Підвищення якості виявлення платіжного шахрайства внаслідок використання комбінованого підходу аналізу транзакцій
DOI:
https://doi.org/10.30837/2522-9818.2024.4.031Ключові слова:
машинне навчання; шахрайські транзакції; класифікація; кластеризація; інформативність ознак.Анотація
Предмет дослідження – методи виявлення шахрайських транзакцій. Метою роботи є підвищення якості виявлення платіжного шахрайства за допомогою використання комбінованого підходу аналізу транзакцій. Завдання: дослідити методи виявлення шахрайських транзакцій та запропонувати підхід для підвищення якості їх виявлення. Методи: штучний інтелект, машинне навчання. Досягнуті результати. Досліджено методи виявлення шахрайських транзакцій; розглянуто методи, основані на технології класифікації даних, зокрема XGBoost, SVC, Logistic Regression, Logistic Regression, AdaBoostClassifier, K-Nearest Neighbors, Isolation Forest, та побудовано їх програмні моделі. Як вихідних дані застосовано набір creditcard.csv, що містить транзакції, здійснені європейськими власниками карток, які відбулися за два дні, та містить 492 випадки шахрайства з 284807 транзакцій. Найкращий результат досягнутий унаслідок використання моделі на основі градієнтного бустингу, яка дає змогу обробляти незбалансовані дані. Виявлено, що f1-score за допомогою застосування параметра ваги класу меншості становить 86% для міноритарного класу. З метою підвищення якості виявлення шахрайства виконано кластеризацію розмічених даних на підкласи із використанням методу k-середніх. Кількість кластерів, що дорівнює 12, визначено методом "ліктя". Це дало змогу підвищити якість мультикласифікації. З’ясовано, що якість моделі значно покращилась. F1-score становить від 96 до 100% для різних підкласів. Оцінено інформативності ознак у межах кожного підкласу алгоритмом градієнтного бустингу. Результати експерименту показали різний вплив ознак на належність до підкласу, що дає змогу більш детально проаналізувати дані з метою виявлення в них прихованих структур. Висновки. Наукова новизна досягнутих результатів полягає в комбінованому використанні методів класифікації та кластеризації даних для виявлення шахрайських транзакцій, що дало змогу зменшити кількість помилок другого роду. Оцінювання інформативності ознак у межах різних типів (підкласів) шахрайських транзакцій допомагає визначити, які ознаки найбільше впливають на належність об’єкта до того чи іншого підкласу.
Посилання
References
Ivanna, Hordiichuk (2023), ''V Ukraini zafiksovano anomalnu aktyvnist shakhraiv''. available at: https://glavcom.ua/country/criminal/v-ukrajini-zafiksovano-anomalnu-aktivnist-shakhrajiv-959941.html
''U merezhi aktyvizuvalysia shakhrai, yaki proponuiut ukraintsiam «dopomohu» vid mizhnarodnykh orhanizatsii''. available at: https://www.ukrinform.ua/rubric-society/3702800-u-merezi-aktivizuvalisa-sahrai-aki-proponuut-ukraincam-dopomogu-vid-miznarodnih-organizacij.html
Viktoriia, Telechuk ''U Facebook diie fishynhova skhema shakhraistva: yak vberehtysia''. available at: https://rayon.in.ua/news/575310-u-facebook-die-fishingova-skhema-shakhraystva-yak-vberegtisya
Voinarska, I. A. (2021), ''Shakhraistvo u nerukhomosti, Ekonomika. Finansy''. Pravo. № 4. Р. 31–32. available at: http://nbuv.gov.ua/UJRN/ecfipr_2021_4_8
''Kartkovi shakhrai hrabuiut ukraintsiv sylnishe: yaki skhemy vynakhodiat i yak zakhystytysia'' (2024). available at: https://minfin.com.ua/ua/credits/articles/kartochnye-moshenniki-grabyat-ukraincev-silnee-kakie-shemy-izobretayut-i-kak-zaschititsya/
Kaprian, Yu. (2023), ''Vykorystannia mashynnoho navchannia dlia borotby z bankivskym shakhraistvom'', Biznes Inform. № 7. Р. 140–145. available at: https://www.businessinform.net/_inc/kachka_pdf.php?year=2023&volume=7_0&pages=140_145&qu=%D1%88%D0%B0%D1%85%D1%80%D0%B0%D0%B
Sinha, A. and Mokha, S. (2017), ''Classification and fraud detection in finance industry '', International Journal of Computer Applications, Vol. 176, no. 3, P. 45–52. DOI: https://doi.org/10.5120/ijca2017915570
Gavrylenko , S., Poltoratskyi , V., & Nechyporenko , A. (2024), ''Intrusion detection model based on improved transformer'', Advanced Information Systems, 8(1), P. 94–99. DOI: https://doi.org/10.20998/2522-9052.2024.1.12
Gavrylenko, S., Chelak, V., Hornostal O. (2021), ''Ensemble approach based on bagging and boosting for Identification the Computer System State'', Proceedings of the 31th International Scientific Symposium Metrology and Metrology Assurance (ММА).Sozopol, Bulgaria, P. 1–7. available at: https://ieeexplore.ieee.org/document/9610949
Lepoivre, M. (2016), ''Credit Card Fraud Detection with Unsupervised Algorithms'', Journal of Advances in Information Technology, Vol. 7, no. 1. P. 34–38. DOI: https://doi.org/10.12720/jait.7.1.34-38
Leonard, K. (1993), ''Detecting credit card fraud using expert systems'', Computers & Industrial Engineering. 1993. Vol. 25, no. 1-4. P. 103–106. DOI: https://doi.org/10.1016/0360-8352(93)90231-l
Abhishek, A. (2021), ''Predictive Analytics with Machine Learning for Fraud Detection'', International Journal for Research in Applied Science and Engineering Technology, Vol. 9, no. 11. P. 1518–1520. DOI: https://doi.org/10.22214/ijraset.2021.39046
Vanarote, V. (2021), ''Transaction Fraud Detection (Anomaly detection) using Machine Learning'', International Journal of Advanced Research in Science, Communication and Technology, P. 361–363. DOI: https://doi.org/10.48175/ijarsct-1402
Nadisha, A., Rakendu R, Surekha M. (2015), ''A Hybrid Approach to Detect Credit Card Fraud'', International Journal of Scientific and Research Publications, Vol. 5, Issue 11, P. 304–314. available at: https://www.ijsrp.org/research-paper-1115.php?rp=P474793
Gavrylenko, S., Zozulia, V., and Khatsko, N. (2023), ''Methods for Improving the Quality of Classification on Imbalanced Data'', Proceedings of the IEEE 4th KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, P. 1–5. DOI: https://doi.org/10.20998/2522-9052.2024.1.12
Hajek, P, Abedin M., Sivarajah, U. (2022), ''Fraud Detection in Mobile Payment Systems using an XGBoost-based Framework'', Inf Syst Front, P. 1–19. DOI: https://doi.org/10.1007/s10796-022-10346-6
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
