ارایه یک روش بهینه جهت بهبود کشف تقلب های کارت اعتباری در سیستم بانکداری الکترونیک با استفاده از ترکیب رویکردهای داده کاوی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 725

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF04_183

تاریخ نمایه سازی: 10 تیر 1396

چکیده مقاله:

با گسترش روز افزون استفاده از سامانه های مدرن بانکی و افزایش تعداد تراکنشهای بانکی، سوء استفاده های مالی وتقلب در این تراکنشها بیش از پیش نمود پیدا کرده است. این سوء استفاده ها علاوه بر از دست دادن منابع مالی هنگفت،باعث کاهش اعتماد مشتریان به استفاده از سامانه های مدرن بانکی و در نتیجه کاهش اثربخشی این سامانه ها در مدیریت بهینه ی سرمایه و تراکنشهای مالی میشود. هر چند جلوگیری از تقلب بهترین راه کاهش تقلبهای بانکی است، اما افرادسودجو از راه هایی به اهداف خود دست پیدا میکنند. بنابراین روشهایی مورد نیاز است تا تراکنشهای مشکوک به صورتبرخط شناسایی و از انجام آنها ممانعت به عمل آید. در سالهای اخیر روشهای داده کاوی توانسته اند با موفقیت درجلوگیری از پولشویی، تشخیص تقلب کارتهای سپرده و اعتباری به کار گرفته شود . در این مقاله از ترکیب الگوریتم های خوشه بندی Means-K بهبود یافته و الگوریتم طبقه بندی KNN2 توسعه یافته با کمک قوانین انجمنی تولید شده توسط الگوریتم محبوب Apriori به منظور کشف تقلب در سیستم بانکداری الکترونیک استفاده شده است. در نهایت پس از شبیه سازی روش پیشنهادی، ملاحظه گردید که دقت کشف تقلب کارتهای اعتباری در سیستم بانکداری الکترنیک با روش پیشنهادی در حدود 98.5 % بوده که نسبت به سایر روشها از صحت و دقت مطلوب تری برخوردار است

کلیدواژه ها:

کشف تقلب ، بانکداری الکترونیک ، خوشه بند k-means ، طبقه بند KNN توسعه یافته

نویسندگان

بهنام حیدری

دانشجو کامپیوتر نرم افزار ، دانشگاه آزاد اسلامی، شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • fraud risk reduction: Internalه [19]. M. Jans, N. Lybaert, and ...
  • Quah, J.T.S; Sriganesh, M. (2008). "Real-Time credit card fraud detection ...
  • . Bose, I.; Mahapatra, R.K. (2001). "Business Data Mining - ...
  • . Han, J.; Kamber, M. (2006). "Data Mining, Concepts and ...
  • . Frawley, W.j.; Piatetsky- Shapiro, G.; Matheus, C.J. (1992). "Knowledge ...
  • . Stolfo, W.L & San, S. (1998). "Data Mining Approaches ...
  • . Phua, C.; Alahakoon, D.; Lee, V. (2004). "Minority Report ...
  • . Ghosh, S.; Reilly, D.L. (1994). "Credit Card Fraud Detection ...
  • . Srivantava, A.; Kundu, A.; Sural, S. (2008). "Credit Card ...
  • . Michele, C.; Roberto, C.; Federico, M.; Ilenia, E.; Stefano ...
  • . E. Aleskerov; B. Freisleben, and B. Rao, (1997). _ ...
  • . R. J. Bolton and D J. Hand. (2001). "Unsupervised ...
  • . D. E. Denning. (1987). _ intrusion detection model". IEEE ...
  • . A. K. Ghosh and A. Schwartzbaxd (1999). _ study ...
  • . C. Cortes and D Pregibon. (2001).، ، S ignature-based ...
  • . T. Fawcett and F Provost. (1997). "Adaptive fraud detection", ...
  • . W. Xiaoyun, L. Danyue. (2010). "Hybrid outlier mining algorithm ...
  • . N. Lybaert, M. Jans, K. Vahoof. (2009). _ framework ...
  • . J. Magidson, J.K. Vermunt (2002). "Latent Clas Cluster Analysis". ...
  • . R. Liu, X.L. Qian, S. Mao, S.Z. Zhu. (2011). ...
  • . T. Zhang, R. Ramakrishnan, M. Livny. (1996). "BIRCH: an ...
  • . J.B. MacQueen. (1967). "Some methods for classification and analysis ...
  • . S. Panigrahi, A. Kundu, S. Sural, A. (2009). "Majumdar, ...
  • . Neda Soltani Halvaiee. (2014). "Mohammad Kazem Akb ariAmirkabir, A ...
  • نمایش کامل مراجع