شناسایی تراکنش‌های مشکوک در سیستم‌های فیزیکی سایبری بانکی با استفاده از هوش مصنوعی و یادگیری ماشین

نویسندگان

  • سید روح‌اله میرحیسنی * هندسی کامپیوتر، گرایش هوش مصنوعی و رباتیکز، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران.
  • بهروز مینایی بیدگلی گروه مهندسی کامپیوتر، دانشگاه علم و صنعت، تهران، ایران. https://orcid.org/0000-0002-9327-7345
  • بهاره شاکر اردکانی شرکت به‌سازان ملت، ایران.

https://doi.org/10.22105/msda.v3i1.78

چکیده

هدف: این پژوهش با هدف شناسایی تراکنش‌های مشکوک در سیستم‌های سایبری فیزیکی بانکی با بهره‌گیری از روش‌های هوش مصنوعی و یادگیری ماشین انجام شده است. با توجه به گسترش تراکنش‌های دیجیتال و افزایش پیچیدگی حملات کلاهبرداری، هدف اصلی، ارایه الگوریتمی کارآمد و قابل‌اعتماد برای تشخیص ناهنجاری‌های بانکی در زمان واقعی است.

روش‌شناسی پژوهش: مطالعه حاضر از روش‌های یادگیری ماشین، از جمله الگوریتم‌های یادگیری با نظارت (مانند درخت تصمیم، SVM و شبکه‌های عصبی و بدون نظارت (مانند خوشه‌بندی و تشخیص ناهنجاری) استفاده کرده است. از معیارهایی مانند دقت، حساسیت، نرخ مثبت واقعی و سطح زیر منحنی ROC برای ارزیابی عملکرد مدل‌ها بهره گرفته شد. سیستم پیشنهادی با داده‌های بانکی واقعی شبیه‌سازی شده و در قالب نمودارهای الگوریتمی ارایه گردید.

یافته‌ها: یافته‌ها نشان دادند که الگوریتم‌های ترکیبی بر پایه یادگیری ماشین قادر به تشخیص دقیق تراکنش‌های مشکوک در سیستم‌های سایبری فیزیکی بانکی هستند. مدل ارائه‌شده دارای دقت بالا، نرخ تشخیص مثبت مناسب و قابلیت شناسایی ناهنجاری‌های متنی، نقطه‌ای و جمعی می‌باشد. همچنین نتایج حاصل نشان می‌دهد که استفاده از تحلیل برخط و پردازش زبان طبیعی، نقش مهمی در ارتقای دقت مدل‌های پیش‌بینی دارد.

اصالت / ارزش افزوده علمی: نوآوری اصلی این تحقیق، طراحی و پیاده‌سازی چارچوبی مبتنی بر هوش مصنوعی است که قابلیت تحلیل سریع و دقیق داده‌های حجیم بانکی را دارد. این چارچوب، با توجه به شرایط خاص سیستم‌های سایبری فیزیکی بانکی، امنیت اطلاعات مالی را ارتقا می‌بخشد و نسبت به روش‌های سنتی تشخیص تقلب، کارآمدتر و منعطف‌تر عمل می‌کند. همچنین، تحقیق با نگاهی بین‌رشته‌ای به مقوله حکمرانی داده و امنیت سایبری می‌پردازد.

کلمات کلیدی:

