Modelo de Markov Oculto

Fraude de cartão de crédito detectada usando modelo de Markov oculto.

Resumo- Consumidores costumam usar a internet para comprar e utilizar o banco. A maioria faz uso de cartões de crédito. Como o cartão de crédito se tornou o modo mais popular de pagamento, fraudes associadas a ele também aumentaram. Neste artigo, modelamos a operação de uma transação de cartão de crédito usando o modelo de Markov (HMM) e mostramos como pode ser usado para a detecção de fraudes. Um HMM é treinado com comportamento normal de um cartão. Se uma operação do cartão não é aceita pelo HMM com probabilidade alta suficiente é considerada fraude. Vamos apresentar resultados experimentais para mostrar a efetividade de nossa aproximação.

Introdução- Compras de cartões de crédito podem ser categorizadas em dois tipos: 1) cartão físico e 2) cartão virtual. No cartão físico, o cartão é apresentado fisicamente para um comerciante realizar o pagamento. Para serem feitas transações de fraude neste cartão, o atacante tem que roubar o cartão de crédito. Se o dono do cartão se dar conta do roubo, pode ser realizada um financiamento substancial de perda dada pela companhia. No segundo tipo de cartão, apenas algumas informações importantes sobre o cartão (número, data de expiração, código de segurança) são necessários para realizar o pagamento. Estas compras normalmente são feitas pela internet ou telefone. Para realizar a fraude nestes tipos de compras, é necessário apenas saber os detalhes do cartão. Na maioria das vezes, o dono do cartão não sabe que as informações foram vistas ou roubadas. O único jeito de saber é analisando os padrões de gastos do cartão e ver algo inconsistente com o padrão de gastos normal. Detecção de fraude realizada com base na análise da data de compras é um jeito promissor de reduzir o sucesso de fraudes de cartões de crédito. Assim como humanos tendem a exibir perfis comportamentais específicos, todo cartão pode ser representado por padrões contendo informações sobre a categoria de compra típica, o tempo desde a última compra, a quantidade de dinheiro gasta, etc. O desvio destes padrões é uma ameaça potencial para o sistema.

Trabalho relatado

1. Detecção de fraude no sistema

Todas as informações sobre o cartão de crédito como número, nome, número de cvv, mês de expiração e ano do cartão de crédito. Banco de dados do cartão verificado. Quando o usuário entra com a informação correta será pedido o número de identidade pessoal (PIN). Quando o sistema está calculando o PIN com as informações da conta oferecidas, o modulo de checagem de fraude será ativado. Se o usuário do cartão possui menos de 10 transações, será direcionado o pedido para fornecer informações pessoais para ser realizada a transação. Uma vez que o banco de dados de 10 transações é desenvolvido, o sistema de detecção de fraude começa a operar. Usando estas informações, é determinado o perfil de gastos. A compra será verificada com o perfil de compras do usuário. Pela transação probabilística calculada pelo HMM, será decidido se a transação é real ou é fraude. Se a transação é considerada fraude, o sistema pedirá algumas informações de segurança. A informação é relacionada com o cartão de crédito (como número da conta, pergunta e resposta de segurança que foram providenciadas no momento de registro). Se a detecção de fraude na transação é verificada, então a forma de segurança da informação irá surgir. Terá um conjunto de questões que o usuário terá que responder corretamente para realizar a transação. Serão informações pessoais, profissionais, endereço, data de nascimento etc que estão disponíveis no banco de dados. Se esta informação for calculada corretamente com a informação do banco de dados, a transação poderá ser feita de forma segura. A transação do usuário será finalizada e transferida para a compra online. O fluxograma do modelo é mostrado na figura 1:

Inicio -> Login -> Compra -> Informação do cartão de crédito -> Verificação com checagem de fraude -> Transação -> Fim.

[pic 1]

Técnicas de classificação

1. Redes Neurais

Rede neural é definida como um conjunto de nós projetados para representar as funções do cérebro humano. Cada nó possui peso de conexão que faz link com outros nós em camadas adjacentes. Um nó solitário possui entrada recebida de outros nós já conectados e usa o peso da conexão destes nós juntos com conexão fácil computada de valores de saída. Redes neurais podem ser criadas por um aprendizado supervisionado ou não supervisionado. O usuário especifica o número de camadas ocultas com o número de nós contidos em uma especifica camada escondida. A camada de saída de uma rede neural pode conter um ou vários nós dependendo da aplicação. Recentemente pesquisas sobre redes neurais possuem vários métodos associados de análises estatísticas e numéricas em suas redes. Em determinados casos, as relações não lineares mapeadas vão do espaço de entrada ao de saída. Redes neurais podem aprender e sumarizar suposições internas de dados mesmo sem conhecimento de datas potenciais principais em avanço. Métodos estatísticos as vezes são não usais em pesquisas praticas mesmo com avanço dos benefícios das redes neurais na aplicação da detecção de fraude de cartão de crédito.

1. Mineração de dados

Popularmente usada para combater fraudes por conta de sua efetividade. É uma rede bem definida que usa os dados como entrada e produz modelos de padrões de saída. O projeto de uma rede neural (NN) do sistema de detecção do cartão de crédito foi baseada em um modelo não supervisionado que foi aplicado em transações de dados para gerar 4 aglomerados de baixo, alto e muito alto riscos. A técnica de organização pessoal do mapa de rede neural (SOMNN) foi usada para solucionar o problema de carregar para fora a opção mais favorável de classificação de cada transação em que é associada a um grupo, sendo a saída prioritária desconhecida. A curva de operação recebida de fraude do cartão de crédito (CCF) foi detectada em 95% das fraudes detectadas sem causar alarmes falsos. Isto mostra que a CCF está de acordo com outra detecção de software funcionando melhor.