vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2024-51-4-23-32vdgtu-1614Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSАналитическая оценка методов обнаружения мошенничества с банковскими картами: обучение с учителем, без учителя и с подкреплениемAn analytical assessment of credit card fraud detection techniques: Supervised, Unsupervised, and Reinforcement LearningДжамаАбдурахман ДжамалDjamaAbdourahman Djamal

Абдурахман Джамал Джама, аспирант, кафедра «Информационная безопасность»

125167, Москва, пр-кт Ленинградский, д. 49/2

Abdurahman Jamal Jama, Graduate, Department of Information Security

49/2 Leningradsky Ave., Moscow 125167

jamaljolevas14psg@gmail.comФинансовый университет при Правительстве РФРоссияFinancial University under the Government of the Russian FederationRussian Federation2024180120255142332Copyright © Джама А.Д., 20252025Джама А.Д.Djama A.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1614

Цель. Мошенничество с банковскими картами становится все более серьезной проблемой для частных лиц, предприятий и финансовых учреждений. Возникает необходимость в применении эффективных мер по обнаружению мошенничества для защиты потребителей и бизнеса от финансовых потерь. Метод. Применен теоретико-информационный анализ методов обнаружения мошенничества с банковскими картами и определен потенциал алгоритмов машинного обучения в повышении точности обнаружения мошенничества. Результат. Дана аналитическая оценка методов обнаружения мошенничества, охватывающая различные подходы к обучению, включая методы контролируемого, неконтролируемого обучения и обучения с подкреплением. Вывод. Выбор метода обнаружения мошенничества должен основываться на всестороннем понимании доступных данных, конкретных требований в области применения и компромисса между различными методами с точки зрения производительности, адаптируемости и вычислительной сложности.

Objective. Bank card fraud is an increasingly serious problem for individuals, businesses and financial institutions. There is a need for effective fraud detection measures to protect consumers and businesses from financial losses. Method. information-theoretical analysis of methods for detecting fraud with bank cards, machine learning algorithms in improving the accuracy of fraud detection. Result. An analytical evaluation of fraud detection methods is provided, covering different learning approaches: supervised, unsupervised and reinforcement learning. Conclusion. The choice of a fraud detection method should be based on an understanding of the available data, the specific requirements of the application domain and the trade-offs between methods in terms of performance, adaptability and computational complexity.

