Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе
Розглядається алгоритм виявлення шахрайських операцій з пластиковими картками в платіжній системі. Запропонований підхід використовує нейромережевий метод карт Кохонена, що самоорганізуються, який дозволяє в процесі навчання автоматично виробляти правила обробки транзакцій та періодично їх удоскона...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2006 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2006
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/206941 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе / В.А. Заславский, А.А. Стрижак // Проблемы управления и информатики. — 2006. — № 6. — С. 128-141. — Бібліогр.: 13 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859974675129434112 |
|---|---|
| author | Заславский, В.А. Стрижак, А.А. |
| author_facet | Заславский, В.А. Стрижак, А.А. |
| citation_txt | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе / В.А. Заславский, А.А. Стрижак // Проблемы управления и информатики. — 2006. — № 6. — С. 128-141. — Бібліогр.: 13 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Розглядається алгоритм виявлення шахрайських операцій з пластиковими картками в платіжній системі. Запропонований підхід використовує нейромережевий метод карт Кохонена, що самоорганізуються, який дозволяє в процесі навчання автоматично виробляти правила обробки транзакцій та періодично їх удосконалювати з урахуванням динаміки зміни інформації в автоматизованій системі.
Algorithm of fraud detection in payment system is given. Proposed approach is based on the neuronet method of selforganizing maps. This allows to develop rules of transactions analysis automatically while learning and update them in correspondence with dynamic changes of information in automated system.
|
| first_indexed | 2025-12-07T16:22:57Z |
| format | Article |
| fulltext |
© В.А. ЗАСЛАВСКИЙ, А.А. СТРИЖАК, 2006
128 ISSN 0572-2691
УДК 331.211
В.А. Заславский, А.А. Стрижак
ПРИМЕНЕНИЕ САМООРГАНИЗУЮЩИХСЯ
КАРТ ДЛЯ ВЫЯВЛЕНИЯ МОШЕННИЧЕСКИХ
ТРАНЗАКЦИЙ В ПЛАТЕЖНОЙ СИСТЕМЕ
Введение. Выпуск пластиковых карточек (ПК) — важнейшая тенденция раз-
вития технологии безналичных расчетов, которая активно внедряется в жизнь в
банковской системе Украины. По данным Национального банка Украины, общее
количество ПК, эмитированных украинскими банками за первое полугодие 2004 г.,
увеличилось на 26 % (2988 тыс. шт.) и на 1 июля 2004 г. составило 14517 тыс. [1],
а в мире в настоящее время насчитывается около миллиарда ПК.
Бизнес в сфере денежного обращения с использованием банковских ПК слу-
жит постоянной мишенью для преступных посягательств. Методы борьбы против
мошенничества с ПК постоянно совершенствуются, однако убытки банков в мире
составляют миллионы долларов США. По оценкам экспертов платежной системы
(ПС) Visa International, годовой прирост по отдельным видам мошенничества ожи-
дается до 65 %. Прогнозы Association for Payment Clearing Services (APACS) на
2008 год говорят об убытках от мошенничества на одну ПК в размере 11 долл.
США [2].
Финансовое мошенничество с использованием ПК совершается различными
способами и построено на несанкционированном списании средств со счетов кли-
ентов банка — владельцев ПК [3]. Наиболее распространенные способы мошен-
ничества следующие: незаконное использование потерянных или украденных ПК;
сбор данных о реально существующих ПК с целью создания и дальнейшего ис-
пользования поддельных карт (в том числе копирование магнитной полосы); мо-
шенническое (без ведома законного картодержателя) использование реквизитов
ПК для оплаты операций в Интернете и т.д. [4, 5]. Различных вариантов мошен-
ничества достаточно много, они постоянно изменяются, появляются новые спосо-
бы, и в то же время постоянно совершенствуется защита ПК. Банки — участни-
ки ПС и платежные организации раньше решали проблемы борьбы с мошенниче-
ством в основном за счет организационных мер: ограничение сумм и количества
операций, совершаемых картодержателями, отслеживание транзакций, совершае-
мых в странах с повышенным уровнем риска, применение различных методов ве-
рификации ПК и т.п. [5, 6]. При современном риск-менеждменте с ПК задача ПС
и любого банка состоит в проведении мероприятий по предупреждению мошен-
ничества, а также по его своевременному обнаружению и предотвращению.
Распространение по всему миру различного рода ПК связано со стремитель-
ным развитием технологий электронной коммерции и их массовым внедрением
банками. Резкое увеличение количества совершаемых транзакций, в том числе че-
рез Интернет, поставило перед банками новые задачи и условия ведения борьбы с
электронным карточным мошенничеством. VISA International и MasterCard Inter-
national требуют от своих банков-участников в разных странах действенных мер
по снижению количества мошеннических операций в сети обслуживания и реко-
мендуют переходить от методов последействия (reaction) к методам упреждения
(proaction) мошеннических операций с ПК [2].
ПС и банки для эффективного выявления и предотвращения мошенничества
с ПК используют автоматизированные системы мониторинга, которые в общем
потоке транзакций выявляют подозрительные, предупреждают о них аналитиков
Проблемы управления и информатики, 2006, № 6 129
и предоставляют им информацию, необходимую для расследования и принятия
решения. Такие системы позволяют банкам — эмитентам и эквайерам укреплять
защиту от мошенничества, снижать риски и потери как самих банков, так и их
клиентов [3].
