18561

۱۸۵۶۱

توسعه الگوريتم يادگيري جمعي براي كشف تقلب در كارتهاي اعتباري

كارشناسي ارشد

مهندسي فناوري اطلاعات - تجارت الكترونيكي

دي ماه ۱۳۹۶

دكتر محمد فتحيان

دكتر بابك اميري

صنايع

سالانه به دليل وجود تراكنش‌هاي متقلبانه‌اي كه به‌وسيله كارت‌هاي اعتباري انجام مي‌شود ميلياردها دلار از دست مي‌رود. طراحي يك الگوريتم و روش كشف تقلب مؤثر كليد حل اين بحران و ضررهاي مالي مي‌باشد. كارت اعتباري كه بر بستر تجارت الكترونيكي كار مي‌كند به دليل بالا بردن سرعت انجام كار و سهولت و كارايي بسيار رايج و پركاربرد مي‌باشد. كارت اعتباري هم توسط كاربران قانوني و هم توسط متقلبان استفاده مي‌شود. متقلبان از روش‌هاي نوين و مختلفي براي نفوذ و تهديد سيستم‌هاي مربوط به تجارت الكترونيكي استفاده مي‌كنند، اين تهديدات از طرف اين گروه‌ها باعث شده است تا سيستم‌هاي كشف تقلب ساخته شوند. سيستم‌هاي كشف تقلب با تحليل داده‌هاي مربوط به تراكنش‌هاي كاربران مي‌توانند رفتارها و فعاليت‌هاي فريبكارانه را افشا كنند و تقلب را در حوزه‌هاي مختلف تجارت الكترونيكي كشف كنند. در اين تحقيق با استفاده از توسعه روشي بر مبناي روش‌هاي داده‌كاوي به دنبال كشف تقلب در تراكنش‌هاي كارت اعتباري هستيم. روش‌هاي كشف تقلب مشكلات و نقص‌هايي دارند كه باعث مي‌شود هر روش به‌تنهايي نتواند تصميم درستي درباره سالم بودن يا تقلب بودن يك تراكنش بگيرد. اين مشكلات مانند نامتوازن بودن پايگاه داده، وجود ويژگي‌هاي نامرتبط، تعداد هشدار‌هاي غلط بالا و استفاده از يك الگوريتم تحليل داده يكسان درروش كشف مي‌باشند. درروش ارائه‌شده در اين تحقيق با استفاده از روش يادگيري جمعي راجع به يك تراكنش تصميم‌گيري مي‌شود. اين كار باعث بالا رفتن دقت و صحت نتايج و هم‌افزايي الگوريتم‌هاي تحليل داده در ارائه نتيجه مطلوب‌تر مي‌شود. الگوريتم يادگيري جمعي توسعه داده‌شده در اين پژوهش براي كشف تقلب در داده‌هاي كارت اعتباري كه مربوط به تراكنش‌هاي دو روز يك بانك اروپايي مي‌باشند استفاده شده است. اين الگوريتم در مقايسه با روش‌هاي قبلي منجر به رسيدن به‌دقت 100٪، صحت 99٪ و تماميت 97.5٪ در كشف تلقب شد.

1396/12/13

1/13/2018 12:00:00 AM

Annually, billions of dollars are lost due to the fraudulent transactions made with credit cards. The design of an algorithm and an effective method is the key to solving this crisis and financial losses. Because of speeding up the works and the ease of use, Credit Cards are very common and widely used. The credit card is used both by legal users and by fraudsters. Fraudsters use new and different ways to infiltrate and threaten E-commerce systems, these threats from these groups have led to the creation of fraud detection systems. Fraud Detection algorithms by analyzing user transaction data can disclose fraudulent behaviors and activities in various E-commerce areas. In this research, we are developing an algorithm based on data mining methods seeking to detect fraud in credit card transactions. Fraud detection algorithms have problems and defects, which makes it impossible to make the right decision about whether a transaction is normal or fraudulent. These problems include unbalanced databases, unrelated features, the high number of false alarms, and the use of a similar data analysis model in the detection method. The algorithm presented in this study is based on the ensemble learning. This will increase the accuracy and precision of the results. Using ensemble learning algorithm to detect fraud in credit card transactions compared with previous algorithms resulted in 100% precision, 99% accuracy, and 97.5% recall. The research was conducted on two-day transactions of a European bank.