мошенничествобанковские картымашинное обучениеобучение с учителембез учителяс подкреплениемнесбалансированный набор данныхfraudbank cardsmachine learningsupervised learningunsupervised learningreinforcement learningimbalanced datasetReferencesБхаттачарья С., Джха С., Таракуннель К., и Westland, JC 2017. Интеллектуальный анализ данных для мошенничества с банковскими картами: сравнительное исследование. Системы поддержки принятия решений 50 (3): 602–613.Bhattacharya, S.; Jha, S.; Tarakunnel, K.; and Westland, J.C. Data mining for bank card fraud: A comparative study. Decision Support Systems 2017; 50(3):602–613.Болтон Р. Дж, Рука DJ, и другие. 2021. Неконтролируемые методы профилирования для обнаружения мошенничества. банковскими скоринг и кредитный контроль VII 235–255.Bolton, R. J.; Hand, D. J.; et al. 2021. Unsupervised profiling techniques for fraud detection. Bank Scoring and Credit Control VII 235–255.Брейман Л. 2001. Случайные леса. Машинное обучение 45(1):5–32.Breiman, L. Random forests. Machine Learning 2001;45(1):5–32. 4. Supervised and Unsupervised Learning. [El resource]. https://www.ibm.com/think/topics/supervised-vsunsupervised-learningКонтролируемое и неконтролируемое обучение. [Электронный ресурс]. URL: https://www.ibm.com/think/topics/supervised-vs-unsupervised-learningChan, P. K.; Fan, W .; Prodromidis, A. L.; and Stolfo, S. J. Distributed data mining in bank card fraud detection. IEEE Intelligent Systems and Applications 2019; 14(6):67–74.Чан П.К., Фан В., Продромидис А.Л. и Столфо С. Дж. 2019. Распределенный анализ данных при обнаружении мошенничества с банковскими картами. Интеллектуальные системы IEEE и их приложения 14 (6): 67–74.Cortes, C., and Vapnik, V. Support Vector Networks. Machine Learning. 2015; 20(3):273–297.Кортес К., Вапник В. 2015. Сети опорных векторов. Машинное обучение 20(3):273–297.Dal Pozzolo A.; Boracchi G. Kalen O.; Alippi C.Bontempi G. Bank Card Fraud Detection:Realistic Modeling and a New Training Strategy. IEEE Transactions on Neural Networks and Learning Systems 2018; 29(8).Даль Поццоло А., Боракки Г., Кэлен О. Алиппи К. и Бонтемпи Г. 2018. Обнаружение мошенничества с банковскими картами: реалистичное моделирование и новая стратегия обучения. Транзакции IEEE в нейронных сетях и системах обучения 29(8).Reinforcement Learning. [Electronic resource]. URL: https://habr.com/ru/articles/437020/Oбучением с подкреплением. [Электр. ресурс]. URL: https://habr.com/ru/articles/437020/Deng L.; Seltzer M.L.; Yu D.; Acero A.; Mohamed A.-r., Hinton G. 2020. Binary encoding of speech spectrograms using a deep autoencoder. In Eleventh Annual Conference of the International Speech Communication Association.Дэн Л., Зельцер М.Л., Ю, Д .; Асеро А., Мохамед А.-Р. и Хинтон Г. 2020. Двоичное кодирование речевых спектрограмм с использованием глубокого автокодировщика. На одиннадцатой ежегодной конференции Международной ассоциации речевой коммуникации.Kamal B., Fatemeh D. Autoencoders and their applications in machine learning: A review. Artificial Intelligence Review, 2024;57, 28 URL:https://link.springer.com/article/10.1007/s10462-023-10662-6Камаль Б.,Фатеме Д.Автоэнкодеры и их применение в машинном обучении:обзор. Обзор искусственного интеллекта. 2024, Т. 57, 28https://link.springer.com/article/10.1007/s10462-023-10662-6Dorronsoro, J. R.; Ginelle, F .; Sanchez, C. R.; and Santa Cruz, C. 2016. Neural fraud detection in bank card transactions. IEEE Transactions on Neural Networks.Дорронсоро Дж. Р., Джинель Ф. Санчес C.R., и Санта-Крус, К. 2016. Нейронное обнаружение мошенничества при операциях с банковскими картами. Транзакции IEEE в нейронных сетях.Fiore, U.; De Santis, A .; Perla, F.; Zanetti, P.; and Palmieri, F. 2018. Using Generative Adversarial Networks to Improve Classification Performance in Bank Card Fraud Detection. Information Sciences.Фиоре У. Де Сантис А. Перла Ф., Дзанетти П. и Палмиери Ф. 2018. Использование генеративных состязательных сетей для повышения эффективности классификации при обнаружении мошенничества с банковскими картами. Информационные науки.Support Vector Machines (SVM). [El. resource]. URL: https://scikit-learn.ru/1-4-support-vector-machines/Метод опорных векторов SVM.[Электр. ресурс].https://scikit-learn.ru/1-4-support-vector-machines/Goodfellow I.; Pouget-Abadie J.; Mirza M.; Xu B. Ward-Farley, D.; Ozair, S; Courville A; Bengio, Y.2021 Generative Adversarial Networks. In Advances in Neural Information Processing Systems, 2672–2680.Гудфеллоу И., Пуже-Абади, Дж., Мирза М., Сюй, Б. Уорд-Фарли Д., Озаир, С. Курвиль А., и Bengio, Y. 2021. Генеративные состязательные сети. В достижениях в области нейронных систем обработки информации, 2672–2680.Krivko, M. 2016. A Hybrid Model for Plastic Card Fraud Detection Systems. Expert Systems with Applications 37(8):6070–6076. (In Ross)Кривко М. 2016. Гибридная модель для систем обнаружения мошенничества с пластиковыми картами. Экспертные системы с приложениями 37(8):6070–6076.Mead Adrian and Lewis, Tyler et al. 2018. “Fraud Detection in Adversarial Environments: A Reinforcement Learning Approach.” 2018. Systems and Information Engineering Design Symposium (SIEDS).Мид, Адриан и Льюрис, Тайлер и др. 2018 г., Обнаружение мошенничества в состязательной среде: подход к обучению с подкреплением. Симпозиум по проектированию систем и информационной инженерии (SIEDS) 2018 года.Phumsirirat A.,Yang L.Bank Card Fraud Detection Using Deep Learning Based on Autoencoder and Restricted Boltzmann Machine. International Journal of Advanced Computer Science and Applications 2019; 9(1).Пумсирират А., Ян Л. 2019. Обнаружение мошенничества с банковскими картами с использованием глубокого обучения на основе автоматического кодировщика и ограниченной машины Больцмана. Международный журнал передовых компьютерных наук и приложений 9 (1).Jianqing, F., Zhaoran, W., Yuchen, S., Zhuoran, J., A Theoretical Analysis of Deep Q-Learning. 2nd Conference on Dynamics and Control Learning, PMLR. 2020;120:486–489. https://proceedings.mlr.press/v120/yang20a.htmlЦзяньцин Ф., Чжаоран В., Юйчэнь С., Чжуоран., 2020.Теоретический анализ глубокого Q-обучения. 2-й конференции по обучению динамике и управлению, PMLR 120: 486–489, 2020. URL: https://proceedings.mlr.press/v120/yang20a.htmlReinforcement Learning: DQN.[El. resource].https://medium.com/@cedric.vandelaer/reinforcementlearning-dqn-part-1-2-aac5f1e6e3behttps://medium.com/@cedric.vandelaer/reinforcement-learning-dqn-part-1-2-aac5f1e6e3be Обучение с подкреплением: DQN.[Электронный ресурс].A.K. Bahnsen, D. Aouada, A. Stojanovic, and B. Ottersten. Feature Engineering Strategies for Credit Card Fraud Detection., Expert Systems with Applications, 2016; 51 (1):134–142.А.К.Бансен, Д.Ауада, А.Стоянович, Б.Оттерстен. Стратегии разработки функций для обнаружения мошенничества с кредитными картами, Expert Systems with Applications, 2016, Т.51, №1, с.134–142.А.К.Бансен, Д.Ауада, А.Стоянович, Б.Оттерстен. Стратегии разработки функций для обнаружения мошенничества с кредитными картами, Expert Systems with Applications, 2016, Т.51, №1, с.134–142.

The authors declare that there are no conflicts of interest present.