بخشی از مقاله
خلاصه
سالیانه میلیونها دلار به علت تراکنشهای جعلی کارتهای اعتباری از بین میروند. طراحی و پیادهسازی روشهای شناسایی تقلب مناسب برای کاهش چنین زیانهایی الزامی است. در این مقاله، یک روش جدید مبتنی بر شبکه عصبی حافظه طولانی کوتاه مدت - LSTM - برای شناسایی تقلب در سیستمهای بانکی پیشنهاد شده است. برای مقایسه عملکرد روش پیشنهادی، ما آن را با یکی از روشهای یادگیری عمیق که توسط پژوهشگران قبلی در مجموعه دادههای BBVA ارائه شده است، مقایسه میکنیم.
.1 مقدمه
به وجود آمدن راههای جدید برای پرداخت، راهحلهای انبوه در پرداخت مانند پرداخت شخص به شخص، پرداختها با تلفن همراه، پرداختهای نزدیک با استفاده از تلفن همراه بدون نیز به اتصال، استفاده از کارت اعتباری را به میزان قابل توجهی افزایش داده است .[1] علاوه بر این، حوزه پرداختهای یکپارچه - SEPA - که در سال 2014 اجرا شد، به مصرف کنندگان و شرکتهای تجاری اجازه استفاده از تنها یک حساب برای پرداخت کارتهای اعتباری در اروپا را داد [2]، در نتیجه منجر به تسهیل پرداخت درکارتها شد. این عامل و دیگر عوامل، کارتهای اعتباری را به عنوان رایجترین روش برای پرداخت آنلاین و همچنین خرید روزانه مقرر کرده است.
متاسفانه، با ورود این فناوریهای جدید، تقلب درکارتهای اعتباری نیز افزایش یافته است. امنیت در پرداخت توسط کارتها و اعتماد عموم مردم به پرداخت از طریق کارتهای اعتباری موضوع مورد توجه تمام بانکها در جهان است. میزان تقلب با کارتهای صادر شدهی SEPA در سال 2012 برابر با 1,3 میلیارد یورو بودهاست، که این مقدار برابر با 0,038٪ از ارزش تراکنش کارتها است .[3]
پیشرفتهای تکنولوژیکی، به امنیت تراکنشهای مربوط به کارتها کمک کردهاست، به عنوان مثال استفاده از یک تراشه به جای نوار مغناطیسی برای تأیید اعتبار در کارتها. با این حال، کلاهبرداران به طور مداوم استراتژیهای خود را تغییر میدهند تا از شناسایی آنها جلوگیری شود، و ابزارهای تشخیص تقلب مرسوم - مانند روشهای خبره یا روشهای یادگیری ماشین - کافی نیست 4]، .[5 در این راستا یکی از اصلیترین چالشها در پرداختها "تراکنشهای بدون حضور کارت"به ویژه برای فعالیتهای تجارت الکترونیک مقابله با افزایش تقلب است.
برای مقابله با شناسایی خودکار تقلب در کارتهای اعتباری، روشهای مختلفی پیشنهاد شدهاست .[8-6] با این حال، هنگام ایجاد یک ماشین برای شناسایی تقلب در کارتها، باید چندین جنبه را در نظر گرفت. به عنوان مثال، به هم-ریختگی دادهها، ساخت مدل آموزشی را به چالش میکشد؛ معمولا، تنها بخش کوچکی از تراکنشهای کارتها، جعلی است - در مجموعه دادههای ما تنها 1 از 5000 تراکنشها جعلی است - . از طرف دیگر، فضای جستجو دارای ابعاد بزرگی است، بنابراین انجام یک گام موثر قبل از پردازش برای رسیدن به نتایج طبقه بندی مناسب لازم است.
یکی دیگر از جنبه های مهم این است که سیستم باید در زمان بسیار کوتاه پاسخ دهد تا در محیطهای واقعی مفید باشد. علاوه بر این، با توجه به تفاوت در ماهیت استراتژیهای تقلب، آموزش آنلاین یا آموزش مکرر در هر مدل تشخیص تقلب کارتهای اعتباری ضروری است .[9] با این وجود، مشکلترین مسئله برای مقابله با این موضوع این است که تشخیص تقلب کارتهای اعتباری یک مشکل وابسته به هزینه است، به این معناست که هزینه تشخیص اشتباه در بعد مثبت و منفی متفاوت است .[10] توجه داشته باشید که وقتی سیستم یک تراکنش را به عنوان تقلب پیش بینی میکند، در حقیقت - مثبت کاذب - آن نهاد مالی دارای هزینه اداری و همچنین کاهش رضایت مشتری است.
