تشخيص تقلب در تراكنش‌هاي كارت‌هاي اعتباري با الگوريتم سلول‌هاي دندريتيك

Fraud Detection in Credit Card Transaction by the Dendritic Cell Algorithm

عدم امنيت تراكنش‌ها يكي از مهم‌ترين موانع براي استفاده و ترويج بانكداري الكترونيكي است و تشخيص تقلب از مسايل مهم در مؤسسات مالي و به‌ويژه بانك‌ها به‌شمار مي‌رود. از آنجا كه روشي مطمئن همراه با نرخ كشف بالا جهت تشخيص تقلب در كارت‌هاي اعتباري وجود ندارد، بنابراين در پژوهش حاضر با استفاده از الگوريتم مبتني بر سيستم ايمني بدن انسان و به‌طور خاص نظريه خطر موسوم به الگوريتم سلول‌هاي دندريتيك براي كشف تقلب در تراكنش‌هاي كارت‌هاي اعتباري تمركز كرده‌ايم. اين الگوريتم به‌دليل نداشتن فاز آموزش براي پايگاه داده‌هاي آنلاين (پركاربرد در تشخيص تقلب‌هاي آنلاين) بسيار مناسب است. همچنين، به‌علت دارابودن ساختار ساده داراي سرعت پردازش بالاست. با توجه به نتايج به‌دست‌آمده مي‌توان اين‌گونه بيان كرد كه الگوريتم سلول‌هاي دندريتيك، الگوريتمي مناسب با دقت مناسب (90 درصد) جهت تشخيص تقلب در تراكنش‌هاي كارت‌هاي اعتباري است. اين الگوريتم به‌دليل اعمال علامت امن تعداد شناسايي اشتباه تراكنش‌هاي نرمال به‌عنوان متقلب را كاهش مي‌دهد.

The problem of lack of security in transactions is a relatively new challenge for developing e-banking in recent years. So, fraud detection has been one of the most important issues in financial institutions and specially banks. On the other hand, credit card banking is one of the main branches of e-banking. Although lots of researches have been done in the field of fraud detection, the trustful ways with high detection rate in credit card have been rarely investigated. Therefore, in this paper we concentrate on this narrow field. We applied credit card fraud detection by Artificial Immune System (called as AIS) algorithms and specially the dendritic cell algorithm (Called as DCA). It has the advantage of not having a training phase shortening the application process and low weight in computation improving detection speed. Furthermore, it is appropriate for data stream which is used in online fraud detection. The experimental results show that DCA is suitable enough for fraud detection in credit card based on 90% detection rate. In addition, this algorithm decreases the FP rate by applying safe signal.