그래프 신경망을 활용한 합성 신분 사기 방지

합성 신분 사기(SIF)는 금융 부문에서 빠르게 증가하는 문제로, 기관에 연간 200억 달러 이상의 비용이 소요되는 것으로 추정됩니다. 기존의 신분 도용과는 달리 SIF는 실제 및 조작된 개인 식별 정보(PII)의 조합을 사용하여 완전히 새로운 신분을 만듭니다. 사기꾼이 더욱 정교해짐에 따라 기존의 규칙 기반 시스템과 기본적인 머신러닝 모델조차도 속도를 따라잡기 어렵습니다. 바로 이 지점에서 그래프 신경망(GNN)이 이 복잡한 사기 유형에 대처할 수 있는 강력하고 새로운 접근 방식을 제공합니다.

핵심 내용 1: 합성 신분 사기는 기존의 규칙 기반 시스템을 뛰어넘는 고급 탐지 방법이 필요한 고유한 형태의 사기입니다.

핵심 내용 2: 그래프 신경망(GNN)은 데이터 내의 복잡한 관계를 식별하는 데 탁월하므로 합성 신분을 나타내는 미묘한 패턴을 탐지하는 데 이상적입니다.

핵심 내용 3: 행동 분석 및 장치 지문 인식과 같은 다른 사기 탐지 기술과 GNN을 결합하면 최고 수준의 정확도를 제공합니다.

핵심 내용 4: GNN으로 구동되는 사전 예방적 모니터링 및 실시간 위험 평가는 합성 신분 사기로 인한 손실을 최소화하는 데 매우 중요합니다.

합성 신분 사기 이해

합성 신분 사기는 범죄자가 합법적인 PII와 조작된 PII(예: 가짜 사회 보장 번호가 있는 실제 이름)를 결합하여 완전히 인공적인 새로운 신분을 만들 때 발생합니다. 그런 다음 이 "합성" 신분을 사용하여 사기 계정을 열고, 신용을 얻고, 기타 금융 범죄를 저지릅니다. 문제의 규모는 상당합니다. LexisNexis Risk Solutions의 2022년 연구에 따르면 SIF는 모든 신분 사기 손실의 50% 이상을 차지했습니다.

기존의 사기 탐지 시스템은 PII를 기존 데이터베이스와 대조하는 데 의존하기 때문에 합성 신분을 식별하지 못하는 경우가 많습니다. 합성 신분은 새롭기 때문에 이전의 사기 이력이 없습니다. 이를 통해 사기꾼은 장기간 탐지되지 않고 운영하여 상당한 부채를 축적하고 막대한 재정적 손실을 초래할 수 있습니다.

그래프 신경망(GNN)의 힘

그래프 신경망(GNN)은 그래프로 표시된 데이터를 분석하도록 설계된 머신러닝 모델의 한 종류입니다. 데이터를 선형 방식으로 처리하는 기존의 신경망과는 달리 GNN은 데이터 포인트 간의 복잡한 관계와 종속성을 캡처할 수 있습니다. 이러한 기능 덕분에 합성 신분 사기를 탐지하는 데 특히 적합합니다.

SIF의 맥락에서 그래프는 다음과 같이 구성할 수 있습니다.

• 노드는 개인, 주소, 전화 번호, 이메일 주소 및 IP 주소와 같은 엔터티를 나타냅니다.
• 에지는 이러한 엔터티 간의 관계(예: 특정 개인과 연결된 주소 또는 여러 계정에 연결된 전화 번호)를 나타냅니다.

그러면 GNN은 겉으로는 관련이 없어 보이는 엔터티 간의 비정상적인 연결 또는 여러 계정에서 공유되는 정보의 높은 정도와 같이 합성 신분을 나타내는 그래프 내의 패턴을 식별하는 방법을 학습할 수 있습니다. 기존의 사기 탐지 시스템에는 명확하지 않은 이상 징후를 찾습니다.

GNN이 합성 신분을 탐지하는 방법: 기술 심층 분석

GNN의 핵심 강점은 메시지 전달을 수행하는 능력에 있습니다. 그래프의 각 노드는 이웃으로부터 정보를 집계하여 주변 네트워크의 컨텍스트를 기반으로 표현을 반복적으로 개선합니다. 이 프로세스를 통해 GNN은 그래프 내에서 각 노드의 위치와 관계를 캡처하는 임베딩(벡터 표현)을 학습할 수 있습니다.