Построение таких автоматизированных систем для процессингового центра
(ПЦ) и банков требует разработки специальных моделей, методов и правил анали-
за, которые создают образы источников риска, моделируют поведение картодер-
жателей, способы упреждения мошеннических операций, а также генерируют ва-
рианты принимаемых решений при возникновении опасных ситуаций. В данной
статье предлагаются модели и алгоритмы для структуризации признаков, класси-
фикации и выявления возможных мошеннических операций с ПК в ПС.
1. Постановка задачи. Банки — участники ПС ведут базы данных (БД) всех
эмитированных ними ПК, которые находятся в обращении в ПС. По каждой карте
в БД содержится информация о ее номере, номере связанного с ней картсчета,
установленных лимитах операций, текущем состоянии картсчета (баланс счета),
а также основные сведения о владельце ПК. Обозначим },,,,{ 1 nkkn cccC =
— множество записей в БД о ПК, используемых в ПС, где ),,,( 21
k
s
kk
k cccc = —
запись в БД со сведениями о карте, компонента kc1 — уникальный номер ПК.
В ПЦ ПС по каналам связи поступают транзакции (транзакционные сообще-
ния) — информация об операциях, выполняемых с ПК (оплата товаров или услуг,
получение наличных или информации о состоянии картсчета и т.п.). Формат тран-
закции, как правило, соответствует стандарту ISO 8583 и содержит сведения о
всех параметрах выполняемой операции: номер ПК, сумма транзакции, дата и
время операции, тип выполненной операции, номер банкомата или терминала, код
торговца и т.п.
Рассмотрим формальное представление транзакций для их дальнейшего ана-
лиза. Обозначим },,,,{ 1 ni
n xxxX = — множество транзакций, выполненных
в ПС к некоторому моменту времени ,nt где вектор ),,,,( 1
i
m
i
j
ii xxxx = —
сообщение об i-й транзакции, i
jx — ее j-я компонента. Компонента
ix1 считается
номером ПК, по которой совершена транзакция.
Каждая компонента i
jx сообщения ix представляет собой числовую инфор-
мацию (например, сумма транзакции), которая выбирается на множестве действи-
тельных чисел R, ,Rxi
j или символьную информацию (тип операции, код тор-
говца, город, в котором расположен терминал, и т.д.). Символьных компонент i
jx
в транзакции большинство, и они принимают значения из некоторого дискретного
множества },,,,,{ 1 js
j
s
jjj
i
j Tx = где s
j — s-е уникальное значение сим-
вольной компоненты .i
jx Например, компонента i
jx — «тип терминала» — при-
нимает значения из множества jT ={‘ATM’, ‘POS’}, где ‘АТМ’ указывает на то,
что транзакция была выполнена в банкомате, а значение ‘POS’ — на POS-терми-
нале (Point-Of-Sale).
Поскольку в ПС совершаются новые транзакции, то множество nX с течением
времени постоянно пополняется. Транзакции, совершенные в промежуток времени
после nt и до ,knt + будем считать новыми и обозначим .,,, 21 knnn xxx +++
130 ISSN 0572-2691
Обозначим },{ 1 n
i
k
ii
c XxcxxX
k
== множество транзакций ,nc XX
k
совершенных в ПС при помощи карты nk Cc к моменту времени .nt
Задача выявления мошеннических транзакций в ПС состоит в том, чтобы при
поступлении в ПЦ каждой новой транзакции ),,,,( 111
1
1 ++++ = n
m
n
j
nn xxxx на
основе информации в БД о ПК — nC и о ранее выполненных транзакциях — nX
классифицировать транзакцию ,1+nx т.е. определить класс, к которому она при-
надлежит (законная (legal) или мошенническая (fraud)).
2. Анализ задачи классификации транзакций и методы ее решения.
Существуют различные подходы к решению поставленной задачи классифика-
ции транзакций. Наиболее простой метод, который используется в системах мо-
ниторинга транзакций в ПС, — проверка параметров 1+n
jx транзакции =+1nx
),,,,( 111
1
+++= n
m
n
j
n xxx на удовлетворение заранее установленным пороговым
значениям [5]. Пороговые значения },,,,{ *1 ssn lllL = — это критические
уровни для значений наиболее важных параметров ,,,,, 111
*1
+++ n
j
n
j
n
j ss
xxx они за-
даются экспертами на основе опыта и знаний предметной области. Если, напри-
мер, для некоторого s справедливо ,)(1
s
n
j
lx
s
+ то транзакция ,1+nx с учетом
данного показателя, считается мошеннической.
