1. O documento descreve uma solução de análise de perfis de clientes para identificar fraudes na internet utilizando mineração de dados e redes neurais artificiais.
2. A solução estrutura-se em cinco etapas: mineração de dados, algoritmos genéticos, agente inteligente, lógica trivalente e redes neurais.
3. Os resultados dos testes indicam que a solução permite identificar possíveis fraudes em tempo real com baixo custo computacional.
1. Solução de Análise dos Perfis de Clientes contra Fraudes via Internet Valdemir Silva Souza, Me. Gerente de Desenvolvimento
2.
3.
4. 1. Mineração de Dados 2. Algoritmos Genéticos 3. Agente Inteligente 4. Lógica Trivalente 5. Redes Neurais Artificiais Estrutura da Solução
5.
6. Internet Engenharia Social Golpista Email Scam Cavalo de Tróia Spam Repositório Cliente Cliente Clonagem Cartões e Cheques Visualizando o Problema (Auto-Atendimento)
7. Áreas de Aplicações Internet Banking Auto-Atendimento Comércio Eletrônico Inteligência Artificial Cartão Crédito
9. Visualizando a Mineração de Dados Perfil Cliente Perfil Golpista IP, Hora, Data, Valor, Ag Crédito, Cta Crédito x Período (Linha de Tempo) Histórico Cliente Agente Perfis Aprendizagem/Memorização Otimização Fraude ???
10. Dicionário Lógico Lógica Paraconsistente O cliente efetiva a transação desejada, com grau de crença total e grau de descrença total. O cliente efetiva a transação desejada, com grau de crença nulo e grau de descrença nulo. Verdade {1,0;0,0} Falsidade {0,0;1,0} Inconsistente {1,0;1,0} Indeterminação {0,0;0,0} O cliente efetiva a transação desejada, com grau de crença nulo e grau de descrença total. O cliente efetiva a transação desejada, com grau de crença total e grau de descrença nulo . = Possíveis fraudes Descobertas “ On-Line” RNAP
11. Modelo da Rede Neural Artificial Fig. 1.2 Modelo de Rede Neural Artificial Paraconsistente
12. Ações da Solução Pergunta Positiva Ok 4 Suspeita Fraude 3 Ok 3 Fraude Identificada 4 RNAP 2 On-Line 1 Relatórios 5 Sistema do Usuário SQL Mainframe Clientes Aprendizagem "Perfil Cliente“ “ Off-Line” Salva Dados Tomada de Decisão Perfil do Cliente Consultas 6 Solução
13. Modelo de Histórico do Cliente Fig. 1.3 Modelo de Dados do perfil do Cliente após a aplicação do MD Agência Conta IP Transa ç ão Hora Data Valor Agênca Cr é dito Conta Cr é dito 0262 457244 1234566789 1234 170412 0701 254.89 ? ? 0262 457244 1234566789 1234 170607 0701 606.71 ? ? 0262 457244 1234566789 1234 130806 0706 96.93 ? ?
14. Exemplo: Padrões Analisados Fig. 1.4 Tabela de Padrões Analisados Descrição Dados Iniciais Dados Finais Linha do Tempo 1 180 (dias) Padrão “Horário” 08:49:53h 18:43:55h Padrão “Data” (MMDD) 0701 1206 Padrão “Valor” R$ 75,39 R$ 904,68 Qtde Transações do Perfil 1 100 Qtde Trs Tempo Real 1 1 Qtd Colunas Perfil 1 7 Qtd Colunas Analisadas 1 3
15. Análise e Resultados Fig. 1.5 Tabela de Dados do Teste (simulação) Descrição Dados População ( transações ) 1.283.534 Tempo Aprendizagem 6 min Tempo Memorização 2 min Reconhecimento de Padrão 0.1 seg Tempo total processamento 8 min
16. Teste de Stress 1 Fig. 1.6 Gráfico de Dados deTestes de Stress
19. Ações de Fraudes Fig. 1.9 Gráfico de Dados de Testes de Stress 20 Trs Alteradas do perfil do Cliente ( Hora x Qtd Trs ) Fig. 1.10 Gráfico de Dados de Testes de Stress 20 Trs Alteradas do perfil do Cliente ( Data x Qtd Trs ) Fig. 1.11 Gráfico de Dados de Testes de Stress 20 Trs Alteradas do perfil do Cliente ( Valor x Qtd Trs )
20. Vantagens da Solução Melhor performance nas análises do perfil “on-line” e “off-line” Utiliza a Lógica Paraconsistente (melhor modelagem do comportamento do cérebro humano). Melhor tempo de identificação de fraudes e análise do perfil relacionados com outras abordagens . Nenhum impacto ao Sistema do Usuário , tamanhos otimizados para os objetos essenciais .
21. Dicas de Usabilidade 1- Gerador de Logs e Relatórios. 2- Salva dados de contas suspeitas de fraudes em arquivo xml. 3- P ossibilidade da pergunta positiva ser extraída da base de conhecimento do cliente. 4- No período noturno insere no banco de dados SQL Server os arquivos Xml, deletando-os após inseridos. 5- Não deve haver a possibilidade de uma exceção causada no aplicativo ser indicativo de erro no sistema do usuário. 6- Acesso via web dos relatórios desenvolvidos de acordo com sugestões do usuário. Figura 1.12 Componentes sob o MTS