基于KM-SVMSMOTE-CNN的信用卡欺诈检测

针对信用卡欺诈检测中样本数据规模大, 计算复杂程度高, 数据分布极度不平衡等问题, 提出卷积神经网络(CNN)结合大规模信用卡交易数据进行欺诈检测, 同时为了解决交易数据的极端不平衡性问题, 使用K-means算法进行聚类, 结合支持向量机合成少数类过采样技术(SVMSMOTE)增加少数类样本数量, 最终构建一个KM-SVMSMOTE-CNN的信用卡交易欺诈预测模型. 选取Kaggle平台上发布的信用卡欺诈数据进行验证, 实验结果表明, 基于KM-SVMSMOTE-CNN的融合模型从整体上大大提高了信用卡欺诈检测的识别率.     

内部威胁检测研究

近年来,以系统破坏、信息窃取以及电子欺诈为主的内部攻击因为隐蔽性强、破坏性大的特点对个人与企业,甚至国家安全造成了严重威胁。因此十分有必要关注内部威胁已有的研究成果与发展趋势。本文分析了内部威胁的特征,提出基于信任理论的形式化定义。同时将当前内部威胁研究热点归结为内部威胁模型研究、主观要素研究、客观要素研究及其它研究四个领域,分别介绍各个领域的研究状况,并对每个领域的研究进展进行归纳和分析。通过分析内部威胁已有案例以及当前研究进展,针对现有研究不足提出新型内部威胁检测系统,并展望未来的关键技术。     

改进利益驱动神经网络在欺诈信息的应用研究

为了研究个体收益和代价实现总体净收益的最大化问题,提出了利益驱动的人工神经网络（ANN）分类方法。该方法引入了惩罚函数,根据实例不同的重要程度对不同实例的误分类给予可变惩罚,并在之后对净利益进行最大化处理。为了生成对个体的惩罚,参照每个实例的收益,通过改变函数值对误差平方和函数进行了修改,提出了七个不同版本的ANN模型。两个欺诈信息的实验结果表明,与原ANN、决策树和朴素贝叶斯分类器相比,所提模型的不同版本在净利润项上的性能优于其他方法,而且能够针对不同的数据集采用不同的权值生成方式。     

一个安全的动态门限签名体制

现有大多数门限签名体制存在一个共同的问题:门限值是固定的,这限制了它们的应用范围.基于离散对数计算问题的困难性提出了一个动态门限签名体制,有效地解决了上述问题.该体制允许在群体中共享多个组密钥,每个组密钥对应一个不同的门限值;可以根据文件的重要性而灵活地选取不同的门限值进行门限签名;每个签名者仅需保护一个签名密钥和一个秘密值;且不需要任何公共信息.分析表明,与已有体制相比,提出的体制能够抵御内部或外部攻击者的各种攻击,并可防止联合欺诈行为的发生,具有更好的安全性和实用性.     

社交网络中协同舆论欺诈检测方法应用研究

为了能够使网络空间提供更加可靠的信息,欺诈检测变得越来越重要,但现有的方法在检测欺诈用户时仅考虑了用户评论之间评论相同商品时形成的静态密集子图,而忽略了用户自身在评论时的异常行为,从而导致准确性较低,在实践中往往需要进一步手动验证检测结果的可靠性。针对此问题,提出了一种协同舆论欺诈检测(CPOFD)方法,该方法使用一种新的度量,即对比可疑度。该度量主要包括拓扑连接的信息,使得CPOFD方法能够通过拓扑连接、时间戳以及评分等信息有效检测欺诈者的异常行为,以更为聚合的方式检测欺诈群体。该度量强调了欺诈者和正常用户的动态对比,使得算法能够在拓扑连接、时间戳以及评分方面更为有效地检测欺诈者的异常行为。同时,CPOFD方法结合基于密度子图的聚类算法和决策树分类算法将社交网络中用户进行有效分组,且在聚簇分类时使用模拟退火算法进行剪枝优化,能更加简洁快速地寻找近似最优解,时间复杂度与欺诈者数量呈线性关系,具有较高的可扩展性。基于Yelp数据集的实验结果表明：CPOFD方法对欺诈舆论检测的准确度大多数在98%以上,验证了CPOFD方法的有效性。     

基于运营商大数据的反欺诈模型研究与应用

针对日益增长的通讯诈骗案件防控需求,提出基于运营商大数据的反欺诈模型,用于识别欺诈用户.该模型利用运营商大数据对用户信息进行分析,提取电信欺诈行为的典型特征,并基于机器学习算法建立反欺诈模型.此外,根据360网络平台数据对模型性能进行评估,结果证明,该模型能有效识别欺诈用户,精度较高.     