Другой подход для проверки транзакции 1+nx — использование некоторого
набора правил },,,,,{ *1 ii RRRR = описывающих мошеннические транзак-
ции [5], которые задаются экспертами на основе анализа больших объемов ранее
выполненных транзакций и поиска в них мошеннических. Каждое правило ,iR
,,,1 = ii представляет собой структуру типа THENУсловиеIF: iiR Транзак-
ция 1+n
jx мошенническая, т.е. транзакция 1+nx — мошенническая если она удо-
влетворяет условию какого-либо правила .RRi
Указанные методы фактически основываются на предварительном задании
фиксированных шаблонов мошенничества и проверки каждой новой транзакции
на их соответствие. Эти методы положены в основу первых автоматизированных
систем для обнаружения мошенничества с ПК, однако они имеют существенные
недостатки [5, 6], а именно:
— автоматизированные системы, основанные на правилах, позволяют вы-
явить только те подозрительные ситуации, на которые они ориентированы, и не
учитывают постоянно изменяющуюся природу мошенничества;
— набор правил необходимо изменять и дополнять вручную для того, чтобы
он соответствовал текущим способам мошенничества;
— система правил общая для всех картодержателей и не учитывает их инди-
видуальных особенностей, что может быть причиной неверной классификации
транзакций;
— управление такой системой правил довольно сложно для экспертов.
В данной работе для автоматизации и повышения уровня эффективности де-
ятельности экспертов при классификации транзакций в ПС предлагается исполь-
зовать современные методы теории нейронных сетей, нечеткой логики, теории ве-
роятностей, математической статистики и другие методы data mining для автомати-
зированного создания шаблонов мошеннических транзакций на основе имеющейся
истории и постоянного ее обновления [5, 7, 8].
Проблемы управления и информатики, 2006, № 6 131
Рассмотрим один из активно используемых нейросетевых методов (самоор-
ганизующиеся карты Кохонена) для анализа транзакций и выявления мошенниче-
ского поведения [9, 10].
3. Принципы классификации транзакций в ПС. Задачу обнаружения мо-
шенничества с ПК можно рассматривать как задачу распознавания образов и
классификации [7, 11]. Множество nX всех транзакций, совершаемых в ПС,
необходимо разделить на два непересекающихся подмножества: n
l
n XX —
подмножество законных транзакций и n
f
n XX — подмножество мошенниче-
ских транзакций, .= f
n
l
n XX Если предположить, что численные образы за-
конной и мошеннической транзакций принадлежат разным областям в некотором
многомерном пространстве, то при распознавании текущей транзакции 1+nx
необходимо принять решение о ее принадлежности к определенному классу [6]. В
основу выполнения такой классификации может быть положена проверка следу-
ющих двух гипотез.
А. Гипотеза .lH Транзакция ),,,,( 111
1
1 ++++ = n
m
n
j
nn xxxx карты kc по-
добна всем предыдущим транзакциям из множества ,
kcX выполненным карто-
держателем. Если для транзакции 1+nx гипотеза lH подтверждается, то 1+nx
классифицируется как законная и 1+nx включается в множество .l
nX
Б. Гипотеза .fH Транзакция ),,,,( 111
1
1 ++++ = n
m
n
j
nn xxxx подобна ранее
совершенным мошенническим транзакциям из множества if
n xX {= — признаны
мошенническими }n
i Xx . Если для транзакции 1+nx гипотеза fH подтвер-
ждается, то 1+nx классифицируется как мошенническая и добавляется в множе-
ство .f
nX
Для осуществления быстрой проверки гипотез lH и fH эффективно ис-
пользование нейросетевых алгоритмов классификации, т.е. реализация идеи
создания и распознавания образа «законного картодержателя», а также образа
«мошенника» на основе «изучения» нейронной сетью ранее выполненных тран-
закций nX и создания правил поведения картодержателя и мошенников. Обуча-
ющие алгоритмы позволяют автоматизированной системе следить за поведением
картодержателя и самостоятельно адаптироваться к изменению его поведения. В
случае несоответствия проверяемой транзакции образу «законного картодержате-
ля» или «мошенника» она анализируется дополнительно.
Один из наиболее подходящих методов анализа данных для рассматриваемой
задачи — самоорганизующиеся карты Кохонена (разновидность нейросетевых ал-
горитмов обучения без учителя) [9]. Нейронные сети данного типа часто приме-
няются для решения различных задач — от восстановления пропусков в данных
до анализа данных и поиска закономерностей.
4. Анализ транзакций на основе самоорганизующихся карт Кохонена.
Самоорганизующаяся карта — это нейросеть с прямым распространением ин-
формации и неуправляемым алгоритмом обучения, которая при помощи процесса
самоорганизации конфигурирует выходные нейроны в соответствии с топологи-
ческим представлением исходных данных [10, 11]. Алгоритм самоорганизующих-
ся карт позволяет представить фиксированное количество точек данных через
меньшее количество точек-образов, каждый из которых представляет и заменяет
собой локальное сгущение данных.
132 ISSN 0572-2691
Сеть Кохонена имеет два слоя: входной и выходной, составленный из ра-
диальных нейронов упорядоченной структуры (выходной слой называют так-
же слоем топологической карты). Нейроны выходного слоя располагаются в узлах
двумерной решетки с прямоугольными или шестиугольными ячейками , их
количество определяет степень детализации результата работы алгоритма и точ-
ность обобщающей способности карты. Пусть нейросеть состоит из d нейро-
нов ,1 .,,2 d Для каждого нейрона i определяется вектор весов =iw
),,,,( 21
i
q
ii www = ,,1 di = где q — размерность входного вектора.
