[논문 리뷰] A Survey of Online Card Payment Fraud Detection using Data Mining-based Methods

Bemali Wickramanayake, Dakshi Kapugama Geeganage외 2명|arXiv (Cornell University)|2020. 11. 27.

Imbalanced Data Classification Techniques참고 문헌 37인용 수 9

한 줄 요약

이 종합적 서베이는 온라인 신용카드 결제 사기 탐지에 기반한 데이터 마이닝 기법에 대한 포괄적인 분류 체계를 제안하며, 사업 영향 모델링, 행동 프로파일링, 적응형 사기 탐지 기법을 분석한다. 분류 알고리즘, 클래스 불균형 처리, 실세계의 과제들인 레이블링 지연 및 모델 속도 등을 평가하여, 사기 탐지 시스템의 연구자 및 개발자들에게 체계적인 프레임워크를 제공한다.

ABSTRACT

Card payment fraud is a serious problem, and a roadblock for an optimally functioning digital economy, with cards (Debits and Credit) being the most popular digital payment method across the globe. Despite the occurrence of fraud could be relatively rare, the impact of fraud could be significant, especially on the cardholder. In the research, there have been many attempts to develop methods of detecting potentially fraudulent transactions based on data mining techniques, predominantly exploiting the developments in the space of machine learning over the last decade. This survey proposes a taxonomy based on a review of existing research attempts and experiments, which mainly elaborates the approaches taken by researchers to incorporate the (i) business impact of fraud (and fraud detection) into their work , (ii) the feature engineering techniques that focus on cardholder behavioural profiling to separate fraudulent activities happening with the same card, and (iii) the adaptive efforts taken to address the changing nature of fraud. Further, there will be a comparative performance evaluation of classification algorithms used and efforts of addressing class imbalance problem. Forty-five peer-reviewed papers published in the domain of card fraud detection between 2009 and 2020 were intensively reviewed to develop this paper.

연구 동기 및 목표

• 온라인 카드 결제에서 데이터 마이닝 기반 사기 탐지 방법을 사업 영향, 행동 프로파일링, 적응 가능성의 관점에서 분석하고 분류하는 것.
• 2009년에서 2020년 사이의 동료 심사 논문에서 사용된 분류 알고리즘과 클래스 불균형 처리 기법을 평가하는 것.
• 사기 탐지 시스템의 실시간 운영에 영향을 미치는 주요 과제들인 사기 레이블링 지연, 모델 지연, 사기 패턴의 변화(사기 이동)를 특정하는 것.
• 효율적이고 확장 가능하며 비용 민감한 사기 탐지 시스템 설계를 위한 체계적인 참고 자료를 제공하는 것.

제안 방법

• 사업 영향 통합, 행동 프로파일링 기법, 적응형 탐지 메커니즘의 세 가지 핵심 차원을 기반으로 사기 탐지 방법의 분류 체계를 제안한다.
• 2009~2020년 사이의 45篇의 동료 심사 논문을 검토하여 카드 소지자의 거래 행동에 초점을 맞춘 특징 공학 전략을 분석한다.
• 랜덤 포레스트, XGBoost, 앙상블 모델과 같은 분류 알고리즘의 성능을 불균형한 사기 탐지 환경에서 비교 평가한다.
• SMOTE, 비용 민감 학습, 임계값 최적화와 같은 클래스 불균형 처리 기법을 검토한다.
• 모델 지연 및 탐지 속도 과제를 분석하며, 특히 순차 처리 파이프라인과 데이터베이스 기반 아키텍처에서의 영향을 고려한다.
• 스트립, 페이팔, AWS와 같은 상용 솔루션을 검토하여 기계학습 기반의 사기 탐지 프레임워크와 커스터마이제이션 능력을 강조한다.

실험 결과

연구 질문

• RQ1 연구자들은 카드 결제 사기 탐지에 있어 사기의 사업 영향과 탐지 비용을 데이터 마이닝 모델에 어떻게 통합하는가?
• RQ2 카드 소지자의 거래 패턴을 기반으로 한 행동 프로파일링 기법 중에서 정상 거래와 사기 거래를 구분하는 데 가장 효과적인 것은 무엇인가?
• RQ3 매우 불균형한 사기 탐지 데이터셋 환경에서 분류 알고리즘이 어떻게 작동하며, 어떤 알고리즘이 가장 견고한가?
• RQ4 시간이 지남에 따라 변화하는 사기 패턴(사기 이동)을 다루기 위해 어떤 적응 기법이 사용되는가?
• RQ5 사기 탐지 모델의 실세계 구현에 영향을 미치는 주요 시스템 수준 과제들—예를 들어 레이블링 지연, 모델 추론 속도—는 무엇인가?

주요 결과

• 비용 민감 학습의 통합은 가짜 양성과 가짜 음성의 실제 재정적 영향을 모델 결정과 일치시킴으로써 사기 탐지 시스템의 성능을 크게 향상시킨다.
• 시간, 위치, 금액, 빈도 등의 거래 패턴을 기반으로 한 행동 프로파일링은 개인 카드 소지자의 행동를 반영함으로써 모델 성능을 향상시키고, 가짜 양성 결과를 줄인다.
• XGBoost와 랜덤 포레스트와 같은 앙상블 방법은 불균형한 데이터셋에서 희귀 사기 사례를 탐지하는 데 기존 모델인 로지스틱 회귀 및 서포트 벡터 머신보다 끊임없이 뛰어난 성능을 보인다.
• SMOTE 및 비용 민감 학습과 같은 기법들은 클래스 불균형 문제를 효과적으로 완화하여 가짜 양성 결과의 증가 없이도 사기 거래의 재현율을 향상시킨다.
• 모델 지연은 생산 환경에서의 주요 성능 저하 요인으로 남아 있으며, 복잡한 모델과 데이터베이스 의존성은 거래 처리 시간과 시스템 부하를 증가시킨다.
• AWS와 스타트업 같은 상용 플랫폼은 사전 설정된, 커스터마이징 가능한 머신러닝 파이프라인을 제공하여 개발자가 특징 선택과 모델 튜닝에 집중할 수 있도록 하여 구현 속도를 가속화한다.