مروری بر روش‌های کشف تقلب بانکی با استفاده از هوش مصنوعی Journal Article

Corresponding Author: اکبرالسادات، سید مجید ؛

اکتشاف و پردازش هوشمند دانش پاییز 1401،سال دوم - شماره 6 (‎22 page(s) - From 20 to 41 )

Keywords: کلمات کلیدی: تقلب بانکی معاملات متقلبانه تراکنش‌های جعلی کشف تقلب بانکی بانکداری الکترونیک کلاه‌برداری Electronic banking Fraud Keywords: Bank Fraud Fraudulent Transactions Fake Transactions Bank Fraud Detection

fa en

Abstract:

کشف تقلب برای بانکداری آنلاین یک زمینه مطالعاتی بسیار مهم است، زیرا مجرمان سایبری حملات جدید کلاه‌برداری پیچیده‌ای را به‌صورت روزانه طراحی می‌کنند، بنابراین این امر مستلزم آن است که محققان تکنیک‌های جدید کشف تقلب را به‌طور مداوم توسعه دهند. تقلب بانکی با توجه به تأثیرات مخرب آن، یکی از تهدیدآمیزترین مشکلاتی است که هر جامعه بشری با آن دست‌وپنجه نرم می‌کند. این عمل به استفاده عمدی از اطلاعات نادرست برای کلاه‌برداری از پول یا دارایی فرد یا سازمان دیگری اشاره دارد. صنعت بانکداری برای چندین دهه از سیستم‌های مبتنی بر قوانین برای شناسایی تقلب و بررسی انسانی تراکنش‌ها استفاده کرده است. سیستم‌های مبتنی بر قانون شامل الگوریتم‌هایی هستند که انواع مختلفی از اقدامات شناسایی را انجام می‌دهند که به‌صورت دستی توسط متخصصان تقلب نوشته شده‌اند. این سیستم‌ها به تنظیم دستی سناریوها نیاز دارند، که در تشخیص ضمنی همبستگی‌های معاملاتی که به تقلب اشاره می‌کنند، دچار چالش می‌شوند. با توجه به ضعف‌های ذاتی رویکرد تشخیص تقلب مبتنی بر قانون در بانک‌ها و داده‌های محدودی که بر الگوریتم‌های یادگیری ماشین تحت نظارت متداول استفاده می‌شود، نیاز مبرمی به تکنیک‌ها یا سیستم‌های جدید تشخیص تقلب وجود دارد که بتوانند با افزایش سریع تقلب‌ها و موارد پول‌شویی مقابله کنند. این تحقیق با استفاده از رویکرد مروری و با هدف بررسی روش‌های کشف تقلب بانکی به بررسی ادبیات تحقیق و توصیف نتایج مرتبط می‌پردازد.

Detection of fraud is a very important field of study for online banking, as cyber criminals design new complex fraud attacks on a daily basis, so this requires researchers to constantly develop new fraud detection techniques.Bank fraud is one of the most threatening problems that any human society is facing due to its destructive effects. This refers to the intentional use of false information to defraud another person or organization of money or assets. The banking industry has used law-based systems for decades to detect fraud and humanly investigate transactions. Law-based systems include algorithms that perform various types of detection operations that are manually written by fraud experts. These systems require manual adjustment of scenarios, which challenge the implicit recognition of trading correlations that point to fraud.Given the inherent weaknesses of the law-based fraud detection approach in banks and the limited data used on commonly supervised machine learning algorithms, there is an urgent need for new fraud detection techniques or systems that can counteract the rapid rise of fraud and money laundering. This research uses a review approach and with the aim of examining the methods of detecting bank fraud, examines the research literature and describes the relevant results.

Download citation file :
(پژوهیار, , , )

Download PDF
Downlaod HTML

Shortlink:

Page: