بررسی رویکردهای ترکیبی جهت شناسایی تقلب در بانکداری

یکی از مهمترین موانع برای استفاده از بانکداری اینترنتی عدم امنیت تراکنشها و برخی سوءاستفاده ها در مسیر انجام مبادلات مالی است. به همین دلیل جلوگیری از نفوذ غیرمجاز و تشخیص جرم از مسائل مهم در موسسات مالی و بانک ها می باشد. با توسعهی سیستمهای اطلاعاتی، داده به یکی ازمنابع پراهمیت سازمانها مبدل گشته است. بنابراین روش و تکنیکهایی برای دستیابی به داده، اشتراک داده، استخراج اطلاعات از داده و استفاده از ایناطلاعات، مورد نیاز است. در سالهای اخیر فناوری دادهکاوی به یکی از مهمترین روشهای استخراج مفاهیم از مجموعهی دادهها تبدیل شده است. مهم ترین چالش های فراروی بانکداران، وجود رفتارهای غیر متعارف و مشکوک از سوی کاربران و هکرهای الکترونیکی جهت سو استفاده های مالی است. هدف از این مقاله بررسی رویکردهای ترکیبی جهت شناسایی و تشخیص تقلب در بانکداری است. در این مقاله شبکه عصبیSARDBN و RBF و همچنین مدل KDA بررسی شده است نتایج به دست آمده نشان می دهد مدل ترکیبی دقت بالایی دارد. مدل شبکه های عصبی RBF مبتنی بر الگوریتم خوشه بندی APC–III والگوریتم بازگشتی حداقل مربعات است SARDBN از خوشه بندی و شبکه بیزین پویاDBN برای شناسایی ناهنجاری در تراکنش های مشکوک استفاده کرده است. در مدل KDA از سه الگوریتم خوشه بندی متفاوت استفاده شده است AGGLOMERATIVE و K-MEANS , DBSCAN که با هم به عنوان یک راه حل پویا نمایش داده شده اند. روش های ترکیبی دارای این مزیت می باشند که می توانند خود را با تغییرات در جریان داده ها بهتر از روش های تک مدلی تطبیق دهند و دقت بالاتری ارائه دهند.

کلیدواژه ها:

شناسایی تقلب ، بانکداری ، داده کاوی ، خوشه بندی ، شبکه عصبی