Процесс самоорганизации основывается на конкурентом обучении и заклю-
чается в подстраивании весов iw для нейронов ,i ,,1 di = методом последова-
тельных приближений с учетом их значений на предыдущих итерациях [10, 12].
Нейросети предъявляется набор входных данных — обучающий пример =ja
),,,( 21
j
q
jj
aaa = размерности q. Нейроны в выходном слое начинают конкуриро-
вать друг с другом, и лучшим считается нейрон, ближайший (в смысле евклидова
расстояния) ко входному образцу. Веса входных соединений нейрона-победителя,
а также нейронов из некоторой его окрестности корректируются — перемещают-
ся в направлении входного примера следующим образом:
)),()()(()()1( twtathtwtw i
s
j
s
i
s
i
s −+=+ ,,1 qs = ,,1 di = (1)
где t — номер итерации обучения, h(t) — функция радиуса захвата соседей [9].
Таким образом, каждый исследуемый пример данных предъявляется сети и
каждый выходной нейрон конкурирует со своими соседями, чтобы наилучшим
образом сочетаться с входным примером. В процессе обучения, по мере предъяв-
ления нейросети новых примеров, окрестность выходных нейронов начинает со-
ответствовать топологии входной информации.
Результатом обучения служат веса входных соединений нейронов, которые
наилучшим образом группируют подмножества входных данных, образуя их про-
тотипы-профайлы:
.
21
2
2
2
1
2
1
2
1
1
1
=
d
qqq
d
d
www
www
www
W
Алгоритм самоорганизующихся карт позволяет понизить размерность вход-
ных данных за счет сведения многомерного (q-мерного) входного вектора данных
к двумерной карте, области которой сформированы так, чтобы отражать опреде-
ленные классы входных данных. Новый пример входных данных усваивается са-
моорганизующейся картой, затем отображается на карте в области, соответству-
ющей типу входных данных [12].
Использование конкурентного обучения обеспечивает сохранение топологии
исследуемой информации. При помощи самоорганизующейся карты группируют-
ся подобные векторы входных данных на соответствующем им нейроне: точки,
расположенные рядом во входном пространстве данных, попадают в соседние
ячейки на карте. Самоорганизующиеся карты используются в качестве средства
кластеризации и визуализации многомерных данных в виде двумерных или трех-
мерных карт. Карты отображают проявление того или иного свойства (признака)
данных и служат удобным средством для выявления взаимосвязей между различ-
Проблемы управления и информатики, 2006, № 6 133
ными факторами. Собрав воедино карты всех интересующих нас признаков, по-
лучаем топографический атлас, который дает интегральное представление о
структуре многомерных данных [13].
Проверка гипотез lH и .fH Самоорганизующиеся карты применяются
для проверки гипотез lH и fH следующим образом.
Проверка гипотезы lH для транзакции ,1+nx совершенной по карте ,kc со-
стоит из таких шагов:
1) на основе l
nc XX
k
— множества ранее совершенных по карте kc тран-
закций, создается
kcW — профайл картодержателя, т.е. шаблон типичного пове-
дения картодержателя, в виде самоорганизующейся карты;
2) определяется степень подобия ),( 1
kc
n Wx + транзакции 1+nx профайлу ;
kcW
3) гипотеза подтверждается, если для степени подобия ),( 1
kc
n Wx + выполня-
ется условие ,),( 1
lc
n
k
Wx + где l — некоторый параметр.
При проверке гипотезы fH для транзакции 1+nx необходимо:
1) на основе f
nX некоторого множества ранее совершенных транзакций, ко-
торые были определены как мошеннические, создать fW — профайл мошенни-
чества, т.е. шаблон типичного поведения мошенников, в виде самоорганизующей-
ся карты;
2) определить степень подобия ),( 1
f
n Wx + транзакции 1+nx профайлу ;fW
3) гипотеза подтверждается, если степень подобия не превышает некоторой
заданной величины .),(: 1
ff
n
f Wx +
Рассмотрим механизм создания профайлов ,
kcW fW и вычисления степени
подобия транзакций ),( 1
kc
n Wx + на примере модели гипотезы .lH (Механизм
проверки гипотезы fH аналогичен.)
4.1. Создание профайла картодержателя. Профайл картодержателя
kcW
представляет собой обобщающий образец (шаблон) транзакций, выполненных
по карте kc при типичном поведении картодержателя, и моделируется нейрон-
ной сетью, обученной по алгоритму Кохонена на основе множества транзакций
.l
nc XX
k
При построении карты используются не непосредственно транзакции
,
kc
i Xx а некоторые векторы ,),,,,( 1 kc
i
M
i
m
ii Ppppp = ,,1 vi = получен-
ные на основе данных векторов ,
kc
i Xx а также параметров текущего состояния
картсчета ),,(
1
k
s
k
k ccc = ПК .kc Для построения множества
kcP используется
функция ,:
kk cc PX → которая устанавливает взаимно однозначное соответ-
ствие между множествами
kcX и .
kcP Функция — это композиция функций
,,,, 10 mM− которые будут введены далее.
Компоненты вектора
kc
i Pp разбиваются на две группы.
