|сгенерировать QR код
Открытый доступ
Только для подписчиков
Построение систем фрод-мониторинга: подходы, методики, модели и их практическая реализация
https://doi.org/10.34020/2073-6495-2024-4-079-096
Аннотация
Банки и финансовые организации используют различные программно-технологические решения, направленные на противодействие мошенническим транзакциям, и спектр таких решений достаточно широк. Поскольку ни одно из решений не гарантирует полного исключения разнообразных мошеннических действий, антифрод-системы постоянно развиваются и совершенствуются. В настоящей работе предпринята попытка систематизировать информацию, касающуюся построения систем фрод-мониторинга, выделить основные подходы к созданию таких систем, кратко описать используемые методики и модели, а также представить результаты сравнительного анализа наиболее известных отечественных и зарубежных систем фрод-мониторинга.
Об авторах
Н. М. Крайнов
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Крайнов Никита Михайлович - аспирант
Новосибирск
Л. К. Бобров
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
Бобров Леонид Куприянович - доктор технических наук, профессор кафедры прикладной информатики
Новосибирск
Список литературы
1. Абрамовский А.А. Профайлинг. Понятие и основные направления в криминалистике // Известия Тульского государственного университета. 2020. № 2. С. 44–56.
2. User Entity and Behavioral Analytics. Энциклопедия Касперского [сайт]. URL: https://encyclopedia.kaspersky.ru/glossary/ueba/ (дата обращения: 11.04.2024).
3. Ranjan R., Kumar S.S. User behavior analysis using data analytics and machine learning to predict malicious user versus legitimate user // Decision Analytics Journal. 2022. No. 2 (1). P. 1–10.
4. Kaspersky Fraud Prevention [сайт]. Россия, 2014. URL: https://kfp.kaspersky.com/ru/ (дата обращения: 11.04.2024).
5. IBM Corp. [сайт]. США, 1911. URL: https://www.ibm.com/products/safer-payments (дата обращения: 11.04.2024).
6. Sardar T.H., Ansari Z. Partition based clustering of large datasets using MapReduce framework: An analysis of recent themes and directions // Future Computing and Informatics Journal. 2018. No. 3 (2). P. 247–261.
7. Bhattacharya R., Nagwani N.K., Tripathi S. A community detection model using node ambedding approach and graph convolutional network with clustering technique // Decision Analytics Journal. 2023. No. 9. P 1–11.
8. Miguel Ângelo Lellis Moreira, Claudio de Souza Rocha Junior, Diogo Ferreira de Lima Silva, Marcos Alexandre Pinto de Castro Junior, Igor Pinheiro de Araújo Costa, Carlos Francisco Simões Gomes. Exploratory analysis and implementation of machine learning techniques for predictive assessment of fraud in banking systems // Procedia Computer Science. 2022. No. 1 (214). P. 117–124.
9. Осипова Т.А., Зайцев К.С., Биферт В.О. Применение алгоритмов машинного обучения к задаче выявления мошенничества при использовании пластиковых карт // International Journal of Open Information Technologies. 2021. № 1. С. 23–29.
10. Иванова Г.С., Фокина Ю.О. Анализ использования алгоритмов машинного обучения в системах фрод-мониторинга // Технологии инженерных и информационных систем. 2022. № 2. С. 121–132.
11. Вертухов В.К., Ткаченко С.Н. Использование машинного обучения в системах фрод-мониторинга // Наука, технологии и инновации: тенденции и направление развития: сб. науч. тр. по мат-лам XVI Международного междисциплинарного форума молодых ученых. М.: Профессиональная наука, 2019. С. 24–31.
12. Власенко А.В., Дзьобан П.И., Жук Р.В. Обзор инструментов машинного обучения и их применения в области кибербезопасности // Прикаспийский журнал: управление и высокие технологии. 2020. № 1 (49). С. 144–155.
13. Dornadula V.N., Geetha S. Credit Card Fraud Detection using Machine Learning Algorithms // Procedia Computer Science. 2019. No. 1 (165). P. 631–641.
