Сравнительный анализ методов обнаружения мошеннических транзакций в системе дистанционного банковского обслуживания

Воробьева А. А., Менщиков А. А., Родиманова Е. С., Перфильев В. Э., Татаров Д. А., Баранова О. М.

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.