I. Показатели
i
m
i pp ,,1 характеризуют текущую транзакцию
kc
i Xx и
фактически представляют собой значения компонент вектора ,
kc
i Xx к кото-
рым применено преобразование :0
134 ISSN 0572-2691
−−
−−
==
параметр,символьныйесли),(
параметр,числовойесли,
)(0 i
j
i
j
i
j
i
ji
j
i
j
xxI
xx
xp .,1 mj = (2)
Функция )( i
jxI строится на основе метода индексации с учетом статистики, со-
гласно которому символьному значению ставится в соответствие числовой индекс
на основании частоты его появления в обучающей выборке, который в дальней-
шем используется в процессе обучения нейросети, следующим образом:
1) вычисляется частота )( s
jF появления каждого уникального значения
j
s
j T символьного параметра i
jx в обучающей выборке :
kcX
=
=
v
k
s
jk
s
jF
1
),()(
=
=
,если,0
,если,1
)(
s
j
k
j
s
j
k
js
jk
x
x
;,1 jss = (3)
2) упорядочивается множество уникальных значений },,,,{ 1 js
j
s
jjjT =
в соответствии с вычисленными частотами ),( s
jF ,,1 jss = при этом считается,
что );()()( 21 js
jjj FFF
3) каждому уникальному символьному значению j
s
j T ставится в соответ-
ствие числовой индекс :s
j
I
;11 =
j
I ,11 += − s
j
s
j
II ;,2 jss = (4)
4) тогда функция )( i
jxI определяется так:
,)( s
j
IxI i
j
= .s
j
i
jx = (5)
Такая индексация позволяет сохранить относительную важность уникальных
значений символьного параметра и корреляции между ними.
В качестве показателей
i
m
i pp ,,1 могут использоваться сумма транзакции,
время транзакции, тип транзакции, номер терминала, город терминала и т.п.
II. Показатели i
M
i
m
i
m ppp ,,, 21 ++ — накопленная характеристика транзак-
ций по карте ;kc они вычисляются на основе множества транзакций ,
kcX выпол-
ненных ранее по карте kc к моменту времени nt при помощи преобразований
mM− ,,, 21 :
),,,,( 21
11
ii
m xxxp =+ ),,,,( 21
22
ii
m xxxp =+ ,…
…, ).,,,( 21 i
mM
i
M xxxp −= (6)
Примерами показателей i
M
i
m
i
m ppp ,,, 21 ++ могут быть количество и сумма
транзакций, выполненных за период времени ,nt количество терминалов, где об-
служивался картодержатель за период ,nt и т.п.
Результирующее множество )},,(,),,,({ 1
11
1
1 v
M
vv
Mc ppppppP
k
===
и есть обучающая выборка при создании -
kcW профайла ПК .kc
Применяя для обучения нейросети алгоритм самоорганизующихся карт [9] и
используя в качестве обучающей выборки множество векторов ,
kcP получаем мат-
рицу весовых коэффициентов нейронов обученной сети, которая служит профай-
Проблемы управления и информатики, 2006, № 6 135
лом владельца карты .:
,1
,1
Mk
ds
s
kck wWc
k
=
== Векторы весов ),,,,( 21
i
M
iii wwww =
,,1 di = задают наиболее типичные значения компонент вектора ),,,( 1
i
M
ii ppp =
которые присутствовали в обучающей выборке .
kcP
Каждой транзакции
kc
i Xx соответствует определенная ячейка j самоор-
ганизованной карты такая, что .min
,,2,1
ki
dk
ji wxwx −=−
=
4.2. Вычисление степени соответствия транзакции профайлу. После про-
ведения обучения нейросети каждая новая транзакция ,1+nx совершаемая по кар-
те ,kc проверяется на соответствие профайлу .
kcW
Степень подобия ),( 1
kc
n Wx + транзакции ),,( 11
1
1 +++ = n
m
nn xxx профайлу
kcW можно определить как отклонение вектора )( 11 ++ = nn xp от ближайшей
ячейки карты ,
kcW т.е. как минимальное из расстояний между вектором =+1np
),,( 11
1
++= n
M
n pp и векторами весов нейронов сети :,,1 dww
.min),( 1
,,2,1
1 in
di
c
n wpWx
k
−= +
=
+
(7)
Наиболее часто используется евклидова метрика
.)(
1
211
=
++ −=−
M
k
i
k
n
k
in wpwp
Однако в зависимости от специфики пространства данных и особенностей
ожидаемых результатов используются и другие метрики:
• квадрат евклидова расстояния
=
++ −=−
M
k
i
k
n
k
in wpwp
1
211 ,)( что позволя-
ет придать бóльшие веса более отдаленным друг от друга объектам;
• манхеттенская метрика ,1
1
1 i
k
n
k
M
k
in wpwp −=− +
=
+
которая позволяет
уменьшить влияние отдельных больших разностей (выбросов);
• расстояние Чебышева: ,max 1
,,1
1 i
k
n
k
Mk
in wpwp −=− +
=
+
которое необхо-
димо для определения двух объектов как «различные», если они различаются по
какой-либо одной координате;
• степенное расстояние ,
/1
1
1
1
r
pi
k
n
k
M
k
in wpwp
−=− +
=
+
где параметр p
позволяет взвешивать разности по отдельным координатам, r — расстояние меж-
ду объектами;
• процент несогласия
=
++ =−
M
k
i
k
n
k
in wp
l
wp
1
11 ),;(
1
где
=
=
+
+
+
,если,0
,если,1
);(
1
1
1
i
k
n
k
i
k
n
ki
k
n
k
wp
wp
wp
данная мера используется в случае категориальных данных.
