем. Материалы VII Международной молодежной научно-практической конференции. Уфа, 7–9 декабря 2017. – С. 316–318.
12. Сапожникова, М. Ю. Алгоритмы интеллектуального анализа данных банковских транзакций в составе системы противодействия финансовому мошенничеству / М.Ю. Сапожникова, А.М. Вульфин, М.М. Гаянова // Информационные технологии интеллектуальной поддержки принятия решений. Труды V Всероссийской конференции (с приглашением зарубежных ученых). Уфа, 16–19 мая 2017. – С. 25–32.
13. A Fraud Detection Decision Support System via Human On-Line Behavior Characterization and Machine Learning / G.A. Susto [et al.] // 2018 First International Conference on Artificial Intelligence for Industries (AI4I), 2018. – P. 9–14.
14. Khodabakhshi, M. Fraud detection in banking using knn (k-nearest neighbor) algorithm / M. Khodabakhshi, M. Fartash // Proceedings of the 5th international conference on research in science and technology. – 2016. – Vol. 5. – P. 27–34.
15. BankSealer: A decision support system for online banking fraud analysis and investigation / M. Carminati [etal.] // Computers & Security. – 2015. – Vol. 53. – P. 175–186.
16. Eshghi, A. Introducing a new method for the fusion of fraud evidence in banking transactions with regards to uncertainty / A. Eshghi, M. Kargari // Expert Systems with Applications. – 2019. – Vol. 121. – P. 382–392.
17. Armel, A. Fraud Detection Using Apache Spark / A. Armel, D. Zaidouni // Proceeding of 2019 5th International Conference on Optimization and Applications (ICOA). – IEEE, 2019. – P. 1–6.