Аналіз різнорідних даних в інтелектуальних системах виявлення шахрайства

Abstract

Авторами статті шахрайство розглядається як аномалія в даних. Розроблено метод аналізу різнорідних даних в інтелектуальних системах виявлення шахрайства. Формалізовано процес виявлення шахрайства як аномалії в різнорідних даних при інсталюванні мобільних додатків з використанням теорії множин, що дозволило здійснити подальший аналіз даних у таких системах. Запропоновано математичну модель процесу аналізу різнорідних даних, алгоритм аналізу різнорідних даних, метод аналізу різнорідних даних на основі запропонованих шкал та коефіцієнтів, що дозволили обробляти різноформатні вхідні дані — різних метрик, шаблонів, розмірності, що у процесі аналізу дає можливість сформувати узагальнений шаблон шахрая. Розроблений метод використовує бази даних та бази знань, завдяки яким формується узагальнений шаблон шахрая, наявність якого дозволяє прискорити виявлення шахраїв у нових наборах даних та виявляти навіть неявних шахраїв. Запропонований метод розроблений з метою його використання в інтелектуальних системах виявлення шахрайства на основі аномалії в даних, які, на відміну від існуючих, дозволять здійснити аналіз різнорідних даних, на основі яких приймаються рішення про шахрайство, зменшити розмірності даних та провести класифікацію користувачів. Проведено експериментальні дослідження запропонованого методу аналізу різнорідних даних у межах виявлення шахрайства як аномалії в різнорідних даних та класифікаційної моделі, розробленої з використанням повністю зв’язаних глибоких нейронних мереж з трьома прихованими шарами з використанням розробленого програмного забезпечення та з використанням репрезентативної вибірки. Запропоновано схему експериментального дослідження виявлення аномалій в різнорідних даних при інсталюванні мобільних додатків, в основі якої є представлений метод аналізу різнорідних даних. Показано ефективність використання запропонованого методу у системі виявлення шахрайства, точність класифікації якої склала 99,14 %, точність виявлення шахраїв — 82,76 %. Проте зі збільшенням правил у розробленій базі знань, що буде відбуватися з кожним запуском на нових даних, збільшуватиметься точність системи.Fraud is being considered as an anomaly in the data in the work. The work is devoted to the development of a method of heterogeneous data analysis in intelligent fraud detection systems. The detection of fraud as an anomaly in heterogeneous data during mobile applications installation using set theory, which allowed further data analysis in such systems, is formalized. The mathematical model of the process of heterogeneous data analysis, the algorithm of heterogeneous data analysis, the method of heterogeneous data analysis on the basis of the proposed scales and coefficients that allowed processing of various input data — data of various metrics, templates, dimensions, which in the analysis process makes it possible to form a generalized fingerprint of fraudster, is proposed. The developed method uses the databases and knowledge bases, through which a generalized fingerprint of the fraudster is formed, the presence of which allows accelerating the detection of fraudsters in new data sets and detecting even implicit fraudsters. The proposed method is designed to use it in intelligent systems for fraud detection based on anomalies in data that, unlike existing ones, will allow analyzing heterogeneous data on the basis of which fraudulent decisions are made, to reduce the dimensionality of data and to classify users. Experi-mental researches of the proposed method of heterogeneous data analysis as a part of detection of fraud as anomalies in heterogeneous data and a classification model developed using fully connected deep neural networks with three hidden layers using the developed software and using a representative sample have been carried out. The scheme of experimental research of detection of anomalies in heterogeneous data during the mobile applications installation, based on which meth-od of heterogeneous data analysis was presented has been proposed. The efficiency of using the proposed method in the fraud detection system is shown, the classification accuracy of which was 99,14 %, the accuracy of the fraud detection is 82,76 %. However, with the increase of rules in the developed knowledge base, which will grow with each launch on the new data, the accuracy of the system will increase.Авторами мошенничество рассматривается как аномалия в данных. Разработан метод анализа разнород-ных данных в интеллектуальных системах обнаружения мошенничества. Формализован процесс выявления мошенничества как аномалии в разнородных данных при инсталлировании мобильных приложений с использова-нием теории множеств, что позволило осуществить дальнейший анализ данных в таких системах. Предложена математическая модель процесса анализа разнородных данных, алгоритм анализа разнородных данных, метод анализа разнородных данных на основе предложенных шкал и коэффициентов, которые позволили обрабаты-вать разноформатные входные данные — различные метрики, шаблоны, размерности, что в процессе анализа дает возможность сформировать обобщенный шаблон мошенника. Разработанный метод использует базы данных и базы знаний, благодаря которым формируется обобщенный шаблон мошенника, наличие которого позволяет ускорить выявление мошенников в новых наборах данных и выявлять даже неявных мошенников. Предложенный метод разработан с целью его использования в интеллектуальных системах обнаружения мо-шенничества на основе аномалии в данных, которые, в отличие от существующих, позволят провести анализ разнородных данных, на основе которых принимаются решения о мошенничестве, уменьшить размерности данных и провести классификацию пользователей. Проведены экспериментальные исследования предложенного метода анализа разнородных данных в рамках выявления мошенничества как аномалии в разнородных данных и классификационной модели, разработанной с использованием полностью связанных глубоких нейронных сетей с тремя скрытыми слоями с использованием разработанного программного обеспечения, репрезентативной выборки. Предложена схема экспериментального исследования для выявления аномалий в разнородных данных при инсталлирования мобильных приложений, в основе которой лежит представленный метод анализа разно-родных данных. Показана эффективность использования предложенного метода в системе определения мошен-ничества, точность классификации которой составила 99,1 4%, точность обнаружения мошенников — 82,76 %. Однако с увеличением правил в разработанной базе знаний, которое будет происходить с каждым запуском на новых данных, будет увеличиваться точность системы.