136 ISSN 0572-2691
4.3. Алгоритм. Изложенный подход к анализу транзакций представим в виде
блок-схемы алгоритма, приведенного на рис. 1. Процесс мониторинга транзакций
состоит из трех фаз: накопления данных, обучения (построения профайла карто-
держателя) и проверки транзакций.
Транзакция ix
БД nX
1cX
kcX
mcX
...
Транзакции
kcX
Построение
множества
kcP
Построение
профайла
kcW
Вычисление
),( 1
kc
n Wx +
Проверка условия
lc
n
k
Wx + ),( 1
Формирование
вектора 1+np
Пополнение
множества lX
Пополнение
множества fX
1. Фаза накопления данных
2. Фаза обучения
Да Нет
...
Транзакция 1+nx
3. Фаза проверки
Рис. 1
На этапе накопления данных происходит сбор транзакций, выполняемых по
карте .kc Если мощность множества
kcX превышает определенный уровень, до-
статочный для построения адекватного профайла поведения картодержателя, то
процесс мониторинга переходит ко второй фазе.
На этапе обучения создается профайл картодержателя :
kcW
а) при помощи преобразования формируется множество ;
kcP
б) выполняется обучение нейросети на основе обучающей выборки ;
kcP
в) в результате процесса обучения строится профайл .
,1
,1
Mk
ds
s
kc wW
k
=
==
После фазы обучения переходим к фазе проверки транзакций, состоящей из
следующих шагов:
А) к каждой новой транзакции ,1+nx поступившей на проверку, применяется
преобразование и строится вектор );( 11 ++ = nn xp
Б) вычисляется отклонение ),( 1
0 kc
n Wx += данной транзакции от создан-
ного на этапе обучения профайла ;
kcW
В) значение 0 сравнивается с установленным для профайла
kcW пороговым
значением параметра l l( — граничное значение степени подобия транзакций
Проблемы управления и информатики, 2006, № 6 137
по карте kc ее профайлу ,
kcW позволяющее отсекать транзакции, которые откло-
няются от принятой нормы; параметр l позволяет управлять точностью выявле-
ния мошеннических транзакций);
Г) если ,0 l то транзакция
1+nx расценивается как типичная и множе-
ство ,
kcl XX = которое в данном случае представляет собой все множество тран-
закций, выполненных по карте ,kc пополняется вектором ;1+nx
Д) если ,0 l то транзакция 1+nx расценивается как подозрительная на
мошенничество и записывается в множество fX для дальнейшего экспертного
анализа.
5. Пример. Применение предложенного подхода к выявлению мошенниче-
ских транзакций рассмотрим на модельном примере. В связи с тем, что данные
транзакций представляют собой конфиденциальную информацию, требуемая вы-
борка данных была смоделирована (за основу взят список реальных параметров
транзакций и диапазон их возможных значений). Для оценки транзакций выбраны
следующие показатели: 1p — сумма транзакции, 2p — тип транзакции, 3p —
идентификатор терминала, 4p — город, 5p — страна, 6p — количество тран-
закций за последние 48 часов, 7p — накопленная сумма транзакций за последние
48 часов, 8p — количество терминалов за последние 48 часов.
При исследовании зависимости точности построенной модели поведения
картодержателей от однородности транзакций и определении их минимально не-
обходимого количества в обучающей выборке рассматривалось несколько карт с
различными характеристиками поведения картодержателей (табл. 1). Небольшое
количество транзакций (100) в обучающей выборке использовалось преднамерен-
но, что обусловлено спецификой украинского карточного рынка. Для большин-
ства ПК характерно небольшое количество транзакций, совершаемых за месяц, и,
следовательно, история транзакций по ним невелика. Для каждой из карт сгене-
рировано 100 типичных транзакций и 10 аномальных.
Таблица 1
№ карты Общее количество транзакций Тип поведения картодержателя
1 100 + 10 Все транзакции подобны
2 100 + 10
Большинство транзакций подобны, однако встреча-
ются редкие, нетипичные транзакции
3 90 + 10 Разнообразные транзакции
Для каждой из карт построено несколько моделей типичного поведения кар-
тодержателя с использованием в обучающей выборке различного количества
транзакций. Результаты расчетов приведены в табл. 2 (ε — средняя ошибка в
множестве; εmax — максимальная ошибка в множестве).
Как видно из табл. 2, точность распознавания законных и мошеннических
транзакций (тестовое и валидационные множества) возрастает с увеличением ко-
личества транзакций в обучающей выборке. При этом для карты № 1 приемлемая
точность распознавания (ε = 0,0068) достигается уже при 30 транзакциях, а для
карт №№ 2 и 3, поведение которых более разнородно, подобная точность распо-
знавания достигается при 60 и 90 транзакциях соответственно. Для всех трех карт
138 ISSN 0572-2691
аномальные транзакции (значения параметров транзакций которых отличались от
типичных для карты) характеризуются ошибкой распознавания, значительно пре-
вышающей среднюю ошибку распознавания в обучающем множестве.
