Аналіз математичних моделей протидії банківським кібершахрайствам

Abstract

Статтю присвячено актуальній темі аналізу математичних моделей протидії банківським кібершахрайствам. Дана проблематика обумовлена зростанням ризиків безпеки банківської системи через здійснення шахраями кібератак та реалізації кіберзлочинів. Тому пріоритетним завданням для банківської кібербезпеки є застосування сучасних математичних методів для аналізу джерел кібератак, визначення загроз та збитків ринку банківських послуг, виявлення кібернетичних атак та оцінки сценарії ймовірного кіберризику, тощо. В статті було проаналізовано найбільш розповсюджені види кібершахрайств, серед яких виділяють соціальну інженерію, фішинг, сталкінг, фармінг, DoS-атаки, онлайн-шахрайства, потенційно небажані програми, тощо. Також у дослідженні було розглянуто модель когнітивних обчислень та виявлення підозрілих транзакцій у банківських кіберфізичних системах на основі квантових обчислень у BCPS для постквантової ери. Визначено переваги, недоліки та результати моделі. Для виявлення шахрайства в режимі реального часу шляхом аналізу вхідних банківських транзакцій з платіжними картами запропоновано прогнозне моделювання. В межах даного методу використовуються такі моделі для класифікації виявлення шахрайства, як логістична регресія, дерево рішень та більш вузька техніка – дерево рішень випадкового лісу. Також у дослідженні розглянуто використання алгоритму гармонійного пошуку в нейронних мережах для покращення виявлення шахрайства в банківській системі. З’ясовано, що, хоча дана модель має перевагу у спроможності до навчання на основі минулої поведінки, є труднощі в тривалій обробці великої кількості нейронних мереж. Також наведено етапи реалізації моделі. Крім того, проаналізовано моделювання виявлення шахрайства з кредитними картками на базі використання двох типів моделей: під наглядом і без нагляду. До моделей під наглядом віднесено логістичну регресію, Kнайближчі сусіди, екстремальне підвищення градієнта. Серед неконтрольованих генеративних моделей розглянуто однокласну опорну векторну модель, обмежену модель Больцмана, генеративно-змагальну мережу.

The article is devoted to the current topic of analysis of mathematical models for countering cyber fraud in banks. This problem is due to the security risks growth in the banking system, which are formed by fraudsters' cyberattacks and cybercrimes implementation. Therefore, the priority task for cyberbanking security is the application of modern mathematical methods to analyse the sources of cyber attacks, identify threats and losses in the banking services market, identify cyber-attacks and assess the scenario of potential cyber risk, etc. The article analyses the most widespread types of cyber fraud: social engineering, phishing, stalking, farming, DoS attacks, online fraud, potentially unwanted programs, etc. The study also considered a model of cognitive computing and detection of suspicious transactions in banking cyber-physical systems based on quantum computing in BCPS for the post-quantum era. The advantages, disadvantages and results of the model are defined. Predictive modelling is proposed to detect fraud in real-time by analysing incoming bank transactions with payment cards. Within the framework of this method, such models are used for the classification of fraud detection as logistic regression, a decision tree, and a narrower technique - a random forest decision tree. The study also considered using the harmonic search algorithm in neural networks to improve fraud detection in the banking system. It is found that although this model has the advantage of learning ability based on past behaviour, there are difficulties in the longterm processing of many neural networks. The stages of model implementation are also given. In addition, the modelling of credit card fraud detection is based on using two types of models: supervised and unsupervised. Supervised models include logistic regression, K-nearest neighbours, and extreme gradient boosting. The one-class support vector model, restricted Boltzmann model, and generative-competitive network are considered among uncontrolled generative models.