Yıl: 2021 Cilt: 12 Sayı: 4 Sayfa Aralığı: 615 - 625 Metin Dili: Türkçe DOI: 10.24012/dumf.1002110 İndeks Tarihi: 18-01-2022

Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti

Öz:
Günümüzde, şirketler gelecekte yapmayı planladıkları işleri içeren çok sayıdaki önemli verilerinielektronik ortamlarda saklamaktadırlar. Saldırı durumunda ise hem şirkete hem de bireylere zararverebilecek finansal bilgiler hedef alınmaktadır. Bu saldırı türlerinden biri de banka ödemelerindemeydana gelen dolandırıcılık saldırılarıdır. Grafik veri bilimi kullanılması, mevcut analitik ve makineöğrenimi ardışık düzenlerini güçlendirerek, var olan dolandırıcılık tespit yöntemlerinin doğruluğunu veuygulanabilirliğini arttırmaktadır. Bu çalışmada İspanya’daki bir banka ödeme bilgi simülasyonundanoluşturulan BankSim veri kümesi kullanılmıştır. BankSim üzerinde bulunan normal ödemeler ve sahteveriler sınıflandırılarak dolandırıcılık tespiti gerçekleştirilmesi amaçlanmıştır. Sınıflandırma için Pythondilinde RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB), K-Nearest Neighbors (k NN) sınıflandırma algoritmaları kullanılmıştır. Performans değerlendirmeleri için K-katlamalı çaprazdoğrulama kullanılmıştır. Çizge madenciliği için Neo4j veritabanı kullanılmış ve Neo4j sorgu dili olarakCypherQL kullanılmıştır. Bu dolandırıcılık tespitinin uygulanması ile daha az hileli işlem ve dahagüvenilir bir gelir akışı elde edilmiştir. Çizge madenciliği aşamasında PageRank, Community, degree gibiçizge algoritmaları ile birlikte standart makine öğrenimi yöntemi ile elde edilen sonuçlar optimizeedilmiştir. Bu açıdan çizge madenciliği ve makine öğrenimi algoritmalarının birlikte kullanılmasının diğeryöntemlere kıyasla doğruluk oranlarının daha yüksek olduğu ve daha hızlı sürede hesap yapan bir yöntemolduğu ispatlanmıştır.
Anahtar Kelime:

Detection of Fraud in Bank Payments Using Graph Mining and Machine Learning Algorithms

Öz:
Today companies keep a large number of important data, including the work they plan to do in the future,electronically. In many cases, financial information is stolen that can harm the entire company orindividual. One of these types of fraud occurs in bank payments. The use of graph data science augmentsexisting analytics and machine learning pipelines, increasing the accuracy and applicability of existingfraud detection methods. In this study, BankSim dataset created from a bank payment informationsimulation in Spain was used. It is aimed to detect fraud by classifying normal payments and injected fraudsignatures on BankSim. RandomForest (RF), SVM, XGBoost (XGB), K Nearest Neighbors (k-NN)classification algorithms in python language were used for classification. K-fold cross validation was usedfor performance evaluations. Neo4j database was used for graph analysis and CypherQL was used asNeo4j query language. The implementation of this fraud detection has resulted in fewer fraudulenttransactions and a more reliable revenue stream. The performances of SVM, RF, XGB, k-NN algorithmswere evaluated for fraud detection in bank payments, and the performance of the algorithms was comparedaccording to the K-Fold cross-validation results in terms of performance. In the graph mining phase, theresults obtained with the standard machine learning method were optimized together with graph algorithmssuch as PageRank, Community, and degree. In this respect, it has been proven that the use of graph miningand machine learning algorithms together has higher accuracy rates compared to other methods and is amethod that calculates in a faster time.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
0
0
0
  • [1] G. Sadowski, & P. Rathle. Fraud detection: Discovering connections with graph databases. White Paper-Neo Technology-Graphs are Everywhere, 13, 2014.
  • [2] K. Julisch. Risk-based payment fraud detection. Research Report, IBM Research, Zurich, (2010).
  • [3] S. Rehman, U. Khan, A. U., S. Fong. Graph mining: A survey of graph mining techniques. In Seventh International Conference on Digital Information Management (ICDIM 2012) (pp. 88-92), IEEE, (2012).
