تشخیص تقلب در پرداخت آنلاین با استفاده از تکنیک های یادگیری ماشینی

امروزه با گسترش روزافزون تجارت الکترونیک و تراکنش های آنلاین، کلاهبرداری های مالی به یکی از چالش های اصلی امنیت سایبری و عامل سلب اعتماد کاربران تبدیل شده است. تشخیص بهنگام و دقیق تراکنش های تقلبی، نه تنها از خسارات مالی هنگفت جلوگیری می کند، بلکه پایداری و اعتبار سیستم های بانکی را تضمین می نماید. هدف اصلی این پژوهش، ارائه مدلی هوشمند و کارآمد برای شناسایی الگوهای تقلب در پرداخت های آنلاین با استفاده از تکنیک های پیشرفته یادگیری ماشین و مقایسه عملکرد رویکردهای مختلف است. روش پژوهش حاضر از نوع توصیفی-تحلیلی و کاربردی است که بر روی مجموعه داده های استاندارد تراکنش های مالی (مستخرج از Kaggle) انجام شده است. پس از پیش پردازش داده ها، شامل نرمال سازی و مدیریت عدم تعادل شدید کلاس ها با تکنیک SMOTE، سه الگوریتم جنگل تصادفی، XGBoost و شبکه عصبی عمیق (DNN) طراحی و پیاده سازی شدند. مدل ها با استفاده از ۷۰ درصد داده ها آموزش دیده و عملکرد آن ها بر اساس معیارهای دقت، صحت، یادآوری و F۱-Score روی داده های آزمون ارزیابی گردید. نتایج نشان داد که اگرچه همه مدل ها دقت قابل قبولی داشتند، اما شبکه عصبی عمیق (DNN) با دستیابی به دقت ۹۸.۵۰ درصد و یادآوری ۹۸.۲۷ درصد، عملکردی خیره کننده در شناسایی تراکنش های تقلبی ارائه داد و خطای منفی کاذب را به حداقل رساند. در مقابل، مدل های XGBoost و جنگل تصادفی با وجود سرعت بالاتر، در تشخیص الگوهای پیچیده ضعیف تر عمل کردند. این یافته ها ثابت می کند که رویکردهای یادگیری عمیق به دلیل توانایی استخراج ویژگی های غیرخطی، قابل اعتمادترین گزینه برای امنیت درگاه های پرداخت هستند.

کلیدواژه ها:

تشخیص تقلب ، پرداخت آنلاین ، یادگیری عمیق ، XGBoost ، داده های نامتوازن ، امنیت سایبری