УДК: 336.717:343.72+37:004
ББК: У262.5р.с51+Х408.121.12
Аркадьева О.Г.
Использование методов машинного обучения для отслеживания социальной инженерии в банковских транзакциях
Ключевые слова: дисбаланс данных, асимметрия, передискретизация, дрейф концепций, ранняя остановка, модели машинного обучения
Актуальность исследования обусловлена тем, что в эпоху цифровизации и повсеместного внедрения технологий онлайн-платежи и иные дистанционные банковские транзакции становятся все более популярными, что приводит к росту случаев мошенничества с использованием социальной инженерии.
Цели исследования – оценка возможностей методов машинного обучения для противодействия социальной инженерии, а также выявление ограничений использования этих методов в банковских антифрод-системах.
Материалы и методы. Для проверки гипотезы о недостаточной эффективности методов машинного обучения для распознавания атак с использованием социальной инженерии использовался набор данных Bank Account Fraud Dataset Suite (NeurIPS 2022). Подготовка данных для машинного обучения была реализована с помощью алгоритма нелинейного уменьшения размерности UMAP и метода синтетической передискретизации SMOTE.
Результаты исследования. Кластеризация данных не позволила достаточно достоверно разделить мошеннические и немошеннические операции в зависимости от каких-либо характеристик клиента или самой транзакции. При этом точность модели на основе деревьев решений наивысшая по сравнению с градиентным бустингом и логистической регрессией, однако эффективность и результативность практического применения алгоритмов неизбежно снижается из-за дрейфа концепции, вызывающего увеличение вероятности ошибочной классификации. В случае дрейфа концепции модель становится переобученной и плохо работает на тестовых данных. Для регуляризации может использоваться ранняя остановка, когда процесс обучения модели должен остановиться в точке, где потери и ошибки в проверочных данных достигают минимального значения.
Выводы. Поскольку банки обязаны противодействовать переводам, которые происходят без добровольного согласия клиента, в частности под воздействием злоумышленников, антифрод-системы банков-отправителей и банков-получателей платежей должны регулярно переобучаться во избежание распространения мошеннических случаев и получения банками убытков от необходимости осуществления компенсационных выплат. Практическая значимость заключается в возможности использования результатов для отслеживания и противодействия социальной инженерии в банковских транзакциях в целях дальнейшего совершенствования регуляторных усилий и действий самих коммерческих банков.
Литература
- Аркадьева О.Г., Березина Н.В. Формирование модели государственного регулирования развития технологий искусственного интеллекта в финансовом секторе // Oeconomia et Jus. 2023. № 4. С. 12-21. DOI: 10.47026/2499-9636-2023-4-12-21.
- Бердышев А.В., Зархин И.Е., Катышева А.А. Оценка технологических возможностей противодействия мошенническим практикам в банковском секторе // Вестник университета. 2022. № 10. С. 193–204.
- Йоллыев А.Б. Безопасность в банковской сфере: ключевые аспекты и роль кибербезопасности в эпоху цифровой экономики // Российский журнал менеджмента. 2024. Т. 2, № 1(70). С. 140–142.
- Обзор отчетности об инцидентах информационной безопасности при переводе денежных средств [Электронный ресурс] // Банк России: офиц. сайт. URL: https://cbr.ru/statistics/ib/review_1q_2024/ (дата обращения: 04.09.2024).
- Петрякова Л.А. Предупреждение мошенничеств в банковской сфере // Всероссийский криминологический журнал. 2023. Т. 17, № 4. C. 383–391.
- Социальная инженерия [Электронный ресурс] // Tadviser. Государство. Бизнес. Технологии: сайт. URL: https://www.tadviser.ru/index.php (дата обращения: 04.09.2024).
- Федосенко М.Ю. Разработка модели поведения злоумышленника, осуществляющего действия по легализации доходов, применительно к автоматизированным банковским системам дистанционного обслуживания // Экономика и качество систем связи. 2022. № 4. С. 53–61.
- Bin S.R., Schetinin V., Sant P. Review of Machine Learning Approach on Credit Card Fraud Detection. Hum-Cent Intell Syst, 2022, no. 2, pp. 55–68. DOI: 10.1007/s44230-022-00004-0.
- Boulieris P., Pavlopoulos J., Xenos A. et al. Fraud detection with natural language processing. Mach Learn, vol. 113, pp. 5087–5108. DOI: 10.1007/s10994-023-06354-5.
- Dang T.K., Ha T.A. Comprehensive Fraud Detection for Credit Card. Transactions in Federated Averaging. Sn Comput Sci, 2024, no. 5, p. 578. DOI: 10.1007/s42979-024-02898-y.