  • [4] D. Koutra, C. Faloutsos. Individual and collective graph mining: principles, algorithms, and applications. Synthesis Lectures on Data Mining and Knowledge Discovery, 9(2), 1-206, (2017).
  • [5] C. Jiang, F. Coenen, M. Zito. A survey of frequent subgraph mining algorithms. The Knowledge Engineering Review, 28(1), 75-105i (2013).
  • [6] S. Suthaharan. Big data classification: Problems and challenges in network intrusion prediction with machine learning. ACM SIGMETRICS Performance Evaluation Review, 41(4), 70-73, (2014).
  • [7] J. Qiu, Wu, Ding Q., G., Xu, Y., S. Feng.A survey of machine learning for big data processing. EURASIP Journal on Advances in Signal Processing, 2016(1), 1-16,(2016).
  • [8] E. Kurshan, H. Shen, & H. Yu. Financial Crime & Fraud Detection Using Graph Computing: Application Considerations & Outlook. In 2020 Second International Conference on Transdisciplinary AI (TransAI) (pp. 125-130). IEEE, September,2020.
  • [9] D. Cheng, X. Wang, Y. Zhang, & L. Zhang. Graph Neural Network for Fraud Detection via Spatialtemporal Attention. IEEE Transactions on Knowledge and Data Engineering, 2020
  • [10] C. Yang, Z. Liu, D. Zhao, Sun, M., & E. Y. Chang. Network representation learning with rich text information. In IJCAI (Vol. 2015, pp. 2111-2117), July, 2015.
  • [11] M. Xie, H. Yin, H. Wang, F., Xu, W. Chen, & S. Wang. Learning graph-based poi embedding for location-based recommendation. In Proceedings of the 25th ACM International on Conference on Information and Knowledge Management (pp. 15- 24), October, 2016.
  • [12] A. Roy, , J. Sun, R. Mahoney, L. Alonzi, S. Adams, & P. Beling. Deep learning detecting fraud in credit card transactions. In 2018 Systems and Information Engineering Design Symposium (SIEDS) (pp. 129- 134). IEEE, April, 2018.
  • [13] H. M. Vidanelage, T. Tasnavijitvong, , P. Suwimonsatein & P. Meesad. Study on machine learning techniques with conventional tools for payment fraud detection. In 2019 11th International Conference on Information Technology and Electrical Engineering (ICITEE) (pp. 1-5). IEEE, October, 2019.
  • [14] F. Carcillo, Y. A. Le Borgne, O. Caelen, Y. Kessaci, F. Oblé, & G. Bontempi. Combining unsupervised and supervised learning in credit card fraud detection. Information Sciences, 2019
  • [15] B. Lebichot, Y. A. Le Borgne, L. He-Guelton, F. Oblé, & G. Bontempi, Deep-learning domain adaptation techniques for credit cards fraud detection. In INNS Big Data and Deep Learning conference (pp. 78-88). Springer, Cham, April, 2019
  • [16] C. Wang, & H. Zhu. Representing Fine-Grained CoOccurrences for Behavior-Based Fraud Detection in Online Payment Services. IEEE Transactions on Dependable and Secure Computing, 2020.
  • [17] P. Shiguihara-Juárez, & N. Murrugarra-Llerena. A Bayesian Classifier Based on Constraints of Ordering of Variables for Fraud Detection. In 2018 Congreso Internacional de Innovación y Tendencias en Ingeniería (CONIITI) (pp. 1-6). IEEE, October, 2018.
  • [18] E. A. Lopez-Rojas,, S. Axelsson. Banksim: A bank payments simulator for fraud detection research Inproceedings. In 26th EuropeanModeling and Simulation Symposium, EMSS, (2014).
  • [19] S. R. Islam. An efficient technique for mining bad credit accounts from both olap and oltp (Doctoral dissertation, Tennessee Technological University), (2018).
  • [20] S. Even. Graph algorithms. Cambridge University Press, 2011.
  • [21] A. Castelltort. Review of Graph-Powered Machine Learning, Alessandro Negro, Manning Publication, 2020.
