グラフデータベースとネットワーク分析による不正IDリングの検出

グラフデータベースとネットワーク分析は、一見無関係に見えるデータポイント間の複雑な関係を視覚化・分析することで、ID詐欺リングを検出する優れた方法を提供します。これにより、従来の直線的な検出システムでは見逃されがちな不正行為を特定できます。

従来の不正検出の限界

従来の不正検出システムは、多くの一般的な不正タイプには効果的ですが、巧妙なID詐欺リングにはしばしば苦戦します。これらのシステムは通常、ルールベースのロジックや個々のデータポイントでトレーニングされた機械学習モデルに依存しています。たとえば、一般的なルールでは、同じIPアドレスから開かれた複数のアカウントにフラグが立てられるかもしれません。しかし、詐欺師はデジタルフットプリントを隠すことにますます長けており、プロキシ、盗まれたID、そして複雑な「運び屋」ネットワークを使用して、個々には正当に見える多くのアカウントに活動を分散させています。

このアプローチは、詐欺師が協調して活動し、合成IDのネットワークを作成したり、共有アドレス、電話番号、あるいは同じデバイスのフィンガープリントを複数のアカウントで利用したりする場合に不十分です。個々のアカウントは基本的なチェックを通過するかもしれませんが、集合的なパターンが組織的な詐欺行為を明らかにします。ここで、グラフデータベースによる不正検出の力が発揮されます。

グラフデータベースとは？

グラフデータベースは、ノード、エッジ、プロパティを使用してデータを表現および保存する、セマンティッククエリ用のグラフ構造を使用するNoSQLデータベースの一種です。ノードはエンティティ（人、アカウント、デバイス、アドレスなど）を表し、エッジはそれらの間の関係（「〜とアドレスを共有する」、「〜と同じデバイスを使用した」、「〜に送金した」など）を表します。プロパティは、ノードまたはエッジに保存されるキーと値のペアです。

関連データを接続するために複雑でしばしば遅いJOIN操作を必要とするリレーショナルデータベースとは異なり、グラフデータベースはこれらの関係をたどることに最適化されています。この接続を探索するネイティブな能力により、不正リングを示すパターンを特定するのに非常に適しています。

不正検出におけるノード、エッジ、プロパティ

不正シナリオを考えてみましょう。あるグループの個人が、わずかに変更された個人情報を使用して複数のアカウントを開設しますが、同じ物理アドレスを共有し、ログインに同じデバイスを使用しています。

• ノード：各個人、各アカウント、共有アドレス、デバイス。
• エッジ：「〜によって開設された」（個人とアカウントを接続）、 「〜に居住する」（個人とアドレスを接続）、 「〜によって使用された」（デバイスとアカウント/個人を接続）。
• プロパティ：個人ノードの場合：name、date_of_birth。アカウントノードの場合：account_number、opening_date。エッジの場合：使用のtimestamp。

このデータをグラフとして表現することで、簡単なクエリで特定の住所やデバイスにリンクされているすべてのアカウント、あるいは共有属性の連鎖を通じて接続されている異なる個人によって開設された複数のアカウントといった、より複雑なパターンを明らかにすることができます。

ネットワーク分析：隠れたつながりの発見

グラフデータベースに適用されるネットワーク分析は、これらの関係を調査して構造とパターンを特定するプロセスです。グラフデータベースによる不正検出で使用される主要なネットワーク分析手法には、次のものがあります。

• パスファインディング：2つのノード間の最短または最も重要なパスを特定します。たとえば、一見無関係に見える2つのアカウントが、共有メールアドレスや電話番号の連鎖を通じて接続されているかどうかを調べます。
• コミュニティ検出：ネットワークの他の部分よりも互いに密接に接続されているノードをグループ化します。これにより、連携して活動している不正アカウントのクラスターを明らかにすることができます。
• 中心性尺度：ネットワーク内で最も影響力のあるノードを特定します。中心性が高いノード（例：共有電話番号やIPアドレス）は、不正リングの中心的なハブである可能性があります。
• パターンマッチング：特定の疑わしいグラフパターンを検索します。たとえば、アカウントが複数のソースから資金を受け取り、それを他のアカウントに迅速に分散させる「マネーミュール」パターンなどです。

たとえば、それぞれ固有の身分証明書を持つ3人の異なる個人がアカウントを開設しようとした場合、従来のKYC（顧客確認）チェックでは個別に承認されるかもしれません。しかし、グラフが彼ら全員が同じIPアドレスを共有し、同じデバイスのフィンガープリントを使用し、電話番号がリンクされていることを示した場合、アラートがトリガーされ、潜在的な不正リングが示唆されます。

グラフデータベースによる不正検出の利点

グラフデータベースによる不正検出を実装することは、本人確認と不正防止に取り組む企業にとって、いくつかの重要な利点をもたらします。

1. 巧妙な不正の検出強化：グラフデータベースは、従来のサイロ化されたデータ分析の弱点を悪用する、複雑な多者間不正リングの発見に優れています。
2. 調査効率の向上：不正アナリストは接続を視覚化できるため、調査がより迅速かつ直感的になります。スプレッドシートをふるいにかける代わりに、ネットワーク全体を一目で確認できます。
3. 誤検知の削減：関係のコンテキストを理解することで、企業は正当な複雑な取引と真に不正な取引を区別でき、誤検知が減り、顧客体験が向上します。
4. プロアクティブな不正防止：不正リングを早期に特定することで、企業は関連エンティティからの将来の試みをブロックし、損失が発生する前に防ぐことができます。
5. 新しい不正スキームへの適応性：グラフモデルは柔軟であり、詐欺師が戦術を進化させるにつれて、新しいデータポイントと関係タイプを簡単に組み込むことができます。