基于AGNN-GBDT的链上欺诈账户检测模型

针对虚拟数字货币的市场逐渐升温，大量非法交易和行为难以追踪溯源的问题，提出了基于BGNN的链上欺诈账户检测模型——AGNN-GBDT。通过分析真实账户交易数据和以太坊官方提供的欺诈账户数据的特点，使用GReaT进行数据增强，并在GNN网络中设计了基于节点通道和语义通道的双通道注意力机制来学习节点自身和图网络结构的特征信息，同时保留GBDT处理异质特征数据优势，引入SHAP值来判断特征的重要性。实验结果表明，该模型在准确率上达到84.2%,F1-score为84.2%,其实验效率和结果相较于以前学者提出的模型方法都有一定程度的提升，能够较为准确地识别链上的欺诈账户，对于改善区块链的交易环境有积极作用。     

大数据和AI驱动的反欺诈模型体系建设实践

在数字化转型的大背景下,针对现阶段电信诈骗骚扰高发的态势,需要积极探索大数据与AI模型相结合的反欺诈数字化创新实践。通过聚焦和分析存量用户开卡、使用、换机等行为数据,构建用户特征画像、识别模型和检出规则,精准定位高风险用户并提前对其进行管控。     

基于网络表示学习的车险欺诈溯因分析研究

车险欺诈检测对促进汽车保险业的良性健康发展有着重要意义。由于欺诈的判断涉及公民权利等核心内容，需要车险专家对案件进行核查，提供欺诈原因。尽管基于机器学习的方法泛化能力强、精确度高，但缺少可解释性，而基于专家系统的规则方法尽管有较好的可解释性，但受限于规则复杂的触发条件。为了解决未触发专家系统欺诈规则而被机器学习方法检测为“欺诈”的案件无法被解释的问题，文中提出了基于网络表示学习的车险欺诈溯因分析方法。该方法首先定义了车险欺诈溯因分析任务，然后采用网络表示学习对已触发专家系统中欺诈规则的案件进行案件-规则因子网络的建模，学习欺诈规则中因子的分布式向量表示。为了更好地度量“欺诈”案件与专家系统中因子未全部触发规则之间的相似度，该方法基于溯因缺省原理，设计了一种规则因子的加权拼接策略来缓解训练数据不足的问题。实验结果表明，所提方法相较于已有方法在车险欺诈溯因预测任务的3项指标中均能取得更好的效果。     

二次解耦与活体特征渐进式对齐的域自适应人脸反欺诈

现有的人脸反欺诈（face anti-spoofing,FAS）方法虽然在域内测试表现良好，但在跨域场景下性能会大幅度下降.当前基于域对抗对齐的跨域人脸反欺诈方法，因其对齐网络和分类网络彼此独立，无法保证对齐任务直接服务于分类任务.提出了一种基于二次解耦与活体特征课程学习渐进式对抗对齐的域自适应人脸反欺诈（domain adaptation for face anti-spoofing based on dual disentanglement and liveness feature curriculum learning progressive adversarial alignment,DDCL）方法，首先将源域特征启发式解耦为域相关特征和域无关特征，之后使用分类器的梯度信息将域无关特征中的活体相关和无关特征进行第2次解耦.在训练过程中为减轻优化难度，通过课程学习的方式对目标域特征与活体相关、无关特征的组合进行渐进式对抗对齐，逐步提高活体相关特征的比重，增强目标域特征与活体检测任务的相关性，从因果角度给出活体对齐域自适应的解释.在CASIA-MFSD,Idiap Replay-A...