Synthetischen Identitätsbetrug mit Graph Neural Networks Bekämpfen

Synthetischer Identitätsbetrug (SIF) ist ein schnell wachsendes Problem im Finanzsektor, das Institutionen schätzungsweise über 20 Milliarden Dollar jährlich kostet. Im Gegensatz zum traditionellen Identitätsdiebstahl beinhaltet SIF die Schaffung völlig neuer Identitäten unter Verwendung einer Kombination aus echten und gefälschten personenbezogenen Daten (PII). Da Betrüger immer ausgefeilter werden, haben traditionelle regelbasierte Systeme und selbst einfache Modelle für maschinelles Lernen Schwierigkeiten, Schritt zu halten. Hier bieten Graph Neural Networks (GNNs) einen leistungsstarken neuen Ansatz zur Bekämpfung dieser komplexen Betrugsart.

Kernaussage 1: Synthetischer Identitätsbetrug ist eine einzigartige Form des Betrugs, die fortschrittliche Erkennungsmethoden erfordert, die über traditionelle regelbasierte Systeme hinausgehen.

Kernaussage 2: Graph Neural Networks (GNNs) zeichnen sich dadurch aus, komplexe Beziehungen innerhalb von Daten zu identifizieren, was sie ideal macht, um die subtilen Muster zu erkennen, die auf synthetische Identitäten hindeuten.

Kernaussage 3: Die Kombination von GNNs mit anderen Techniken zur Betrugserkennung, wie z. B. Verhaltensanalysen und Geräte-Fingerprinting, liefert die höchste Genauigkeit.

Kernaussage 4: Proaktive Überwachung und Echtzeit-Risikobewertung auf der Grundlage von GNNs sind entscheidend, um Verluste durch synthetischen Identitätsbetrug zu minimieren.

Synthetischen Identitätsbetrug Verstehen

Synthetischer Identitätsbetrug tritt auf, wenn Kriminelle legitime und gefälschte PII kombinieren – z. B. einen echten Namen mit einer gefälschten Sozialversicherungsnummer –, um eine neue, völlig künstliche Identität zu schaffen. Diese „synthetische“ Identität wird dann verwendet, um betrügerische Konten zu eröffnen, Kredite zu erhalten und andere Finanzverbrechen zu begehen. Das Ausmaß des Problems ist erheblich. Eine Studie von LexisNexis Risk Solutions aus dem Jahr 2022 ergab, dass SIF über 50 % aller Verluste durch Identitätsbetrug ausmachte.

Traditionelle Betrugserkennungssysteme sind oft nicht in der Lage, synthetische Identitäten zu identifizieren, da sie sich darauf verlassen, PII mit bestehenden Datenbanken abzugleichen. Da synthetische Identitäten neu sind, haben sie keine vorherige Betrugshistorie. Dies ermöglicht es Betrügern, über einen längeren Zeitraum unentdeckt zu agieren, erhebliche Schulden anzuhäufen und erhebliche finanzielle Schäden zu verursachen.

Die Leistungsfähigkeit von Graph Neural Networks (GNNs)

Graph Neural Networks (GNNs) sind eine Klasse von Modellen für maschinelles Lernen, die entwickelt wurden, um Daten zu analysieren, die als Graphen dargestellt werden. Im Gegensatz zu traditionellen neuronalen Netzen, die Daten linear verarbeiten, können GNNs komplexe Beziehungen und Abhängigkeiten zwischen Datenpunkten erfassen. Diese Fähigkeit macht sie besonders geeignet, um synthetischen Identitätsbetrug zu erkennen.

Im Zusammenhang mit SIF kann ein Graph wie folgt aufgebaut werden:

• Knoten stellen Entitäten wie Einzelpersonen, Adressen, Telefonnummern, E-Mail-Adressen und IP-Adressen dar.
• Kanten stellen Beziehungen zwischen diesen Entitäten dar – beispielsweise eine Adresse, die einer bestimmten Person zugeordnet ist, oder eine Telefonnummer, die mit mehreren Konten verknüpft ist.

GNNs können dann lernen, Muster innerhalb dieses Graphen zu identifizieren, die auf synthetische Identitäten hindeuten, wie z. B. ungewöhnliche Verbindungen zwischen scheinbar nicht verwandten Entitäten oder ein hoher Grad an gemeinsamen Informationen über mehrere Konten hinweg. Sie suchen nach Anomalien, die für traditionelle Betrugserkennungssysteme nicht erkennbar wären.

So erkennen GNNs synthetische Identitäten: Ein technischer Deep Dive

Die Kernstärke von GNNs liegt in ihrer Fähigkeit, Message Passing durchzuführen. Jeder Knoten im Graphen aggregiert Informationen von seinen Nachbarn und verfeinert iterativ seine Darstellung basierend auf dem Kontext des umgebenden Netzwerks. Dieser Prozess ermöglicht es dem GNN, Einbettungen – Vektordarstellungen – für jeden Knoten zu lernen, die seine Position und Beziehungen innerhalb des Graphen erfassen.

