محاربة احتيال الهوية الاصطناعية باستخدام الشبكات العصبية البيانية

يعد الاحتيال في الهوية الاصطناعية (SIF) مشكلة تتصاعد بسرعة في القطاع المالي، ويقدر أنها تكلف المؤسسات أكثر من 20 مليار دولار أمريكي سنويًا. على عكس سرقة الهوية التقليدية، يتضمن SIF إنشاء هويات جديدة تمامًا باستخدام مزيج من المعلومات الشخصية الحقيقية والمزيفة (PII). مع ازدياد تطور المحتالين، تواجه الأنظمة القائمة على القواعد التقليدية وحتى نماذج التعلم الآلي الأساسية صعوبة في مواكبة ذلك. هنا، تقدم الشبكات العصبية البيانية (GNNs) نهجًا جديدًا قويًا لمكافحة هذا النوع المعقد من الاحتيال.

الخلاصة الرئيسية 1: الاحتيال في الهوية الاصطناعية هو شكل فريد من الاحتيال يتطلب طرق اكتشاف متقدمة تتجاوز الأنظمة القائمة على القواعد التقليدية.

الخلاصة الرئيسية 2: تتفوق الشبكات العصبية البيانية (GNNs) في تحديد العلاقات المعقدة داخل البيانات، مما يجعلها مثالية للكشف عن الأنماط الدقيقة التي تشير إلى الهويات الاصطناعية.

الخلاصة الرئيسية 3: يتيح الجمع بين GNNs وتقنيات اكتشاف الاحتيال الأخرى، مثل التحليلات السلوكية وبصمات الأجهزة، أعلى مستويات الدقة.

الخلاصة الرئيسية 4: يعد المراقبة الاستباقية وتقييم المخاطر في الوقت الفعلي المدعومة بـ GNNs أمرًا بالغ الأهمية لتقليل الخسائر الناجمة عن الاحتيال في الهوية الاصطناعية.

فهم الاحتيال في الهوية الاصطناعية

يحدث الاحتيال في الهوية الاصطناعية عندما يجمع المجرمون بين معلومات شخصية حقيقية ومزيفة - مثل اسم حقيقي ورقم ضمان اجتماعي مزيف - لإنشاء هوية جديدة تمامًا. يتم بعد ذلك استخدام هذه الهوية "الاصطناعية" لفتح حسابات احتيالية والحصول على ائتمان وارتكاب جرائم مالية أخرى. حجم المشكلة كبير. وجدت دراسة أجرتها LexisNexis Risk Solutions في عام 2022 أن SIF تمثل أكثر من 50٪ من إجمالي خسائر الاحتيال في الهوية.

غالبًا ما تفشل أنظمة اكتشاف الاحتيال التقليدية في تحديد الهويات الاصطناعية لأنها تعتمد على مطابقة المعلومات الشخصية مع قواعد البيانات الموجودة. نظرًا لأن الهويات الاصطناعية جديدة، فهي لا تملك سجلًا احتياليًا سابقًا. وهذا يسمح للمحتالين بالعمل دون اكتشاف لفترات طويلة، وتراكم ديون كبيرة والتسبب في أضرار مالية كبيرة.

قوة الشبكات العصبية البيانية (GNNs)

الشبكات العصبية البيانية (GNNs) هي فئة من نماذج التعلم الآلي المصممة لتحليل البيانات الممثلة كرسوم بيانية. على عكس الشبكات العصبية التقليدية التي تعالج البيانات بشكل خطي، يمكن لـ GNNs التقاط علاقات واعتمادات معقدة بين نقاط البيانات. هذه القدرة تجعلها مناسبة بشكل خاص للكشف عن الاحتيال في الهوية الاصطناعية.

في سياق SIF، يمكن إنشاء رسم بياني حيث:

• العقد تمثل كيانات مثل الأفراد والعناوين وأرقام الهواتف وعناوين البريد الإلكتروني وعناوين IP.
• الحواف تمثل العلاقات بين هذه الكيانات - على سبيل المثال، عنوان مرتبط بفرد معين، أو رقم هاتف مرتبط بحسابات متعددة.

يمكن لـ GNNs بعد ذلك التعلم لتحديد الأنماط داخل هذا الرسم البياني التي تشير إلى الهويات الاصطناعية، مثل الاتصالات غير العادية بين الكيانات التي تبدو غير مرتبطة أو درجة عالية من المعلومات المشتركة عبر حسابات متعددة. إنهم يبحثون عن الحالات الشاذة التي لن تكون واضحة لأنظمة اكتشاف الاحتيال التقليدية.

كيف تكتشف GNNs الهويات الاصطناعية: تعمق تقني

تكمن القوة الأساسية لـ GNNs في قدرتها على أداء تمرير الرسائل. تجمع كل عقدة في الرسم البياني معلومات من جيرانها، وتحسن بشكل متكرر تمثيلها بناءً على سياق الشبكة المحيطة. تسمح هذه العملية لـ GNN بتعلم التضمينات - تمثيلات متجهية - لكل عقدة تلتقط موقعها وعلاقاتها داخل الرسم البياني.