  • [22] Packpub, URL: https://hub.packtpub.com/neo4jmost-popular-graph-database/, Varangaonkar, A. Why Neo4j is the most popular Graph database. (Erişim zamanı: 2021)
  • [23] R. Wirth, & J. Hipp. CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (Vol. 1). London, UK: Springer-Verlag, April 2000.
  • [24] E. A. Lopes-Rojas, & S. Axelsson. Banksim: A bank Payment Simulation for Fraud Detection Research, 2014.
  • [25] Neo4j, URL: https://neo4j.com/developer/graphdatabase/, (Erişim zamanı: 2021)
  • [26] Kaggle, URL: https://www.kaggle.com/ntnutestimon/banksim1, E. Alonso, Axelsson, Stefan. Banksim: A bank payments simulator for fraud detection research Inproceedings, (Erişim zamanı: 2021)
  • [27] D. Roobaert. DirectSVM: A simple support vector machine perceptron. Journal of VLSI signal processing systems for signal, image and video technology, 32(1), 147-156, 2002.
  • [28] D. Roobaert. Pedagogical support vector learning: A pure learning approach to object recognition (Doctoral dissertation, Numerisk analys och datalogi), 2001.
  • [29] V. N. Vapnik. Introduction: Four periods in the research of the learning problem. In The nature of statistical learning theory (pp. 1-15). Springer, New York, NY, 2000.
  • [30] M. R. Segal. Machine learning benchmarks and random forest regression, 2004.
  • [31] R. Mitchell & E. Frank. Accelerating the XGBoost algorithm using GPU computing. PeerJ Computer Science, 3, e127, 2017.
  • [32] M. Sarkar, & T. Y. Leong. Application of K-nearest neighbors algorithm on breast cancer diagnosis problem. In Proceedings of the AMIA Symposium (p. 759). American Medical Informatics Association, 2000.
  • [33] Neo4j, URL: https://neo4j.com/docs/graph-datascience/current/algorithms/page-rank/, (Erişim zamanı: 2021)
  • [34] Neo4j, URL: https://neo4j.com/docs/graphalgorithms/current/labs-algorithms/degreecentrality/, (Erişim zamanı: 2021).
  • [35] Neo4j, URL: https://neo4j.com/docs/graph-datascience/current/algorithms/community/, (Erişim zamanı: 2021).
APA Çavşi Zaim H, YOLACAN E, GÜLBANDILAR E (2021). Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. , 615 - 625. 10.24012/dumf.1002110
Chicago Çavşi Zaim Hande,YOLACAN Esra,GÜLBANDILAR EYYÜP Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. (2021): 615 - 625. 10.24012/dumf.1002110
MLA Çavşi Zaim Hande,YOLACAN Esra,GÜLBANDILAR EYYÜP Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. , 2021, ss.615 - 625. 10.24012/dumf.1002110
AMA Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. . 2021; 615 - 625. 10.24012/dumf.1002110
Vancouver Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. . 2021; 615 - 625. 10.24012/dumf.1002110
IEEE Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E "Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti." , ss.615 - 625, 2021. 10.24012/dumf.1002110
ISNAD Çavşi Zaim, Hande vd. "Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti". (2021), 615-625. https://doi.org/10.24012/dumf.1002110
APA Çavşi Zaim H, YOLACAN E, GÜLBANDILAR E (2021). Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(4), 615 - 625. 10.24012/dumf.1002110
Chicago Çavşi Zaim Hande,YOLACAN Esra,GÜLBANDILAR EYYÜP Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 12, no.4 (2021): 615 - 625. 10.24012/dumf.1002110
MLA Çavşi Zaim Hande,YOLACAN Esra,GÜLBANDILAR EYYÜP Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol.12, no.4, 2021, ss.615 - 625. 10.24012/dumf.1002110
AMA Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2021; 12(4): 615 - 625. 10.24012/dumf.1002110
Vancouver Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2021; 12(4): 615 - 625. 10.24012/dumf.1002110
IEEE Çavşi Zaim H,YOLACAN E,GÜLBANDILAR E "Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti." Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12, ss.615 - 625, 2021. 10.24012/dumf.1002110
ISNAD Çavşi Zaim, Hande vd. "Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine ÖğrenimiAlgoritmalarıyla Tespiti". Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 12/4 (2021), 615-625. https://doi.org/10.24012/dumf.1002110