Розробка методу виявлення шахрайства в різнорідних даних при інсталюванні мобільних додатків

Автор(и)

  • Tetiana Polhul Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021, Україна https://orcid.org/0000-0002-0379-1392
  • Andrii Yarovyi Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021, Україна https://orcid.org/0000-0002-6668-2425

DOI:

https://doi.org/10.15587/1729-4061.2019.155060

Ключові слова:

виявлення шахрайства, різнорідні дані, інсталювання мобільних додатків, аномалії в даних, шкалювання даних

Анотація

Запропоновано метод виявлення шахрайства при інсталюванні мобільних додатків. Розроблений метод на відміну від існуючих використовує всі наявні дані, незалежно від типів, розмірності і розбіжності цих даних та перетворює такі дані до однорідних коефіцієнтів на основі запропонованого методу шкалювання. Такий підхід дозволяє підвищити точність розв'язання задачі та побудувати відкриту до розширення базу знань з характеристиками шахраїв та правилами виявлення користувачів-шахраїв. Розроблена система шкал для переводу різнорідних даних до однорідних коефіцієнтів, яка дозволила побудувати математичну модель процесу шкалювання. Розроблено алгоритм шкалювання різнорідних масивів даних на основі запропонованих шкал та математичної моделі процесу шкалювання великих масивів різнорідних даних, що дозволило всю множину даних привести до двох однорідних груп. Запропоновано алгоритми обробки отриманих груп однорідних даних та виявлення користувачів-шахраїв. Розроблені алгоритми з використанням коефіцієнтів схожості між характеристиками користувачів формують шаблони шахраїв, визначають характеристики та залежності користувачів-шахраїв, що дозволяє підвищити ефективність та швидкість процесу виявлення шахраїв. Була запропонована схема процесу виявлення шахраїв, що використана в інтелектуальній системі автоматичного виявлення шахраїв для проведення експериментальних досліджень. За результатами експериментальних досліджень отримана точність визначення шахраїв на заданій репрезентативній вибірці 99,14 %. Результати експериментальних досліджень показали ефективність автоматичного виявлення шахраїв та можливість розширення форматів та характеристик користувачів-шахраїв на основі інтелектуального аналізу і баз знань

Біографії авторів

Tetiana Polhul, Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021

Аспірант

Кафедра комп’ютерних наук

Andrii Yarovyi, Вінницький національний технічний університет вул. Хмельницьке шосе, 95, м. Вінниця, Україна, 21021