على وجه التحديد، يمكن لـ GNNs تحديد الهويات الاصطناعية من خلال:

• اكتشاف الحالات الشاذة: تحديد العقد (الكيانات) ذات أنماط الاتصال غير العادية أو تمثيلات التضمين.
• اكتشاف المجتمع: الكشف عن مجموعات من الكيانات المترابطة التي من المحتمل أن تكون مرتبطة بأنشطة احتيالية.
• توقع الارتباط: التنبؤ بالعلاقات المفقودة بين الكيانات، والتي يمكن أن تكشف عن روابط خفية بين الهويات الاصطناعية.

على سبيل المثال، قد تحدد GNN هوية اصطناعية كعقدة ذات عدد قليل من الاتصالات بالكيانات المشروعة، ولكن اتصال قوي بعقد مشبوهة أخرى. أو، قد تكتشف نمطًا يتم فيه استخدام عنوان واحد لتسجيل عدد كبير من الحسابات بأسماء وأرقام ضمان اجتماعي مختلفة - وهو تكتيك شائع يستخدمه المحتالون.

نهج Didit للكشف عن الاحتيال في الهوية الاصطناعية

تستفيد Didit من قوة GNNs، جنبًا إلى جنب مع تقنيات اكتشاف الاحتيال المتقدمة الأخرى، لتوفير حل شامل لمكافحة الاحتيال في الهوية الاصطناعية. تقوم منصتنا ببناء رسم بياني معرفي ديناميكي لبيانات الهوية، ودمج:

• بيانات التحقق من الهوية: نتائج فحص وثائق الهوية واكتشاف الحيوية والمصادقة البيومترية.
• نتائج فحص مكافحة غسل الأموال: معلومات من قوائم العقوبات وقواعد بيانات PEP وتقارير وسائل الإعلام السلبية.
• بصمة الجهاز: بيانات حول جهاز المستخدم، بما في ذلك نظام التشغيل والمتصفح وعنوان IP.
• التحليلات السلوكية: أنماط في سلوك المستخدم، مثل سرعة الكتابة وحركات الماوس وأنماط التنقل.

من خلال دمج هذه المصادر المتنوعة للبيانات في رسم بياني واحد، يمكن لـ GNNs الخاصة بـ Didit تحديد الأنماط الدقيقة التي ستغفل عنها أنظمة اكتشاف الاحتيال التقليدية. يمكن للنظام أيضًا التعلم والتكيف باستمرار مع تكتيكات الاحتيال الجديدة، مما يضمن بقاء قدرات الكشف لدينا في الطليعة. لقد شهدنا تحسنًا بنسبة 30٪ في تحديد المعرفات الاصطناعية مقارنة بالطرق التقليدية.

هل أنت مستعد للبدء؟

لا تدع الاحتيال في الهوية الاصطناعية يقوض عملك. يمكن لمنصة اكتشاف الاحتيال المتقدمة من Didit، والتي تعمل بواسطة الشبكات العصبية البيانية، أن تساعدك في حماية مؤسستك وعملائك.

اطلب عرضًا توضيحيًا اليوم: https://demos.didit.me

تعرف على المزيد حول التسعير الخاص بنا: https://didit.me/pricing

الأسئلة الشائعة

ما الفرق بين سرقة الهوية والاحتيال في الهوية الاصطناعية؟

تتضمن سرقة الهوية سرقة هوية موجودة ومشروعة. يتضمن الاحتيال في الهوية الاصطناعية إنشاء هوية جديدة ومزيفة باستخدام مزيج من معلومات شخصية حقيقية ومزيفة. غالبًا ما يكون الاحتيال في الهوية الاصطناعية أكثر صعوبة في الكشف لأنه لا توجد هوية في قواعد البيانات الموجودة.

ما مدى فعالية الشبكات العصبية البيانية في الكشف عن الاحتيال في الهوية الاصطناعية؟

أظهرت GNNs دقة أعلى بكثير في الكشف عن SIF مقارنة بالطرق التقليدية. يمكنهم الكشف عن علاقات وحالات شاذة مخفية تشير إلى أنشطة احتيالية، مما يؤدي إلى انخفاض كبير في الإيجابيات الكاذبة والسلبيات الكاذبة.

ما هي البيانات المطلوبة لبناء رسم بياني للكشف عن الاحتيال في الهوية الاصطناعية؟

يجب أن يتضمن الرسم البياني الشامل بيانات حول الأفراد والعناوين وأرقام الهواتف وعناوين البريد الإلكتروني وعناوين IP والبيانات المعاملاتية. يعد دمج البيانات من التحقق من الهوية وفحص مكافحة غسل الأموال وبصمة الجهاز والتحليلات السلوكية أمرًا بالغ الأهمية لتحقيق الأداء الأمثل.

هل يمكن لـ GNNs التكيف مع تكتيكات الاحتيال الجديدة؟

نعم، GNNs هي نماذج تعلم آلي يمكنها التعلم والتكيف باستمرار مع الأنماط والاتجاهات الجديدة. من خلال إعادة تدريب النموذج ببيانات جديدة، يمكنك التأكد من أنه يظل فعالًا في الكشف عن مخططات الاحتيال الناشئة.