- G R J., P A.I. Attention layer integrated BiLSTM for financial fraud prediction. Multimed Tools Appl, 2024, pp. 1–17. DOI: 10.1007/s11042-024-18764-1.
- Gorle V.L.N., Panigrahi S. A semi-supervised Anti-Fraud model based on integrated XGBoost and BiGRU with self-attention network: an application to internet loan fraud detection. Multimed Tools Appl, 2024, no 83, pp. 56939–56964. DOI: 10.1007/s11042-023-17681-z.
- Hajek P., Abedin M.Z., Sivarajah U. Fraud Detection in Mobile Payment Systems using an XGBoost-based Framework. Inf Syst Front, 2023, no. 25, 1985–2003. DOI: 10.1007/s10796-022-10346-6.
- Karbasiyan M., Hamidi H., Srinivasa R.K. Presenting a Model to Detect the Fraud in Banking using Smart Enabling Tools. International Journal of Engineering, 2024, no. 37(03), pp. 529-537. DOI: 10.5829/ije.2024.37.03c.10.
- Lin Y.-F., Wang C.-W., Wu C.-W. Application of Machine Learning in Credit Card Fraud Detection: A Case Study of F Bank. HCI in Business, Government and Organizations. In: HCII 2024. Lecture Notes in Computer Science. Springer, Cham, 2024,14720, pp. 210–222. DOI: 10.1007/978-3-031-61315-9_15.
- Mwiti D. Random Forest Regression: When Does It Fail and Why? Available at: https://neptune.ai/blog/random-forest-regression-when-does-it-fail-and-why (accessed 04.08.2024).
- Nidhi M.V., Gupta V., Vig R. Methods to Investigate Concept Drift in Big Data Streams. In: Knowledge Computing and Its Applications. Springer, Singapore, 2018, pp. 51–74. DOI: 10.1007/978-981-10-6680-1_3.
- Rutskiy V. et al. Prospects for the Use of Artificial Intelligence to Combat Fraud in Bank Payments. Data Science and Algorithms in Systems. In: CoMeSySo 2022. Lecture Notes in Networks and Systems. Springer, Cham, 2023, vol. 597, pp. 959-971.
- Salam A.M., Fouad K.M., Elbably D.L. et al. Federated learning model for credit card fraud detection with data balancing techniques. Neural Comput & Applic., 2024, no. 36, pp. 6231–6256. DOI: 10.1007/s00521-023-09410-2.
- Sergadeeva A.I., Lavrova D.S., Zegzhda D.P. Bank Fraud Detection with Graph Neural Networks. Control Comp. Sci, 2022, no. 56, pp. 865–873. DOI: 10.3103/S0146411622080223.
- Shinde S.D. Pause for Performance: The Guide to Using Early Stopping in ML and DL Model Training. Available at: https://pub.towardsai.net/pause-for-performance-the-guide-to-using-early-stopping-in-ml-and-dl-model-training-0abd24e5cdcb (accessed 04.09.2024).
- Vanini P., Rossi S., Zvizdic E. et al. Online payment fraud: from anomaly detection to risk management. Financ Innov, 2023, no. 9, pp. 66. DOI: 10.1186/s40854-023-00470-w.
- Vashistha A., Tiwari A.K. Building Resilience in Banking Against Fraud with Hyper Ensemble Machine Learning and Anomaly Detection Strategies. Sn Comput sci, 2024, no. 5, p. 556. DOI: 10.1007/s42979-024-02854-w.
- Vashistha A., Tiwari A.K., Singh P. et al. A Robust Framework for fraud Detection in Banking using ML and NN. Proc. Natl. Acad. Sci., India, Sect. A Phys. Sci. 2024, no. 94, pp. 201–212. DOI: 10.1007/s40010-024-00871-1.
- Zioviris G., Kolomvatsos K., Stamoulis G. An intelligent sequential fraud detection model based on deep learning. J Supercomput, 2024, no. 80, p. 14824–14847. DOI: 10.1007/s11227-024-06030-y.
Сведения об авторах
- Аркадьева Ольга Геннадьевна
- кандидат экономических наук, доцент кафедры финансов, кредита и экономической безопасности, Чувашский государственный университет, Россия, Чебоксары (knedlix@yandex.ru; ORCID: https://orcid.org/0000-0003-4868-2365)
Ссылка на статью
Аркадьева О.Г. Использование методов машинного обучения для отслеживания социальной инженерии в банковских транзакциях [Электронный ресурс] // Oeconomia et Jus. – 2024. – №4. – С. 1-14. – URL: https://oecomia-et-jus.ru/single/2024/4/1/. DOI: 10.47026/2499-9636-2024-4-1-14.