14. Domashova J., Kripak E. Identification of non-typical international transactions on bank cards of individuals using machine learning methods // Procedia Computer. 2021. No. 1 (190). P. 178–183.
15. Sadgali I., Sael N., Benabbou F. Performance of machine learning techniques in the detection of financial frauds // Procedia Computer Science. 2019. No. 1 (148). P. 45–54.
16. Левашов М.В., Овчинников П.В. Эффективность классификаторов для выявления фрода в финансовых транзакциях // Вопросы кибербезопасности. 2019. № 5 (33). С. 63–69.
17. Osegi E.N., Jumbo E.F. Comparative analysis of credit card fraud detection in Simulated Annealing trained Artificial Neural Network and Hierarchical Temporal Memory // Machine Learning with Applications. 2021. No. 6. P. 1–10.
18. Kathikeyan T., Govidarajan M., Vijayakumar V. An effective fraud detection using competitive swarm optimization based deep neural network // Measurement: Sensors. 2023. No. 27. P. 1–13.
19. Intissar Grissa, Ezzeddine Abaoub. Enhancing Fraud Detection in Financial Statements with Deep Learning: An Audit Perspective // International Journal For Multidisciplinary Research. January-February 2024. Vol. 6, issue 1. URL: https://www.ijfmr.com/papers/2024/1/13451.pdf (дата обращения: 23.06.2024).
20. Patricia Craja, Alisa Kim, Stefan Lessmann. Deep learning for detecting financial statement fraud // Decision Support Systems. December 2020. Vol. 139. 113421. URL: https://doi.org/10.1016/j.dss.2020.113421 (дата обращения: 23.06.2024).
21. Nice company [сайт]. 1986. URL: https://www.niceactimize.com/ (дата обращения: 02.04.2024).
22. FICO company [сайт]. 1956. URL: https://www.fico.com/ (дата обращения: 03.04.2024).
23. SAS company [сайт]. 1976. URL: https://www.sas.com (дата обращения: 08.04.2024).
24. Cybertonica OmniReact [сайт]. 2015. URL: https://cybertonica.ru/products/omnireact/ (дата обращения: 02.04.2024).
25. BI. ZONE Fraud Prevention [сайт]. 2016. URL: https://bi.zone/catalog/products/antifraud/ (дата обращения: 03.04.2024).
26. Фрод-мониторинг: противодействие мошенничеству. Новостной портал AI RUSSIA [сайт]. 2021. URL: https://ai-russia.ru/library/sber-transaction (дата обращения: 03.04.2024).
27. Мошенники стали чаще атаковать россиян. Аналитический центр НАФИ [сайт]. 2023. URL: https://nafi.ru/analytics/moshenniki-stali-chashche-atakovat-rossiyan/ (дата обращения: 12.04.2024).
28. Потери банков от киберпреступности. TADVISER [сайт]. 2024. URL: https://www.tadviser.ru/ (дата обращения: 12.04.2024).
29. Мошенничество с банковскими картами и платежами. TADVISER [сайт]. 2024. URL: https://www.tadviser.ru/ (дата обращения: 12.04.2024).
30. Данилова Е.П., Портняга Е.М. Финансовое мошенничество в современном мире // Siberian Socium. 2023. Т. 7, № 2 (24). С. 67–97.
Рецензия
Для цитирования:
Крайнов Н.М., Бобров Л.К. Построение систем фрод-мониторинга: подходы, методики, модели и их практическая реализация. Вестник НГУЭУ. 2024;(4):79-96. https://doi.org/10.34020/2073-6495-2024-4-079-096
For citation:
Krainov N.M., Bobrov L.K. Building fraud monitoring systems: approaches, methods, models and their practical implementation. Vestnik NSUEM. 2024;(4):79-96. (In Russ.) https://doi.org/10.34020/2073-6495-2024-4-079-096
Послать статью по эл. почте 
