72
likely to overcome these obstacles and pave the way for a smarter, more efficient
chemical industry.
References:
1.
Chen, L., Zhang, S., & Ji, J. (2020). A review on the application of artificial
intelligence in heat exchanger design and operation. Energy Procedia, 173, 246-252.
2.
Dogan, I., Guo, Y., & Cui, Z. (2019). Artificial intelligence applications in
heat exchanger network synthesis and retrofit. Chemical Engineering Research and
Design, 144, 96-110.
3.
García, S., & Cabeza, L. F. (2021). Artificial intelligence and machine
learning for the optimization of heat exchanger networks. Renewable and Sustainable
Energy Reviews, 138, 110506.
4.
Koupaei, J. A., & Pourfayaz, F. (2021). A comprehensive review on heat
exchanger optimization using artificial intelligence. Energy Conversion and
Management, 227, 113649.
5.
Lee, J. C., Kim, H., & Kim, H. M. (2019). A survey of machine learning
applications for the oil and gas industry. Energies, 12(13), 2577.
6.
Li, Y., Gao, H., & Wang, F. (2018). A survey of deep neural network
architectures and their applications. Neurocomputing, 234, 11-26.
7.
Sánchez, C. A., & Martin, E. (2019). Artificial intelligence for improving
energy efficiency: A review. Energy and Buildings, 202, 109374.
ОБ ОДНОМ ПОДХОДЕ ОЦЕНКИ ПЛАТЕЖНЫХ ТРАНЗАКЦИЙ НА
ПРЕДМЕТ МОШЕННИЧЕСТВА
доц. Х.К. Самаров
Ташкентский университет информационных технологий
Аннотация:
В данной статье предлагается алгоритм предсказания
мошеннических транзакций. В алгоритме используется методы анализа,
статистики, скоринга и классификации.
Ключевые слова:
Мошенничество, транзакция, аккаунт, скоринг, фрод
мониторинг, антифрод системы, риск, алгоритм, метод.
В настоящее время увеличивается количество финансовых транзакций, что
приводит к росту финансового мошенничества и, как следствие, возникновению
потерь в мировой экономике от кибератак. Выявление девиантных транзакций
является актуальной темой современных исследований, поскольку для всех
участников банковской системы важно минимизировать риски, которые могут
возникать из-за наличия уязвимостей при совершении онлайн-операций. Рост
финансовых
потерь
из-за
увеличения
финансового
мошенничества
актуализирует значимость применения математических методов для анализа
73
реальных данных. В статьи предлагается алгоритм предсказания мошеннических
операций.
Методы оценки мошенничества используются для выявления и оценки
транзакций с наибольшим риском — в отсутствии карты, которые нуждаются в
дополнительной проверке. Они могут выявлять схемы мошеннической
деятельности и отличать эти схемы от законной транзакционной деятельности.
Для каждой транзакции вычисляется числовое значение (оценка),
отражающее вероятность того, что она может быть мошеннической.
В платежных системах, которые функционируют сейчас в нашей стране,
чтобы провести транзакцию, достаточно иметь 16-ти значный номер карты, срок
действия карты и номер телефона, к которому подключена услуга СМС-
информирования. Мошенники регистрируются в платежной системе или
авторизуются, если пользователь ранее пользовался этой системой, в процессе
входа с нового устройства, на номер телефона отправляется СМС с кодом для
подтверждения авторизации/регистрации.
Затем мошенники добавляют в аккаунт карту и производят несанкцио-
нированные транзакции [1,4].
В этом случае предотвратить хищение денежных средств поможет только
система фрод-мониторинга, которая по различным параметрам как
автоматизированных средств отправки транзакций плательщика (то есть,
клиента банка), так и самой транзакции оценивает вероятность (или скоринг)
того, что транзакция является мошеннической. Простейшим примером системы
фрод-мониторинга может являться простое ограничение на сумму платежа. Если
платеж больше определенной величины, то он считается подозрительным на
фрод и требует дополнительной проверки (подтверждения) его легальности.
Общий механизм работы антифрод-системы, который применяется в
большинстве международных платежных систем сейчас, можно свести к
следующему:
1. Сервер платежной организации переадресовывает сведения о
транзакции в антифрод-систему и ожидает разрешения на проведение платежа.
2. Антифрод-система анализирует сведения, чтобы принять решение о
легитимности этой транзакции.
3. Обрабатывается платеж, оценивается его риск, при необходимости
инициируется проверка другими сервисами, например, дополнительная
аутентификация клиента, после чего решение передается назад.
4. В результате финансовая транзакция оказывается подтвержденной или
отклоненной.
В момент совершения финансовой транзакции сканируются браузер,IP-
адрес, куки-файлы на предмет подозрительной активности, а также собирается
несколько показателей (у каждой антифрод-системы они различные) – начиная
от IP-адреса компьютера, версии браузера и заканчивая статистикой платежей и
др. Осуществляется проверка на использование виртуальной машины или VPN,
анализируется поведение клиента, проверяется информация о платежной
системе, используется собственная база мошеннических действий и др.