Insbesondere können GNNs synthetische Identitäten identifizieren, indem sie:

• Anomalieerkennung: Identifizieren von Knoten (Entitäten) mit ungewöhnlichen Verbindungsmustern oder Einbettungsdarstellungen.
• Community-Erkennung: Aufdecken von Clustern miteinander verbundener Entitäten, die wahrscheinlich mit betrügerischen Aktivitäten in Verbindung stehen.
• Link Prediction: Vorhersagen fehlender Beziehungen zwischen Entitäten, die versteckte Verbindungen zwischen synthetischen Identitäten aufdecken können.

Beispielsweise könnte ein GNN eine synthetische Identität als einen Knoten mit wenigen Verbindungen zu legitimen Entitäten, aber einer starken Verbindung zu anderen verdächtigen Knoten identifizieren. Oder es könnte ein Muster erkennen, bei dem eine einzelne Adresse verwendet wird, um eine große Anzahl von Konten mit unterschiedlichen Namen und SSNs zu registrieren – eine gängige Taktik von Betrügern.

Didits Ansatz zur Erkennung von synthetischem Identitätsbetrug

Didit nutzt die Leistungsfähigkeit von GNNs in Kombination mit anderen fortschrittlichen Techniken zur Betrugserkennung, um eine umfassende Lösung zur Bekämpfung von synthetischem Identitätsbetrug bereitzustellen. Unsere Plattform erstellt einen dynamischen Wissensgraphen von Identitätsdaten, der Folgendes umfasst:

• Daten zur Identitätsprüfung: Ergebnisse von ID-Dokumentenprüfungen, Lebendigkeitserkennung und biometrischer Authentifizierung.
• AML-Screeningergebnisse: Informationen aus Sanktionslisten, PEP-Datenbanken und negativen Medienberichten.
• Geräte-Fingerprinting: Daten über das Gerät des Benutzers, einschließlich Betriebssystem, Browser und IP-Adresse.
• Verhaltensanalyse: Muster im Benutzerverhalten, wie z. B. Tippgeschwindigkeit, Mausbewegungen und Navigationsmuster.

Durch die Integration dieser verschiedenen Datenquellen in einen einzigen Graphen können die GNNs von Didit subtile Muster identifizieren, die von traditionellen Betrugserkennungssystemen übersehen würden. Das System kann auch kontinuierlich lernen und sich an neue Betrugstaktiken anpassen, um sicherzustellen, dass unsere Erkennungsfähigkeiten immer einen Schritt voraus sind. Wir haben eine Verbesserung von 30 % bei der Identifizierung synthetischer IDs im Vergleich zu herkömmlichen Methoden festgestellt.

Sind Sie bereit, loszulegen?

Lassen Sie nicht zu, dass synthetischer Identitätsbetrug Ihr Geschäft untergräbt. Die fortschrittliche Betrugserkennungsplattform von Didit, die auf Graph Neural Networks basiert, kann Ihnen helfen, Ihre Organisation und Ihre Kunden zu schützen.

Fordern Sie noch heute eine Demo an: https://demos.didit.me

Erfahren Sie mehr über unsere Preise: https://didit.me/pricing

FAQ

Was ist der Unterschied zwischen Identitätsdiebstahl und synthetischem Identitätsbetrug?

Identitätsdiebstahl beinhaltet den Diebstahl einer bestehenden, legitimen Identität. Synthetischer Identitätsbetrug beinhaltet die Erstellung einer neuen, gefälschten Identität unter Verwendung einer Kombination aus echten und gefälschten PII. SIF ist oft schwieriger zu erkennen, da die Identität nicht in bestehenden Datenbanken vorhanden ist.

Wie effektiv sind Graph Neural Networks bei der Erkennung von synthetischem Identitätsbetrug?

GNNs haben im Vergleich zu herkömmlichen Methoden eine deutlich höhere Genauigkeit bei der Erkennung von SIF gezeigt. Sie können versteckte Beziehungen und Anomalien aufdecken, die auf betrügerische Aktivitäten hindeuten, was zu einer erheblichen Reduzierung von falsch positiven und falsch negativen Ergebnissen führt.

Welche Daten werden benötigt, um einen Graphen für die Erkennung von synthetischem Identitätsbetrug zu erstellen?

Ein umfassender Graph sollte Daten über Einzelpersonen, Adressen, Telefonnummern, E-Mail-Adressen, IP-Adressen und Transaktionsdaten enthalten. Die Integration von Daten aus Identitätsprüfungen, AML-Screening, Geräte-Fingerprinting und Verhaltensanalysen ist entscheidend für eine optimale Leistung.

Können sich GNNs an neue Betrugstaktiken anpassen?

Ja, GNNs sind Modelle für maschinelles Lernen, die kontinuierlich lernen und sich an neue Muster und Trends anpassen können. Durch das erneute Trainieren des Modells mit neuen Daten können Sie sicherstellen, dass es bei der Erkennung neuer Betrugsschemata weiterhin effektiv ist.