سیستم‌های سایبری فیزیکی، ناهنجاری، تراکنش‌های مشکوک، هوش مصنوعی، یادگیری ماشین

مراجع

  1. [1] Karpoff, J. M. (2021). The future of financial fraud. Journal of corporate finance, 66, 101694. https://doi.org/10.1016/j.jcorpfin.2020.101694
  2. [2] Mandal, A., & Shanmugam, A. (2023). Fathoming fraud: unveiling theories, investigating pathways and combating fraud. Journal of financial crime, 31(5). 1106-1125. http://dx.doi.org/10.1108/JFC-06-2023-0153
  3. [3] Olufemi, B., Bello, O., Olufemi, K., & Author, C. (2024). Artificial intelligence in fraud prevention: Exploring techniques and applications challenges and opportunities. Computer science & it research journa, 5(6), 1505–1520. http://dx.doi.org/10.51594/csitrj.v5i6.1252
  4. [4] Hassan, M., Aziz, L. A. R., & Andriansyah, Y. (2023). The role artificial intelligence in modern banking: an exploration of AI-driven approaches for enhanced fraud prevention, risk management, and regulatory compliance. Reviews of contemporary business analytics, 6(1), 110–132. https://researchberg.com/index.php/rcba/article/view/153
  5. [5] Shoetan, P. O., & Familoni, B. T. (2024). Transforming fintech fraud detection with advanced artificial intelligence algorithms. Finance & accounting research journal, 6(4), 602–62. https://doi.org/10.51594/farj.v6i4.1036
  6. [6] Devan, M., Prakash, S., & Jangoan, S. (2023). Predictive maintenance in banking: Leveraging AI for real-time data analytics. Journal of knowledge learning and science technology, 2(2), 483–490. https://doi.org/10.60087/jklst.vol2.n2.p490
  7. [7] Shabbir, A., Shabir, M., Javed, A. R., Chakraborty, C., & Rizwan, M. (2022). Suspicious transaction detection in banking cyber–physical systems. Computers & electrical engineering, 97, 107596. https://doi.org/10.1016/j.compeleceng.2021.107596
  8. [8] Hawkins, D. M. (1980). Identification of outliers. Springer Netherlands. https://books.google.com/books?id=fb0OAAAAQAAJ
  9. [9] Adhikari, R., & Agrawal, R. K. (2013). An introductory study on time series modeling and forecasting. https://doi.org/10.48550/arXiv.1302.6613
  10. [10] Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 1–58. https://doi.org/10.1145/1541880.1541882
  11. [11] Xiong, H., Pandey, G., Steinbach, M., & Kumar, V. (2006). Enhancing data analysis with noise removal. IEEE transactions on knowledge and data engineering, 18(3), 304–319. https://doi.org/10.1109/TKDE.2006.46
  12. [12] Hilal, W., Gadsden, S., & Yawney, J. (2021). Financial fraud: A review of anomaly detection techniques and recent advances. Expert systems with applications, 193(8), 116429. http://dx.doi.org/10.1016/j.eswa.2021.116429
  13. [13] Hodge, V., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial intelligence review, 22, 85–126. http://dx.doi.org/10.1023/B:AIRE.0000045502.10941.a9
  14. [14] Russell, S. J., & Norvig, P. (2016). Artificial intelligence: A modern approach. Pearson. https://thuvienso.hoasen.edu.vn/handle/123456789/8967
  15. [15] Mirhoseini, S. R., Jahedmotlagh, M.-R., Ardakani, B., & Sabeti, M. (2022). Survey the use of artificial intelligence and machine learning to predict and prevent crimes and violations of goods and currency smuggling from the perspective of data governance. Hidden economy scientific and research. Kordestan, Iran. (In Persian). https://b2n.ir/ju5609
  16. [16] Jin, Z., Yang, H., & Yin, G. (2021). A hybrid deep learning method for optimal insurance strategies: Algorithms and convergence analysis. Insurance: Mathematics and economics, 96, 262–275. https://doi.org/10.1016/j.insmatheco.2020.11.012
  17. [17] El Bouchefry, K., & de Souza, R. S. (2020). Learning in BIG DAta: Introduction to machine learning. In Knowledge discovery in big data from astronomy and earth observation (pp. 225–249). Elsevier. https://doi.org/10.1016/B978-0-12-819154-5.00023-0
  18. [18] Mirhoseini, S. R., & Minaei, B. (2020). Network security: Artificial intelligence method for attack detection (Survey study). 3rd national conference on computer, information technology and applications of artificial intelligence, Ahvaz, Iran. (In Persian). https://b2n.ir/nb4803
  19. [19] Mirhoseini, S. R., JahedMotlagh, M. R., & Pooyan, M. (2016). Improve accuracy of early detection sudden cardiac deaths (scd) using decision forest and SVM. Proceedings of the international conference on robotics and artificial intelligence (pp. 20–22). Nagoya, Japan. https://b2n.ir/xg8686
  20. [20] Mirhoseini, S. R., Vahedi, F., & Nasiri, J. A. (2020). ‘E-mail phishing detection using natural language processing and machine learning techniques. Iran, Tech. Rep. (In Persian). https://b2n.ir/xm4617

دانلود

چاپ شده

2025-02-10

شماره

دوره 3 شماره 1 (1404): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

میرحیسنی . س. ر., مینایی بیدگلی ب., & شاکر اردکانی ب. (2025). شناسایی تراکنش‌های مشکوک در سیستم‌های فیزیکی سایبری بانکی با استفاده از هوش مصنوعی و یادگیری ماشین. علوم مدیریت و تحلیل تصمیم , 3(1), 24-32. https://doi.org/10.22105/msda.v3i1.78
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.