بررسی روش های تشخیص تقلب در سیستم بانکداری الکترونیک

کلاهبرداری مالی، که به عنوان روش های گمراه کننده برای کسب سود مالی نیز شناخته می شود، اخیرا به یک تهدید وسیع در بین شرکت ها و موسسات تبدیل شده است. روش های سنتی نظیر تاییدات دستی و بازرسی ها برای شناسایی این نوع فعالیت های کلاهبردارانه، نه تنها دارای دقت پایین، بلکه هزینه بر و وقت گیر نیز هستند. با پیشرفت هوش مصنوعی، می توان از روش های یادگیری ماشین برای به طور هوشمندانه شناسایی معاملات تقلبی با تحلیل حجم وسیعی از داده های مالی استفاده کرد. این مقاله در پی ارائه یک مرور سیستماتیک ادبیات (SLR) است که به طور جامع مطالعات موجود در زمینه تشخیص تقلب در کارت های اعتباری را بررسی و تلفیق می کند. بر اساس روش های جستجوی معین شده در کتابخانه های الکترونیکی و ژورنال های علمی معتبر، مطالعات متعددی جمع آوری شده اند. پس از اعمال معیارهای ورود و خروج، در نهایت ۱۲۵ مقاله برگزیده، تحلیل و ارزیابی شدند. این مرور به بررسی تکنیک های متداول یادگیری مورد استفاده برای شناسایی تقلب، شایع ترین انواع کلاهبرداری و معیارهای ارزیابی می پردازد. مطالعات مورد بررسی نشان داده اند که الگوریتم های درخت تصمیم، ماشین بردار پشتیبان، شبکه های عصبی مصنوعی و یادگیری عمیق از الگوریتم های محبوب یادگیری ماشین برای تشخیص تقلب هستند و کلاهبرداری با کارت های اعتباری رایج ترین نوع کلاهبرداری است که توسط تکنیک های یادگیری ماشین مورد بررسی قرار می گیرد. این مقاله در نهایت به بیان مشکلات، خلاها و محدودیت های اصلی در زمینه کشف تقلب مالی می پردازد و حوزه های پیشنهادی برای تحقیقات آتی را معرفی می کند.

کلیدواژه ها:

کشف تقلب ، بانکداری الکترونیک ، هوش مصنوعی ، فیشینگ