Таблица 2
№ карты Множество
Количество транзакций в исходном множестве
30 + 10 60 + 10 90 + 10
ε εmax ε εmax ε εmax
1
Обучающее 7,25E−10 8,71E−9 5,18E−10 9,16E−9 0,0013 0,0263
Тестовое 0,0068 0,0340 0,0039 0,0395 0,0034 0,0339
Валидационное (законное) 0,0068 0,0909 0,0015 0,0395 0,0030 0,0250
Валидационное (мошенническое) 0,9190 1,8136 0,8916 1,7192 0,8917 1,7192
2
Обучающее 0,0007 0,0099 0,0042 0,0351 0,0027 0,0404
Тестовое 0,0299 0,1495 0,0049 0,0404 0,0381 0,1575
Валидационное (законное) 0,1069 0,2257 0,0084 0,1575 0,0456 0,0923
Валидационное (мошенническое) 0,8334 1,7198 0,7840 1,6757 0,7235 1,6757
3
Обучающее 0,0136 0,0754 0,0202 0,0879 0,0224 0,1502
Тестовое 0,0659 0,3432 0,0508 0,3066 0,0576 0,1371
Валидационное (законное) 0,0536 0,3951 0,0321 0,1796 0,0345 0,1252
Валидационное (мошенническое) 0,6930 1,4015 0,6458 1,4852 0,6575 1,5122
Для модели поведения картодержателей были построены двумерные карты
Кохонена. На рис. 2 приведены матрица расстояний и кластеры, полученные в ре-
зультате построения модели поведения карты № 3.
Рис. 2
Из карты кластеров (рис. 2) видно, что поведение картодержателя имеет три
ярко выраженных типа, которые условно можно назвать «типичные ATM тран-
закции», «типичные POS-транзакции», «редкие/нетипичные транзакции». После
обработки аномальных транзакций для карты № 3 их отклонение от модели ти-
пичного поведения значительно превышало ошибку распознавания законных
транзакций (рис. 3). Причем чем более атипична транзакция, тем больше ее от-
клонение от модели. Поэтому данную величину можно рассматривать как степень
подозрительности транзакции.
Проблемы управления и информатики, 2006, № 6 139
Рис. 3
140 ISSN 0572-2691
Выводы. В статье предложен новый подход для выявления подозрительных
по мошенничеству транзакций в ПС на основе нейросетевого метода самооргани-
зующихся карт Кохонена, который в процессе обучения позволяет автоматически
выработать правила обработки транзакций и периодически их совершенствовать
в условиях динамически изменяющейся информации в автоматизированной си-
стеме.
Предложенный метод имеет следующие преимущества: эксперименты пока-
зывают что эффективность алгоритма не зависит от статистического предположе-
ния относительно характера обрабатываемых данных и хорошо справляется с
«шумами»; он достаточно прост для модификации при добавлении новых ПК, по-
явлении новых типов транзакций; точность выработанных правил остается неиз-
менной (в отличие от изменяющейся внимательности эксперта, например от уста-
лости); при оперировании большим количеством транзакций обеспечивается про-
стая визуализация данных и возможность обнаружения изолированных структур
данных.
В случае большого количества совершаемых в ПС транзакций и необходимо-
сти их обработки ПЦ в реальном времени их анализ нейросетевыми методами по-
вышает требования к вычислительным ресурсам. Для более эффективной обра-
ботки транзакций требуется разбиение процессов их анализа на несколько этапов
с выделением предварительного этапа, на котором при помощи нечетко заданных
правил транзакции предварительно классифицируются по степени их подозри-
тельности. Тогда нейросетевая модель может применяться в ПС только для про-
верки наиболее подозрительных транзакций.
В ПС автоматизированная система мониторинга транзакций и выявления
мошенничества должна быть комплексной и выполнять анализ транзакций в сле-
дующих аспектах:
— мониторинг транзакций по ПК с целью выявления подозрительных на
мошенничество;
— мониторинг транзакций по торговым предприятиям для выявления ак-
тивности торговых точек, принимающих к оплате ПК, и их подозрительных
действий;
— предварительная оценка клиентов (картодержателей и торговых предприя-
тий) на основе их анкет, инспекция торговых точек.
Предложенный метод анализа транзакций может применяться и для созда-
ния профайлов типичной активности торговой точки, «хорошего» потенциаль-
ного клиента, универсального профайла «хороших» и «плохих» транзакций и т.п.
В.А. Заславський, Г.О. Стрижак
ЗАСТОСУВАННЯ КАРТ,
ЩО САМООРГАНІЗУЮТЬСЯ,
ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ
ТРАНЗАКЦІЙ У ПЛАТІЖНІЙ СИСТЕМІ
Розглядається алгоритм виявлення шахрайських операцій з пластиковими карт-
ками в платіжній системі. Запропонований підхід використовує нейромереже-
вий метод карт Кохонена, що самоорганізуються, який дозволяє в процесі нав-
чання автоматично виробляти правила обробки транзакцій та періодично їх
удосконалювати з урахуванням динаміки зміни інформації в автоматизованій
системі.