74
Во втором шаге общего антифрод-механизма, в котором антифродсистема
анализирует транзакцию и выносит решение подтвердить, провести
дополнительную проверку или отклонить транзакцию, вышеперечисленные
признаки рассматриваются последовательно Фильтрация транзакции по
признакам мошенничества последовательно имеет несколько недостатков,
главным из них является частое ложное срабатывание и отклонение легитимных
транзакций с подозрением на мошенничество [4].
В алгоритме, предлагается присвоение баллов каждому из параметров
несанкционированности транзакции — мошенничества. Список этих параметров
будет динамическим, то есть администраторы платежной системы могут вводить
новые параметры и присваивать им баллы, которые будут добавлены в
суммарный балл транзакции при выполнении/невыполнении определенных
условий. Каждая транзакция будет иметь суммарный балл (transaction fraud score
- TFS), который будет высчитан, смотря на все показатели параметров
совершаемой транзакции. Чем выше суммарный балл, тем опаснее считается
транзакция. Здесь под опасностью понимается вероятность мошенничеств в
данной финансовой операции.
Также, администраторы будут задавать пороговые значения для каждого
уровня опасности транзакции (transaction fraud level - TFL), примерный перечень
уровней приводится в таблице. Этот перечень тоже будет динамическим, при
необходимости можно будет вводить новый уровень опасности с
соответствующим пороговым значением.
По каждому признаку будет высчитываться балл — минимальному
значению признака будет присваиваться минимальный балл, максимальному
значению признака будет присваиваться максимальный балл, в других случаях
попаданию в диапазон признака, заданным модераторами системы, балл будет
вычисляться методом пропорции. Балл по каждому признаку будет добавляться
в итоговый балл.
Transaction fraud pre-score (TFPS) — предварительный балл транзакции,
вычисляется в этапе создания транзакции по признакам подмеченными
модераторами как pre-score. Это позволяет обеспечивать быстродействие
алгоритма на фоне всего цикла транзакции и сокращает время задержки во время
подтверждения, которое тратится на расчет суммарного балла.
После расчета суммарного балла транзакции переходит на следующий этап
— этап применения решения. Решение применяется на основе уровня опасности
транзакции, который был выбран, после расчета и превышения пороговых
значений каждого из уровней. Возможные исходы уровней могут быть
следующие действия: проведение транзакции, дополнительная проверка с
использованием дополнительного подтверждения — 3D-Secure, подтверждение
через высланный одноразовый код с помощью SMS/Push уведомления и пр.,
проведение транзакции с занесением его в список подозрительных, который
будет рассмотрен администраторами платежной системы, или же полный отказ
в проведении вплоть до блокировки аккаунта/карты пользователя [2,3].
Выполнение алгоритма также можно свести в задачу классификации с
применением методов машинного обучения.
75
Предложенный алгоритм выявления несанкционированных транзакций,
который дает балловую оценку каждой проводимой транзакции и
определяет уровень опасности по заданным признакам модераторами
платежной системы, а также перечни признаков несанкционированных
транзакций для расчета суммарного балла транзакций (TFS) и уровней
опасности (TFL), который получается по итогу расчета суммарного балла;
Практически все ограничения или лимиты фрод-мониторинговых решений
строятся на простых правилах:
•
ограничение количества покупок по одной банковской карте или одним
пользователем за определенный период времени
•
ограничение на максимальную сумму разовой покупки по одной карте
или одним пользователем в определенный период времени
•
ограничение на количество банковских карт, используемых одним
пользователем в определенный период времени
•
ограничение на количество пользователей, использующих одну карту
•
учёт истории покупок по банковским картам и пользователями (так
называемые «черные» или «белые» списки)
Обязательным требованием к реализации таких правил является
распознавание пользователя по различным параметрам и алгоритмам.
Соответственно, преимущество антифрод сервиса определяется его
способностью быстро и с максимальной степенью вероятности распознать
мошенника. Ещё одним плюсом фрод-мониторинга является способность
оценивать поведение покупателя в процессе проведения платежа. Насколько
правдивую информацию указывает о себе человек и насколько совокупность
параметров пользователя соответствует стандартным шаблонам поведения
добропорядочных покупателей — это дополнительные факторы, которые фрод-
мониторинговые сервисы стараются учесть при оценке вероятности
мошенничества.
Список литературы:
1. Малолетко, Н. Е. Новые подходы к обеспечению безопасности
электронных платежей / Н. Е. Малолетко, Т. И. Воробьева // Актуальные
проблемы и перспективы развития экономики: российский и зарубежный
опыт.
–
2019.
–
№
5(24).
–
С.
28-31.
2. Мамин, В. А. Исследование безопасности электронных платежных
систем // ИТ Арктика. – 2017. – № 3. – С. 63-76.
3. Растяпин Ю. В., Трофимов Е. А. К вопросу противодействия
мошенничеству в сфере дистанционного платежа в условиях цифровизации
общественных отношений // Криминологический журнал. – 2021. – №3. – С.
129–132.
https://doi.org/10.24412/2687-0185-2021-3-129-132
4. Шейнов, А. И. Современные способы выявления мошеннических
транзакций в сети интернет / А. И. Шейнов, О. Н. Пастухова // Вестник
Тульского филиала Фин. университета. – 2019. – № 1-2. – С. 311-313.