33335

توسعه سيستمي هوشمند براي كشف پول‌شويي درنظام بانكداري با استفاده از داده‌كاوي

كارشناسي ارشد

مهندسي صنايع گرايش سيستم هاي اطلاعاتي

1400

1403/11/28

وحيد خطيبي

_

مهندسي صنايع

چكيده پول‌شويي به‌عنوان يكي از بزرگ‌ترين چالش‌هاي اقتصادي و اجتماعي، تهديدي جدي براي سلامت سيستم‌هاي مالي و بانكي محسوب مي‌شود. اين فرايند كه از طريق پنهان‌سازي منشأ غيرقانوني وجوه صورت مي‌گيرد، نه‌تنها موجب تخريب شفافيت مالي مي‌شود، بلكه ارتباط نزديكي با جرايم سازمان‌يافته دارد. شناسايي و مقابله با تراكنش‌هاي پول‌شويي، به دليل حجم وسيع داده‌هاي بانكي و پيچيدگي روابط ميان تراكنش‌ها، نيازمند استفاده از روش‌هاي پيشرفته تحليل داده است. در اين پژوهش، با هدف بهبود سيستم‌هاي شناسايي پول‌شويي، دو مدل تحليلي مورد بررسي قرار گرفتند: شبكه باور بيزين (BBN) و شبكه عصبي گرافي (GNN). مدل BBN با استفاده از احتمالات شرطي، ساختاري ساده و كارآمد براي تحليل داده‌ها ارائه مي‌دهد، در حالي كه مدل GNN با تكيه بر يادگيري از داده‌هاي گرافي، توانايي شناسايي روابط پيچيده ميان حساب‌ها را داراست. اين پژوهش با طراحي و پياده‌سازي اين دو مدل و بهره‌گيري از تكنيك‌هاي پيش‌پردازش داده و تحليل گراف، به ارائه رويكردهاي نوين در شناسايي الگوهاي مشكوك و غيرمعمول در تراكنش‌هاي بانكي پرداخته است. نتايج نشان داد كه مدل BBN در معيار دقت (77 درصد) عملكرد بهتري داشت، در حالي كه مدل GNN با نرخ بازيابي (79 درصد) براي شناسايي جامع‌تر تراكنش‌هاي مشكوك مناسب‌تر بود. عوامل كليدي مانند نوع ارز، فرمت پرداخت، و زمان‌بندي تراكنش‌ها، تأثير بالايي بر شناسايي پول‌شويي داشتند. مطالعه حاضر، ضمن بهره‌گيري از ابزارها و الگوريتم‌هاي پيشرفته، مسير جديدي براي تحليل داده‌هاي مالي پيشنهاد مي‌كند و بستر مناسبي براي تحقيقات آينده در حوزه كشف تقلب مالي فراهم مي‌سازد.

1404/02/16

Development of an Intelligent System for Money Laundering Detection in Banking System Using Data Mining

2/16/2026 12:00:00 AM

Abstract Money laundering, as one of the major economic and social challenges, poses a serious threat to the integrity of financial and banking systems. This process, which involves concealing the illicit origins of funds, not only undermines financial transparency but also has strong connections to organized crime. Detecting and combating money laundering transactions, given the vast volume of banking data and the complexity of relationships between transactions, requires advanced data analysis methods. In this study, with the aim of enhancing money laundering detection systems, two analytical models were examined: Bayesian Belief Network (BBN) and Graph Neural Network (GNN). The BBN model utilizes conditional probabilities to provide a simple and efficient structure for data analysis, while the GNN model leverages learning from graph-based data to identify complex relationships between accounts. By designing and implementing these two models and employing data preprocessing and graph analysis techniques, this research introduces innovative approaches for detecting suspicious and unusual patterns in banking transactions. The results showed that the BBN model performed better in terms of precision (77%), while the GNN model, with a recall rate of (79%), was more suitable for comprehensive detection of suspicious transactions. Key factors such as currency type, payment format, and transaction timing had a significant impact on money laundering detection. The present study, utilizing advanced tools and algorithms, proposes a novel pathway for financial data analysis and establishes a solid foundation for future research in the field of financial fraud detection.

پولشويي , داده‌كاوي , يادگيري ماشين , شبكه باور بيزين , شبكه عصبي مبتني بر گراف

Money laundering , Data mining , Machine learning , Bayesian belief network , Graph neural network

Leila Fouladi

Dr. Vahid Khatibi