Проблемы управления и информатики, 2006, № 6 141
V.A. Zaslavskiy, A.A. Strizhak
APPLICATION OF SELF-ORGANIZING
MAPS FOR FRAUD DETECTION
IN PAYMENT SYSTEM
Algorithm of fraud detection in payment system is given. Proposed approach is based
on the neuronet method of self-organizing maps. This allows to develop rules of
transactions analysis automatically while learning and update them in correspond-
ence with dynamic changes of information in automated system.
1. http://www.bank.gov.ua.
2. Managing risk in the 21st century. Strategies for Issuing & Acceptance. — Visa Int., October,
2000. — 156 p.
3. Гинзбург А.И. Пластиковые карты. — СПб. : Питер, 2004. — 128 с.
4. Вертузаев М.С., Кондратьев Я.Ю., Пугачев С.Е., Юрченко А.М. Способы совершения пре-
ступлений с использованием банковских платежных карт // Інформаційні технології та за-
хист інформації : Зб. наук. праць. — Запоріжжя : Юридичний ін-т МВС України. —
1999. — Вип 3. — № 1. — С. 50–67.
5. Bhatla T.P., Prabhu V., Dua A. Understanding credit card frauds // Tata Consultancy Services.
Cards Business Review. — 2003. — N 1. — 15 p.
6. Чикин К., Шлык И. Борьба с мошенническими транзакциями в системах интернет-эквай-
ринга // Мир карточек. — 2002. — № 7. — С. 15–21.
7. Brause R., Langsdorf T., Hepp M. Credit Card fraud detection by adaptive neural data mining //
Internal Report 7/99, FB Informatik, Universitat Frankfurt А.M. — 1999. — 15 p.
8. Bolton R.J., Hand D.J. Unsupervised profiling methods for fraud detection // Technical Report,
Department of Mathematics, Imperial College, London. — 2002. — 16 р.
9. Kohonen T. The self-organizing map // Proc. of the IEEE. — 1990. — 78, N 9. — Р. 1464–1480.
10. Kohonen T. Self-organizing maps. — Berlin : Springer-Verlag, 1995. — 420 p.
11. Уоссермен Ф. Нейрокомпьютерная техника : Теория и практика. — М. : Мир, 1992. —
192 с.
12. Горбунов А.В. Применение самоорганизующихся карт в бизнесе и финансах // Банковские
технологии. — 1999. — № 4. — С. 34–40.
13. Остроухов И., Панфилов П. Нейросети : Карты Кохонена. — http://www.tora-centre.ru.
Получено 17.10.2005
http://www.bank.gov.ua/
http://www.tora-centre.ru/
|
| id | nasplib_isofts_kiev_ua-123456789-206941 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2025-12-07T16:22:57Z |
| publishDate | 2006 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Заславский, В.А. Стрижак, А.А. 2025-09-26T14:36:34Z 2006 Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе / В.А. Заславский, А.А. Стрижак // Проблемы управления и информатики. — 2006. — № 6. — С. 128-141. — Бібліогр.: 13 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/206941 331.211 Розглядається алгоритм виявлення шахрайських операцій з пластиковими картками в платіжній системі. Запропонований підхід використовує нейромережевий метод карт Кохонена, що самоорганізуються, який дозволяє в процесі навчання автоматично виробляти правила обробки транзакцій та періодично їх удосконалювати з урахуванням динаміки зміни інформації в автоматизованій системі. Algorithm of fraud detection in payment system is given. Proposed approach is based on the neuronet method of selforganizing maps. This allows to develop rules of transactions analysis automatically while learning and update them in correspondence with dynamic changes of information in automated system. ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Экономические и управленческие системы Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе Застосування карт, що самоорганізуються, для виявлення шахрайських транзакцій у платіжній системі Application of self-organizing maps for fraud detection in payment system Article published earlier |
| spellingShingle | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе Заславский, В.А. Стрижак, А.А. Экономические и управленческие системы |
| title | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| title_alt | Застосування карт, що самоорганізуються, для виявлення шахрайських транзакцій у платіжній системі Application of self-organizing maps for fraud detection in payment system |
| title_full | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| title_fullStr | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| title_full_unstemmed | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| title_short | Применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| title_sort | применение самоорганизующихся карт для выявления мошеннических транзакций в платежной системе |
| topic | Экономические и управленческие системы |
| topic_facet | Экономические и управленческие системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/206941 |
| work_keys_str_mv | AT zaslavskiiva primeneniesamoorganizuûŝihsâkartdlâvyâvleniâmošenničeskihtranzakciivplatežnoisisteme AT strižakaa primeneniesamoorganizuûŝihsâkartdlâvyâvleniâmošenničeskihtranzakciivplatežnoisisteme AT zaslavskiiva zastosuvannâkartŝosamoorganízuûtʹsâdlâviâvlennâšahraisʹkihtranzakcíiuplatížníisistemí AT strižakaa zastosuvannâkartŝosamoorganízuûtʹsâdlâviâvlennâšahraisʹkihtranzakcíiuplatížníisistemí AT zaslavskiiva applicationofselforganizingmapsforfrauddetectioninpaymentsystem AT strižakaa applicationofselforganizingmapsforfrauddetectioninpaymentsystem |