شناسايي تقلب در كارت‌هاي بانكي با استفاده از شبكه‌هاي عصبي مصنوعي

Bank Card Fraud Detection Using Artificial Neural Network

هرچند آمار دقيقي از تقلب در كارت‌هاي بانكي معتبرِ كشور وجود ندارد، به نظر مي‌رسد تقلب در كارت‌هاي بانكي روند رو به رشدي دارد و مي‌تواند در آينده نه‎چندان دور به يكي از معضلات سيستم بانكي كشور تبديل شود. متاسفانه هنوز در كشورمان تحقيقات مناسبي در اين خصوص صورت نگرفته و سيستم بانكي مدل يا مدل‌هايي كارا نياز دارد كه بتواند امنيت استفاده از كارت‌هاي بانكي را تضمين كند. لذا در اين پژوهش، پس از شناسايي انواع تقلب‌هاي رايج در زمينه كارت‌هاي بانكي و شبيه‌سازي تراكنش‌هاي متقلبانه، با بهره‌گيري از شبكه‌هاي عصبي مصنوعي، مدلي براي طبقه‌بندي تراكنش‌ها به تراكنش‌هاي سالم و متقلبانه (مشكوك به تقلب) ايجاد شد. اين مدل كه از نوع شبكه عصبي پرسپترون چندلايه است، علاوه‎بر اينكه مبتني بر سيستم بانكي داخلي كشور است، توانسته است با دقت 99درصد، عملكرد نسبتاً خوبي در طبقه‌بندي مزبور داشته باشد. با مقايسه معيارهاي ارزيابي عملكرد محاسبه‎شده اين پژوهش و نتايج مدل‌هاي ارايه‎شده در مطالعات ديگر، مشخص شد معيارهاي ارزيابي عملكرد پژوهش حاضر از روايي و پايايي مناسبي برخوردارند.

There is no accurate data for the bank cards fraud in Iran. But, it seems to be a growing trend in this regard and in the near future it is going to become one of the critical problems in Iranʹs banking system. Unfortunately, not enough research works have been done in this field in our country and the banking system requires models that are efficient enough to ensure safe use of bank cards. In this paper, after identifying the most common types of bank cards frauds and fraudulent transactions simulation, Artificial Neural Network (ANN) was used for the classification of transactions into two types of legitimate (non-fraud) and fraudulent (suspicious) actions. The proposed model is a Multi-Layer Perceptron (MLP) neural network designed based on the domestic banking system and is able to classify the transactions with more than 99 percent accuracy. Measures of performance calculated in this study are compared with the results of other research models. The results show that the proposed model is quite reliable and valid.