[논문 리뷰] A data mining approach using transaction patterns for card fraud detection

Chae Chang Lee, Ji Won Yoon|arXiv (Cornell University)|2013. 06. 24.

Imbalanced Data Classification Techniques인용 수 5

한 줄 요약

이 논문은 자동회귀 모델과 가우시안 프로세스를 사용하여 시간에 따라 개인 거래 패턴—특히 지출 금액과 지리적 위치—을 학습하는 데이터 마이닝 접근법을 제안한다. 사용자별 행동에 맞게 임계값을 동적으로 조정함으로써, 고정 임계값 방법에 비해 잘못된 경고와 빠진 경고를 줄이고, 특히 큰 정상 거래 이후에 소액 또는 중간 금액의 사기 거래가 발생할 경우 탐지 정확도를 향상시킨다.

ABSTRACT

Credit and debit cards, rather than actual money, have become the universal payment means. With these cards, it has become possible to buy expensive items easily without an additional complex authentication procedure being conducted. However, card transaction features are targeted by criminals seeking to use a lost or stolen card and looking for a chance to replicate it. Accidents, whether caused by the negligence of users or not, that lead to a transaction being performed by a criminal rather than the authorized card user should be prevented. Therefore, card companies are providing their clients with a variety of policies and standards to cover this eventuality. Card companies must therefore be able to distinguish between the rightful user and illegal users according to these standards in order to minimize damage resulting from unauthorized transactions. However, there is a limit to applying the same fixed standards to all card users, since the transaction patterns of people differ and even individuals' transaction patterns may change frequently due to changes income and consumption preference. Therefore, when only a specific threshold is applied, it is difficult to distinguish a fraudulent card transaction from a legitimate one. In this paper, we present methods for learning the individual patterns of a card user's transaction amount and the region in which he or she uses the card, for a given period, and for determining whether the specified transaction is allowable in accordance with these learned user transaction patterns. Then, we classify legitimate transactions and fraudulent transactions by setting thresholds based on the learned individual patterns.

연구 동기 및 목표

• 고정 임계값 기반 사기 탐지 시스템이 개인의 지출 행동과 지리적 패턴을 고려하지 못하는 한계를 해결하기 위해.
• 시간이 지남에 따라 각 사용자의 고유한 거래 패턴을 학습하고 적응하는 동적 사기 탐지 모델을 개발하기 위해.
• 거래 금액과 위치 패턴을 탐지 메커니즘에 통합함으로써 잘못된 경고와 빠진 경고를 줄이기 위해.
• 특히 클론 또는 도난당한 카드가 정상 거래 이후 바로 사용되는 사기 거래를 조기에 탐지하기 위해.
• 정적 규칙 기반 시스템에 비해 뛰어난 성능을 보이는 개인화된 사용자 기반 사기 탐지 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 사용자의 이전 지출 패턴을 기반으로 다음 거래 금액을 예측하기 위해 자동회귀(AR) 모델을 사용한다.
• 가우시안 프로세스(GPs)는 거래 금액 예측의 불확실성을 모델링하고 각 거래에 대한 신뢰도 점수를 계산하는 데 사용된다.
• 거래 금액과 함께 지리적 위치도 분석되며, 연속된 거래 간의 공간적 근접성 패턴을 기반으로 이질성을 탐지한다.
• 학습된 사용자 행동에 기반하여 동적 임계값 메커니즘이 적용되며, 임계값 이하의 신뢰도 점수는 잠재적 사기로 간주된다.
• 시스템은 순차적으로 거래를 평가하며, 예측값과 신뢰도 점수를 점진적으로 갱신하여 정상 행동에서의 이탈을 탐지한다.
• 이 접근법은 실제 거래 데이터 세트를 대상으로 테스트되었으며, 성능은 잘못된 경고 및 빠진 경고 오차율을 통해 측정되었다.

실험 결과

연구 질문

• RQ1 개인 거래 패턴을 학습하는 데이터 마이닝 접근법이 고정 임계값 방법에 비해 사기 탐지 정확도를 향상시킬 수 있는가?
• RQ2 거래 금액 예측과 지리적 패턴 분석의 조합이 사기 거래 탐지에 얼마나 효과적인가?
• RQ3 사용자 기반 행동에 기반한 동적 임계값이 잘못된 경고 및 빠진 경고 오차를 어느 정도 줄일 수 있는가?
• RQ4 특히 큰 정상 거래 이후의 순차적 거래 패턴은 사기 탐지 성능에 어떤 영향을 미치는가?
• RQ5 가우시안 프로세스에서 유도된 신뢰도 점수가 소액 또는 중간 금액의 사기 거래를 효과적으로 경고로 표시할 수 있는가?

주요 결과

• 제안된 방법은 큰 정상 거래 이후 바로 발생하는 사기 거래에 대해 잘못된 경고 오차를 크게 감소시켰으며, 특히 테스트 윈도우를 두 거래로 단축했을 경우에 그 효과가 두드러졌다.
• 사기 거래 시퀀스의 첫 번째 및 두 번째 거래에 대한 신뢰도 점수가 항상 10 이하로 나타났으며, 이는 테스트 윈도우를 두 거래로 제한함으로써 초기 단계의 사기를 더 잘 탐지할 수 있음을 시사한다.
• 소액 거래가 큰 정상 거래 다음에 오를 경우, 예측 금액이 하향 조정되면서 잘못된 경고가 발생했으며, 이는 신뢰도 임계값을 조정함으로써 완화될 수 있다.
• 모델은 금액 패턴과 위치 패턴 양쪽에서 벗어나는 사기 거래에 더 민감하게 반응했으며, 특히 사용자의 일반적인 행동과 일치하지 않는 지리적 위치일 경우 특히 효과적이었다.
• 가우시안 프로세스의 사용은 신뢰도 점수를 안정적으로 제공했으며, 낮은 점수는 특히 사기 시퀀스의 초반 단계에서 사기 가능성의 높음을 나타내었다.
• 연구에서는 실험에서 사기 위치를 정상 영역에 무작위로 할당할 경우 y축 근처에 사기 패턴의 집중 현상이 과소 평가될 수 있음을 발견했으며, 이는 실제 세계의 사기 패턴이 이러한 패atters에서 더 잘 탐지될 수 있음을 시사한다.