عنوان پایان‌نامه
تدوین مدل چند سطحی پویای ایجاد پروفایل رفتاری برای کشف کلاهبرداری در پرداختهای الکترونیکی
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2343;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60086
- تاریخ دفاع
- ۱۸ تیر ۱۳۹۲
- دانشجو
- سهیل جمشیدی
- استاد راهنما
- محمود رضا هاشمی
- چکیده
- سرعت رشد و همه‌گیر شدن تجارت الکترونیکی در کنار مزایایی که برای سازمان‌های ارائه‌دهنده‌ی خدمات مالی دربر دارد، حوزه‌ی تأمل برانگیزی نیز برای کلاهبرداران به شمار می‌رود. لذا ارائه‌دهندگان خدمات تجارت الکترونیکی راهی جز تشخیص این سودجویی‌ها و اختلالات در نظام اقتصادی و به موجب آن فراهم‌سازی زیرساختی مناسب، کارا و ایمن برای پرداخت¬های الکترونیکی نخواهند داشت. بلوغ روش‌های تشخیص کلاهبرداری، کلاهبرداران را به استفاده از روابط پیچیده و روش‌های نوینی در فعالیت‌های مشکوک خود سوق داده است. لذا توجه بر این روابط از یک سو و تلاش برای ارائه راهکارهای موثر و عملیاتی برای شناسایی این روابط از سوی دیگر، می‌تواند راهکاری باشد که محققان برای بهبود وضعیت امنیتی تجارت الکترونیکی در پی‌گیرند. در این تحقیق با تکیه بر چالش‌های مذکور چارچوبی چندسطحی برای کشف کلاهبرداری با تمرکز بر روابط میان کلاهبرداران ارائه می‌شود. این چارچوب در دو بخش کشف کلاهبرداری و وزن‌دهی نظرات سیستم‌های کشف کلاهبرداری تشریح می‌شود. در بخش نخست در کنار روش‌های مرسوم کشف کلاهبرداری مبتنی بر پروفایل مشتریان، با بکارگیری روش‌های تحلیل شبکه‌های اجتماعی بر شبکه‌ی تعاملات مالی میان افراد، راهکاری جهت تشخیص کارآمد کلاهبرداری‌های رابطه‌ای ارائه می‌شود. ارزیابی‌های انجام شده در این بخش از بهبود نتایج در 60% موارد مورد بررسی حکایت دارند. نظر به پویایی و تغییرات مستمر روابط در شبکه تعاملات مالی مورد تحلیل، در مولفه‌ی به‌روزرسانی راهکار پویا و کارآمدی جهت به‌روزرسانی اطلاعات مورد استفاده پیشنهاد شده است. در این بخش نیز کاهش 90 درصدی حجم محاسبات لازم برای به‌روزرسانی شبکه مورد بررسی را داشتیم. هرچند با در نظر گرفتن جنبه‌های گوناگون رفتار مشتریان، می‌توان از سیستم‌های تشخیص کلاهبرداری گوناگونی با دقت بالایی استفاده نمود، اما گاهی بواسطه‌ی نظرات متناقضی که در مورد تعاملات و رفتارهای مختلف از خود بروز می‌دهند کار را برای تحلیلگری که از نظرات آنها استفاده می‌کند، دشوار می‌کنند. لذا در بخش پایانی، روش وزن‌دهی پویایی جهت استفاده همزمان از نظرات تشخیص‌گرهای گوناگون با تمرکز بر بهبود نتایج خروجی ارائه شده است که در این مورد نیز در نزدیک به 83% موارد، افزایش دقت تشخیص را گزارش نمودیم. بدین سان با بهره‌گیری از روش‌های مبتنی بر تحلیل شبکه‌های اجتماعی و در قالب چارچوب پیشنهادی توانستیم تشخیص دقیق‌تری در حوزه کلاهبرداری‌های رابطه‌ای داشته باشیم.
- Abstract
- With the fast paste of e-commerce growth and the ever increasing amount of electronic transactions, we witness a similar if not more significant increase in electronic fraud. Consequently, fraud detection systems need to update their methods and improve them by considering more sources of information to stay efficient. As fraud detection systems are growing, fraudsters are making their methods more sophisticated. The “safer fraud” is one of the known new strategies where complex relations are made in the financial network in order to commit fraud through trusted people. Concentrating on new challenges, this thesis proposes a multi-level framework for fraud detection trying to improve the fraud detection accuracy using social network analysis. The proposed framework consists of two main parts, fraud detection and the result weighting component. First a new component-based measure is introduced which concentrates on using social network analysis on networks of financial activities. This helps the detection system by feeding the information that is hidden in the relations among entities. In order to use it with profile-based data mining methods, existing data is enriched with social network analysis results as new attributes. Since one of the challenges of a real life electronic transaction system is the large amount of data and number of users, and also the financial activity networks are extremely dynamic, we proposed an efficient method to update financial network with less effort. Many fraud detection approaches have been proposed during recent years but none of them can be considered as a silver bullet for fraud detection. Combining the results of these different methods, by considering their accuracy as weights may be a first step solution in order to improve the accuracy of the overall system. However, many approaches are only accurate under certain conditions and in absence of these conditions they perform poorly and as a result get low weights which will not be counted at all. Consequently, the following research proposes a new multi-level model which returns the vector of results gathered from different methods of fraud detection. This vector includes a confidence factor along each assigned label. This helps the analyzer to decide whether the transaction is suspicious or not more effectively. Simulation results indicate that this framework is able to detect fraud scenarios that are not detected using conventional anomaly detection methods based on the normal behavior of cardholders. Furthermore, the proposed framework improves accuracy in about 60% of experiments using the proposed measure. It also decreases 90% of calculation costs by using the proposed scheme for updating the networks while improving the accuracy in 83% of experiments by using the multi-level result weighting component. Hence, the proposed framework provides a higher accuracy, while minimizing the calculation costs.
