의사결정나무를 이용한 이상금융거래 탐지정규화 방법에 관한 연구
Effective Normalization Method for Fraud Detection Using a Decision Tree
0
조회
0
다운로드
9
인용
0
참고문헌
키워드
초록
전자금융사기의 고도화와 함께 지능적인 수법들이 동원됨에 따라 전자금융 사용자들의 피해사례가 늘어나고 있다. 이에 대한 대응 방안으로 금융당국은 사용자 구간에 집중된 기존 보안 대책 외에 이의 한계성을 극복하기 위한 이상거래 탐지 시스템의 도입을 확대 권고하고 있다. 이상거래 탐지 시스템은 실시간으로 고객의 거래를 확인하고 이상거래유무를 판별하여 전자금융 사고를 방지할 수 있도록 하는 시스템으로 거래 정보를 빠르게 분석하여 이상거래를 식별하는 것이 핵심이다. 본 논문에서는 사고 데이터분석을 통해 이상 징후 패턴을 파악하고 탐지 룰을 설정하고, 이렇게 설정된 룰을 기반으로 고객 개인별 거래 패턴과 고객 프로파일을 비교하여 이상거래 여부를 판단하고자 한다. 이때 의사결정나무를 사용하여 탐지 룰을 정규화 하여 효과적으로 이상거래를 탐지 할 수 있도록 하는 방법을 제안하고자 한다. 실증 분석을 위해 국내 모 은행의 전자금융 사고 데이터를 바탕으로 패턴 정보와 고객 프로파일 정보를 도출하였고 이를통하여 탐지 룰을 설정하였다. 그리고 탐지된 룰을 의사결정나무를 사용하여 정규화 한 결과를 순차적인 탐지 방식과비교하여 제시된 방안이 효과적임을 확인하였다.
Abstract
Ever sophisticated e-finance fraud techniques have led to an increasing number of reported phishing incidents. Financialauthorities, in response, have recommended that we enhance existing Fraud Detection Systems (FDS) of banks and otherfinancial institutions. FDSs are systems designed to prevent e-finance accidents through real-time access and validity checks onclient transactions. The effectiveness of an FDS depends largely on how fast it can analyze and detect abnormalities in largeamounts of customer transaction data. In this study we detect fraudulent transaction patterns and establish detection rules throughe-finance accident data analyses. Abnormalities are flagged by comparing individual client transaction patterns with clientprofiles, using the ruleset. We propose an effective flagging method that uses decision trees to normalize detection rules. Indemonstration, we extracted customer usage patterns, customer profile informations and detection rules from the e-financeaccident data of an actual domestic(Korean) bank. We then compared the results of our decision tree-normalized detection ruleswith the results of a sequential detection and confirmed the efficiency of our methods.
참고문헌 (22)
- "The Phishing Fraud Occurrence and Damage Reimbursement Status, the Financial Supervisory Service", ~ (2014)
- "The Electronic Financial Transaction Act Article 9", ~ (2013)
- "Financial Security Comprehensive Plan, the Financial Services Commission", ~ (2013)
- "The Electronic Banking Fraud Prevention Service Enforcement", ~ (2014)
- Financial Security Researchers, "Fraud Detction System Technical Guide", ~ (2014)
- "Technical capabilities of fraud detection and response for services with high assurance level requirements (TD0250)", The 3rd revised text for X.sap-7, ~ (2013)
- "Busan Financial News"[URL]
- "Herald Business"[URL]
- "ChosunBiz"[URL]
- "Digital Daily"[URL]
- "Digital Daily"[URL]
- E. Ngai, "The application of data mining techniques in financial fraud detection : A classification framework and an academic review of literature", Decision Support Systems, 50(3), pp.559~569 (2011)
- S. Jha, "Employing transaction aggregation strategy to detect credit card fraud", Expert systems with applications, 39(16), pp.12650~12657 (2012)
- Shen Aihua, "Application of Classification Models on Credit Card Fraud Detection", International Conference on Service Systems and Service Management (2007)
- C. Whitrow, "Transaction aggregation as a strategy for credit card fraud detection", Mining and Knowledge Discovery, 18(1), pp.30~55 (2009)
- J. S. Kim, "Trading for over phishing detection assay fraud prevention", Information Security Journal, 23(6), pp.41~48 (2013)
- J. H. Jang, "A Study on Fraud Detection Technique using Financial Transaction Analysis in Internet Banking", pp.2012
- J. T. S. Quah, "Real-time credit card fraud detection using computational intelligence", Expert systems with applications, 35(4), pp.1721~1732 (2007)
- Hojin Seo, "A novel biometric identification based on a users input pattern analysis for intelligent mobile devices", International Journal of Advanced Robotic Systems (2012)
- "WEKA 3.6.11 : Data Mining Software in Java"[URL]
- "Path lengths and CPU time"[URL]
- Howard Rubin, "Economics of Computing-The Internal Combustion Mainframe", Technology Economics, 1(2), pp.1~2 (2010)