برعکس، هنگامی که سیستم یک تراکنش جعلی را شناسایی نمیکند - منفی نادرست - ، مقدار تراکنش از بین میرود .[11] علاوه بر این، کافی نیست که یک تفاوت هزینه ثابت بین مثبتهای کاذب و منفیهای کاذب را در نظر بگیریم، از آنجا که مبلغ تراکنشها به طور قابل توجهی متفاوت است؛ بنابراین، تأثیرات مالی آن ثابت نیست، زیرا بستگی به مبلغ هر تراکنش دارد.
در این مقاله، یک رویکرد جدید برای تشخیص تقلب درکارتهای اعتباری آنلاین براساس مجموعهای از شبکههای عصبی حافظه طولانی کوتاه مدت - LSTM - * پیشنهاد میکنیم. برای ایجاد یک مدل شناسایی تقلب در کارتهای اعتباری، استفاده از ویژگیهایی که دستهبندی درست را داشته باشد مهم است. سیستمهای مرسوم تنها از ویژگیهای تراکنشهای خام - مانند استفاده از زمان، مقدار یا مکان تراکنش- استفاده میکنند و تحلیل رفتار مشتری یا فروشنده را در نظر نمی-گیرند و انتظار دارند که به مدل کمک کنند تا الگوهای پیچیده تقلب را کشف کند.
در [12] یک استراتژی جمع آوری تراکنش در نظر گرفته شدهاست تا رفتار مشتری را در نظر بگیرد. محاسبات برای جمع آوری ویژگیهایی است که شامل دسته بندی تراکنشهای انجام شده در طول ساعت معین، انجام میشود. جمع آوری ابتدا توسط کارت یا شماره حساب انجام میشود؛ سپس با نوع تراکنش، گروه تجاری، واحد پول، کشور یا دیگر ویژگیها؛ در نهایت، تعداد تراکنشها یا مجموع هزینههای صرف شده در آن تراکنشها محاسبه میشود. به جای این رویکردها در این مقاله، ویژگیهای تراکنشهای خام؛ با تحلیل رفتار مشتری، فروشنده، واحد پول و سطح کشور ترکیب میشود.
.2 شناسایی تقلب در کارتهای اعتباری
اگر چه مهم است بدانیم که سیستمهای پرداخت گوناگونی وجود دارد، همه آنها به شکل مشابه عمل میکنند. در اینجا، ما یک خلاصه کلی از روند تراکنش کارتها را بدون توصیف ویژگیهای هر سیستم کارت معرفی میکنیم. از دید کلی، هر تراکنش کارت اعتباری نتیجه یک سری از تعاملات بین چندین شرکت کننده است، چرخه تراکنش کامل، در شکل نشان میدهد. چنین چرخهای معمولا با مراحل زیر مشخص میشود:
1. صاحب کارت، کارت را برای پرداخت هزینهها ارائه میدهد یا اطلاعات کارت را در پرداختهای آنلاین تایپ میکند.
2. فروشنده، کارت و اطلاعات تراکنش را مورد بررسی قرار میدهد و درخواست صدور مجوز برای انجام تراکنش را به بانک ارسال میکند.
3. بانک درخواست مجوز را به صادر کننده کارت ارائه میدهد.
4. صادر کننده کارت تراکنش را تأیید یا رد میکند.
5. بانک پاسخ خود را به فروشنده ارسال میکند.
6. فروشنده پاسخ مجوز را دریافت میکند و تراکنش را به ترتیب انجام میدهد.
مجوز که در مرحله 4 بیان شده شامل ارزیابی خطر تراکنش کارت میشود و در صورت تایید، مبلغ فروش را از حساب دارنده کارت رزرو میکند. در اینجا الگوریتمهای نمرهدهی تقلب اجرا میشوند و بسته به نمره به دست آمده پاسخ مجوز میتواند تایید، رد و مرجوع شود و یا بهبود یابد و همچنین میتواند عدم تطابق داشته باشد. سپس، فروشنده باید بر اساس پاسخ داده شده عمل کند.
هنگامی که روند تأیید مجوز به پایان میرسد، تراکنشهای کارت هنوز در حال انجام است، چرا که آنها باید تسویه شوند. که بسته به روند تسویه حساب، ممکن است از چند دقیقه تا چند روز زمان نیاز داشته باشد . به همین علت، زمانی که پرداخت تایید شده عملیات جعلی است، صاحبان کارت نمیتوانند بلافاصله حرکت را در حساب بانکی ببینند.