グラフデータベースを不正インフラストラクチャに統合する

グラフデータベースによる不正検出の統合には、通常、いくつかのステップが含まれます。

1. データ取り込み：本人確認結果、トランザクションログ、デバイスフィンガープリント、IPアドレス、行動データなど、さまざまなソースからのデータをグラフモデリングに適した形式に統合します。
2. グラフモデル設計：ビジネスコンテキストと潜在的な不正パターンを正確に表すノード（エンティティ）とエッジ（関係）を定義します。
3. グラフの投入：処理されたデータをグラフデータベースにロードします。
4. ネットワーク分析とルール定義：ネットワーク分析アルゴリズムを適用し、特定された疑わしいパターンに基づいてルールを定義します。これらのルールは単純なもの（例：「1つのデバイスに5つ以上のアカウントがリンクされている」）から複雑なもの（例：「特定の取引行動を示すアカウントのコミュニティ」）まであります。
5. アラートとアクション：グラフ分析結果を不正管理システムに統合し、アナリストによるレビューのためのアラートを生成したり、取引やアカウントのブロックなどの自動アクションをトリガーしたりします。

たとえば、新しいユーザーがオンボーディングしようとした場合、その本人確認データ（名前、住所、メール、電話）は既存のグラフデータと照合されます。もしその電話番号が、以前に疑わしい活動のためにフラグが立てられた他の3つのアカウントにリンクされていた場合、たとえ現在の身分証明書が有効であっても、システムはさらなるレビューのためにフラグを立てることができます。このプロアクティブなアプローチは、マネーロンダリング対策（AML）と不正防止の取り組みを大幅に強化します。

主なポイント

• 従来の不正検出は、サイロ化されたデータ分析のため、巧妙なID詐欺リングには苦戦します。
• グラフデータベースはデータを相互接続されたノードとエッジとして表現するため、複雑な関係のモデリングに最適です。
• パスファインディング、コミュニティ検出、中心性尺度などのネットワーク分析手法は、隠れた不正パターンを明らかにします。
• 利点には、検出の強化、調査の改善、誤検知の削減、プロアクティブな防止が含まれます。
• グラフデータベースによる不正検出の統合は、組織的な不正行為を特定することで、本人確認、KYB（企業確認）、AMLプログラムを強化します。

よくある質問

グラフデータベースを使用して最もよく検出される不正の種類は何ですか？

グラフデータベースは、ID詐欺リング、合成ID詐欺、アカウント乗っ取り、マネーロンダリング、共謀、および複数のエンティティが協調的なスキームに関与するその他の組織的な不正行為の検出に特に効果的です。

グラフデータベースによる不正検出は、既存の不正システムに取って代わるものですか？

いいえ、通常は強化です。グラフデータベースは、既存のルールベースおよび機械学習システムがしばしば欠いている関係インテリジェンスの層を提供することで、それらを補完します。個々のデータポイントでは明らかにならないパターンを発見するのに役立ちます。

効果的なグラフデータベースによる不正検出にはどのようなデータが必要ですか？

効果的なグラフデータベースによる不正検出には、本人確認データ（名前、住所、ID）、取引データ、デバイス情報（IPアドレス、デバイスID）、行動データ、およびエンティティ間の接続を明らかにするその他のデータを含む、多様なデータが必要です。

グラフデータベースはどのくらいの速さで不正を特定できますか？

データが取り込まれ、グラフが構築されると、不正パターンを特定するためのクエリは、クエリの複雑さとグラフのサイズに応じて、ほぼリアルタイムで実行できます。これにより、迅速な不正検出と介入が可能になります。

Diditは、進化する不正の状況を理解しています。当社のIDおよび不正対策インフラストラクチャは、リレーショナルな洞察を活用するものを含む、高度な検出技術を統合するための信頼できる基盤を提供します。Diditはグラフデータベースを直接提供するわけではありませんが、当社の包括的な本人確認（User Verification / KYC）および企業確認（KYB）サービス、取引監視、ウォレットスクリーニングは、そのようなシステムに供給するために必要な豊富で相互接続されたデータを生成します。当社の単一APIは1,000以上のデータソースと統合し、洗練されたネットワーク分析に必要な基本的なデータポイントを提供します。市場で最速の検証、公開されている従量課金制、毎月500回の無料チェックにより、Diditは企業が強力な不正防止戦略を構築できるよう支援します。フル本人確認はわずか0.30ドルから利用できます。

Diditを始めましょう

DiditはIDと不正対策のためのインフラストラクチャです。1つのAPI、公開されている従量課金制、毎月500回の無料検証を提供します。User Verificationをフローに追加し、5分で統合できます。

• User Verification — 仕組みと費用を確認してください。
• ドキュメントを読む — APIリファレンスと統合ガイド。
• 無料で始める — 毎月500回の検証、クレジットカードは不要です。