Доктор технічних наук, професор, завідувач кафедри

Кафедра комп’ютерних наук

Посилання

  1. Chandola, V., Banerjee, A., Kumar, V. (2009). Anomaly detection. ACM Computing Surveys, 41 (3), 1–58. doi: https://doi.org/10.1145/1541880.1541882
  2. Song, X., Wu, M., Jermaine, C., Ranka, S. (2007). Conditional Anomaly Detection. IEEE Transactions on Knowledge and Data Engineering, 19 (5), 631–645. doi: https://doi.org/10.1109/tkde.2007.1009
  3. Gricenko, A. V. (2012). Tipy anomaliy v videoizobrazheniyah. Tekhnicheskie nauki – ot teorii k praktike: sbornik statey po materialam VII mezhdunarodnoy nauchno-prakticheskoy konferencii. Chast' I. Novosibirsk: SibAK. Available at: https://sibac.info/conf/tech/vii/26730
  4. Prado-Romero, M. A., Gago-Alonso, A. (2016). Detecting contextual collective anomalies at a Glance. 2016 23rd International Conference on Pattern Recognition (ICPR). doi: https://doi.org/10.1109/icpr.2016.7900017
  5. Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Aurélien Géron, O’Reilly Media, 574.
  6. Cielen, D., Meysman, A. D. B., Ali, M. (2016). Introducing Data Science: Big data, machine learning, and more, using Python tools. Manning, 320.
  7. Guido, S., Müller, A. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, 400.
  8. Chollet, F. (2017). Deep Learning with Python. Manning, 384.
  9. Agrawal, R., Srikant, R. (1995). Mining sequential patterns. Proceedings of the Eleventh International Conference on Data Engineering. doi: https://doi.org/10.1109/icde.1995.380415
  10. Agarwal, D. (2005). An Empirical Bayes Approach to Detect Anomalies in Dynamic Multidimensional Arrays. Fifth IEEE International Conference on Data Mining (ICDM'05). doi: https://doi.org/10.1109/icdm.2005.22
  11. Siaterlis, C., Maglaris, B. (2004). Towards multisensor data fusion for DoS detection. Proceedings of the 2004 ACM symposium on Applied computing – SAC '04. doi: https://doi.org/10.1145/967900.967992
  12. Agarwal, D. (2006). Detecting anomalies in cross-classified streams: a Bayesian approach. Knowledge and Information Systems, 11 (1), 29–44. doi: https://doi.org/10.1007/s10115-006-0036-4
  13. MachineLearning.ru. Professional'nyy informacionno-analiticheskiy resurs, posvyashchennyy mashinnomu obucheniyu, raspoznavaniyu obrazov i intellektual'nomu analizu dannyah. Available at: http://www.machinelearning.ru
  14. Polhul, T. D., Yarovyi, A. A. (2016). Vyznachennia shakhraiskykh operatsiy pry vstanovlenni mobilnykh dodatkiv z vykorystanniam intelektualnoho analizu danykh. Suchasni tendentsiyi rozvytku systemnoho prohramuvannia. Tezy dopovidei. Kyiv, 55–56. Available at: http://ccs.nau.edu.ua/wp-content/uploads/2017/12/%D0%A1%D0%A2%D0%A0%D0%A1%D0%9F_2016_07.pdf
  15. Polhul, T. D., Yarovyi, A. A. (2017). Vyznachennia shakhraiskykh operatsiy pry instaliatsiyi mobilnykh dodatkiv z vykorystanniam intelektualnoho analizu danykh. Materialy XLVI naukovo-tekhnichnoi konferentsiyi pidrozdiliv VNTU. Vinnytsia. Available at: http://ir.lib.vntu.edu.ua/bitstream/handle/123456789/17200/2158.pdf?sequence=3
  16. Yarovyі, A. A., Romanyuk, O. N., Arsenyuk, I. R., Polhul, T. D. (2017). Program applications install fraud detection using data mining. Naukovi pratsi Donetskoho natsionalnoho tekhnichnoho universytetu. Seriya: “Informatyka, kibernetyka ta obchysliuvalna tekhnika”, 2 (25), 126–131. Available at: http://science.donntu.edu.ua/wp-content/uploads/2018/03/ikvt_2017_2_site-1.pdf
  17. Yarovyi, A., Polhul, T., Krylyk, L. (2018). Rozrobka metodu vyiavlennia shakhraistva pry instaliuvanni mobilnykh dodatkiv z vykorystanniam intelektualnoho analizu danykh. Materialy konferentsiyi «XLVII Naukovo-tekhnichna konferentsiya pidrozdiliv Vinnytskoho natsionalnoho tekhnichnoho universytetu (2018)». Vinnytsia. Available at: http://ir.lib.vntu.edu.ua/bitstream/handle/123456789/22722/079.pdf?sequence=1
  18. Kiulian, A. H., Polhul, T. D., Khazin, M. B. (2012). Matematychna model rekomendatsiynoho servisu na osnovi metodu kolaboratyvnoi filtratsiyi. Kompiuterni tekhnolohiyi ta Internet v informatsiynomu suspilstvi, 226–227. Available at: http://ir.lib.vntu.edu.ua/bitstream/handle/123456789/7911/226-227.pdf?sequence=1&isAllowed=y
  19. Segaran, T. (2008). Programming Collective Intelligence. Building Smart Web 2.0 Applications. O’Reilly Media, 368.
  20. Yeung, D.-Y., Chow, C. (2002). Parzen-window network intrusion detectors. Object recognition supported by user interaction for service robots. doi: https://doi.org/10.1109/icpr.2002.1047476
  21. Hodge, V. J., Austin, J. (2004). A Survey of Outlier Detection Methodologies. Artificial Intelligence Review, 22 (2), 85–126. doi: https://doi.org/10.1007/s10462-004-4304-y
  22. Agyemang, M., Barker, K., Alhajj, R. (2006). A comprehensive survey of numeric and symbolic outlier mining techniques. Intelligent Data Analysis, 10 (6), 521–538. doi: https://doi.org/10.3233/ida-2006-10604
  23. Keogh, E., Lin, J., Fu, A. (2005). HOT SAX: Efficiently Finding the Most Unusual Time Series Subsequence. Fifth IEEE International Conference on Data Mining (ICDM’05). doi: https://doi.org/10.1109/icdm.2005.79
  24. Keogh, E., Lin, J., Lee, S.-H., Herle, H. V. (2006). Finding the most unusual time series subsequence: algorithms and applications. Knowledge and Information Systems, 11 (1), 1–27. doi: https://doi.org/10.1007/s10115-006-0034-6
  25. Donoho, S. (2004). Early detection of insider trading in option markets. Proceedings of the 2004 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining – KDD ’04. doi: https://doi.org/10.1145/1014052.1014100
  26. Fu, A. W., Leung, O. T.-W., Keogh, E., Lin, J. (2006). Finding Time Series Discords Based on Haar Transform. Lecture Notes in Computer Science, 31–41. doi: https://doi.org/10.1007/11811305_3
  27. Yarovyi, A. A., Polhul, T. D. (2015). Pidvyshchennia produktyvnosti obchysliuvalnykh protsesiv v paralelno-ierarkhichniy merezhi za dopomohoiu Framework Benchmark Akka. Zbirnyk tez dopovidi VII Mizhnarodnoi naukovo-tekhnichnoi konferentsiyi «Fotonika ODS-2015». Vinnytsia, 9.
  28. Baudat, G., Anouar, F. (2000). Generalized Discriminant Analysis Using a Kernel Approach. Neural Computation, 12 (10), 2385–2404. doi: https://doi.org/10.1162/089976600300014980
  29. Yarovyi, A. A., Polhul, T. D. (2018). Kompiuterna prohrama «Prohramnyi modul zboru danykh informatsiynoi tekhnolohiyi» vyiavlennia shakhraistva pry instaliuvanni prohramnykh dodatkiv. Cvidotstvo pro reiestratsiu avtorskoho prava na tvir No. 76348. Kyiv: Ministerstvo ekonomichnoho rozvytku i torhivli Ukrainy.
  30. Yarovyi, A. A., Polhul, T. D. (2018). Kompiuterna prohrama «Prohramnyi modul vyznachennia skhozhosti korystuvachiv informatsiynoi tekhnolohiyi vyiavlennia shakhraistva pry instaliuvanni prohramnykh dodatkiv». Cvidotstvo pro reiestratsiu avtorskoho prava na tvir No. 76347. Kyiv: Ministerstvo ekonomichnoho rozvytku i torhivli Ukrainy.

##submission.downloads##

Опубліковано

2019-01-24

Як цитувати

Polhul, T., & Yarovyi, A. (2019). Розробка методу виявлення шахрайства в різнорідних даних при інсталюванні мобільних додатків. Eastern-European Journal of Enterprise Technologies, 1(2), 65–75. https://doi.org/10.15587/1729-4061.2019.155060

Номер

Том 1 № 2 (2019): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2019 Tetiana Polhul, Andrii Yarovyi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.