ارائه روشی جهت کاهش ریسک پذیری تراکنش های کارت های اعتباری مبتنی بر بلاک چین و شبکه های یادگیری عمیق

امروزه برای کاهش ریسک پذیری تراکنش های کارت اعتباری، بر اساس مجموعه داده های تراکنش، بسیاری از روش های تجزیه و تحلیل اعتباری در بلاک چین استفاده می شود. ارزیابی مجموعه داده های کارت اعتباری منجر به انتخاب لغو اعتبار تراکنش یا رد درخواست تراکنش می شود. این مکانیزم کاری چالش برانگیز شامل ارزیابی عمیق دیتاست یا اطلاعات تراکنش است. در بسیاری از رویکردهای مبتنی بر یادگیری عمیق در تراکنش های کارت اعتباری، به دلیل پایین بودن محسوس دقت و کاهش زیان های ناشی از تقلب، تمرکز بر استفاده از توسعه الگوریتم های یادگیری عمیق بوده است. در این مقاله، روشی پیشنهاد می گردد که با استفاده از بهینه سازی فاکتورهای اساسی بلاک چین مبتنی بر یادگیری عمیق تا حد قابل توجهی ریسک پذیری تراکنش های کارت های اعتباری را کاهش می دهد. همچنین با استفاده از ارزیابی ریسک پذیری پارامترها، مراحلی چون جمع آوری داده ها، حذف و مدل سازی داده استوار بر پایگاه داده اصلی ارائه می شود. نتایج ارزیابی نشان می دهند روش پیشنهادی در این مقاله، با افزایش دقت سیستم به میزان ۹۳.۱۸ % ، قادر است ریسک پذیری را به مقدار قابل توجهی کاهش دهد.

کلیدواژه ها:

کارت های اعتباری ، بلاک چین ، ریسک پذیری ، شبکه های یادگیری عمیق