عنوان ترجمه شده مقاله: سیستم پشتیبانی تصمیم گیری برای کلاه برداری بانکداری آنلاین و بررسی

The significant growth of online banking frauds, fueled by the underground economy of malware, raised the need for effective fraud analysis systems. Unfortunately, almost all of the existing approaches adopt black box models and mechanisms that do not give any justifications to analysts. Also, the development of such methods is stifled by limited Internet banking data availability for the scientific community. In this paper we describe BankSealer, a decision support system for online banking fraud analysis and investigation. During a training phase, BankSealer builds easy-to-understand models for each customer's spending habits, based on past transactions. First, it quantifies the anomaly of each transaction with respect to the customer historical profile. Second, it finds global clusters of customers with similar spending habits. Third, it uses a temporal threshold system that measures the anomaly of the current spending pattern of each customer, with respect to his or her past spending behavior. With this threefold profiling approach, it mitigates the under-training due to the lack of historical data for building well-trained profiles, and the evolution of users' spending habits over time. At runtime, BankSealer supports analysts by ranking new transactions that deviate from the learned profiles, with an output that has an easily understandable, immediate statistical meaning. Our evaluation on real data, based on fraud scenarios built in collaboration with domain experts that replicate typical, real-world attacks (e.g., credential stealing, banking trojan activity, and frauds repeated over time), shows that our approach correctly ranks complex frauds. In particular, we measure the effectiveness, the computational resource requirements and the capabilities of BankSealer to mitigate the problem of users that performed a low number of transactions. Our system ranks frauds and anomalies with up to 98% detection rate and with a maximum daily computation time of 4 min. Given the good results, a leading Italian bank deployed a version of BankSealer in their environment to analyze frauds

چکیده

رشد قابل توجه کلاه برداری بانکداری آنلاین که حاصل اقتصاد زیرزمینی نرم افزارهای مخرب است مستلزم سیستم های کارآمد تجزیه و تحلیل کلاه برداری می باشد. متاسفانه، تقریبا همه رویکردهای موجود مدل های جعبه سیاه و مکانیزم هایی را اتخاذ می کنند که هیچ توجیهی را در اختیار تحلیل گران قرار نمی دهد. همچنین محدودیت دردسترسی داده های بانکداری اینترنتی برای جامعه علمی موجب شده است توسعه چنین روش های سرکوب شوند. ما در این مقاله به توصیف BANKSEALER، سیستم پشتیبانی تصمیم گیری برای کلاه برداری بانکداری آنلاین و بررسی، می پردازیم. BANKSEALER در طول مرحله آموزش مدل های آسان قابل فهم را براساس معاملات گذشته برای عادت های خرج کردن هر مشتری ایجاد می کند. نخست ناهنجاری هر معامله را با توجه به مشخصات تاریخی مشتری می سنجد. در مرحله دوم، انبوه جهانی از مشتریان با عادت های خرجی مشابه به یکدیگر می یابد. در مرحله سوم از سیستم آستانه موقت استفاده می کند که ناهنجاری الگوی مصرف فعلی مشتری را با توجه به رفتار مصرف وی در گذشته می سنجد. با این رویکردthree-fold profiling  با توجه به فقدان داده های تاریخی برای ایجاد مشخصات به خوبی آموزش دیده و تکامل عادت های مصرفی کاربران در طول زمان آموزش را کاهش داد. BANKSEALER در زمان اجرا با رتبه بندی معاملات جدید که از پروفایل های آموزش دیده منحرف می شود و با خروجی که مفهوم آماری فوری قابل فهم آسانی دارد از تحلیل گران پشتیبانی می کند. ارزیابی ما بر روی داده های واقعی سناریوهای کلاه برداری با همکاری با کارشناسان این حوزه ایجاد شده است که حملات خاص دنیای واقعی را تکرار می کند (برای مثال سرقت اعتبارنامه، فعالیت بانکی تروجان و کلاه برداری هایی که در طول زمان تکرار شده اند) و نشان می دهد که رویکرد ما کلاه برداری های پیچیده را به درستی رتبه بندی می کند. به طور خاص، کارایِی منابع مورد نیاز محاسباتی و ظرفیت های BANKSEALER را می سنجیم تا مشکل کاربرانی را که معملات کمتری را انجام داده اند، کاهش دهند. سیستم ما با سرعت شناسایی 98% و حداکثر زمان محاسباتی روزانه 4 دقیقه ناهنجاری ها و کلاه برداری ها را می سنجد. با توجه به نتایج خوب یک بانک پیشرو ایتالیایی نسخه BANKSEALER را در محیط خود به منظور تجزیه و تحلیل کلاه برداری ها بکارگرفتند.

1-مقدمه

محبوبیت بانکداری اینترنتی منجر به افزایش کلاه برداری ها شده است. کلاه برداری ها به شکل حملات سایبری، کمپین های بدافزاری فیشینگ انجام می گیرد که نتیجه آن ضررو زیان های مالی قابل توجهی بود. (وی و همکاران، 2013؛ بولتون و دیوید). در سال 2013، کسپرسکی lab1  با استفاده از نرم افزارهای بد مالی 28.4 میلیون حمله با افزایش 27.6% در 2012 شناسایی کرد. همچنین تعداد کاربران مورد هدف در حملات که شامل نرم بدافزارهای مالی است تا 18.6% افزایش داشته است که به 3.8 میلیون نفر رسیده است...