특히 GNN은 다음을 통해 합성 신분을 식별할 수 있습니다.

• 이상 탐지: 비정상적인 연결 패턴 또는 임베딩 표현이 있는 노드(엔터티)를 식별합니다.
• 커뮤니티 탐지: 사기 행위와 관련이 있을 가능성이 높은 상호 연결된 엔터티 클러스터를 찾아냅니다.
• 링크 예측: 엔터티 간의 누락된 관계를 예측하여 합성 신분 간의 숨겨진 연결을 밝힐 수 있습니다.

예를 들어 GNN은 합법적인 엔터티와의 연결이 거의 없지만 다른 의심스러운 노드와의 연결이 강한 노드로 합성 신분을 식별할 수 있습니다. 또는 단일 주소가 다른 이름과 SSN으로 많은 수의 계정을 등록하는 데 사용되는 패턴을 감지할 수 있습니다. 이는 사기꾼이 사용하는 일반적인 전술입니다.

합성 신분 사기 탐지에 대한 Didit의 접근 방식

Didit은 GNN의 힘과 기타 고급 사기 탐지 기술을 결합하여 합성 신분 사기 방지를 위한 포괄적인 솔루션을 제공합니다. 당사의 플랫폼은 다음을 통합하여 신분 데이터의 동적 지식 그래프를 구축합니다.

• 신분 확인 데이터: ID 문서 확인, 활성 감지 및 생체 인증 결과입니다.
• AML 심사 결과: 제재 목록, PEP 데이터베이스 및 불리한 미디어 보고서의 정보입니다.
• 장치 지문 인식: 운영 체제, 브라우저 및 IP 주소를 포함한 사용자 장치에 대한 데이터입니다.
• 행동 분석: 입력 속도, 마우스 움직임 및 탐색 패턴과 같은 사용자 행동 패턴입니다.

이러한 다양한 데이터 소스를 단일 그래프에 통합함으로써 Didit의 GNN은 기존의 사기 탐지 시스템에서 놓칠 수 있는 미묘한 패턴을 식별할 수 있습니다. 또한 시스템은 새로운 사기 전술에 지속적으로 학습하고 적응하여 당사의 탐지 기능이 항상 앞서 나가도록 보장할 수 있습니다. 당사는 기존 방법에 비해 합성 ID 식별에서 30%의 개선을 보였습니다.

시작할 준비가 되셨습니까?

합성 신분 사기가 귀사의 비즈니스를 약화시키지 않도록 하십시오. 그래프 신경망으로 구동되는 Didit의 고급 사기 탐지 플랫폼은 귀사와 귀사 고객을 보호하는 데 도움이 될 수 있습니다.

지금 데모를 요청하십시오: https://demos.didit.me

가격에 대해 자세히 알아보십시오: https://didit.me/pricing

FAQ

신분 도용과 합성 신분 사기의 차이점은 무엇입니까?

신분 도용은 기존의 합법적인 신분을 훔치는 것을 포함합니다. 합성 신분 사기는 실제 및 가짜 PII의 조합을 사용하여 새롭고 조작된 신분을 만드는 것을 포함합니다. SIF는 기존 데이터베이스에 신분이 존재하지 않기 때문에 탐지하기가 더 어려운 경우가 많습니다.

그래프 신경망은 합성 신분 사기 탐지에 얼마나 효과적입니까?

GNN은 기존 방법에 비해 SIF 탐지에서 훨씬 더 높은 정확도를 입증했습니다. 사기 행위를 나타내는 숨겨진 관계와 이상 징후를 찾아내어 오탐 및 오탐을 크게 줄일 수 있습니다.

합성 신분 사기 탐지를 위한 그래프를 구축하는 데 필요한 데이터는 무엇입니까?

포괄적인 그래프에는 개인, 주소, 전화 번호, 이메일 주소, IP 주소 및 거래 데이터에 대한 데이터가 포함되어야 합니다. 최적의 성능을 위해서는 신분 확인, AML 심사, 장치 지문 인식 및 행동 분석의 데이터를 통합하는 것이 중요합니다.

GNN은 새로운 사기 전술에 적응할 수 있습니까?

예, GNN은 새로운 패턴과 추세에 지속적으로 학습하고 적응할 수 있는 머신러닝 모델입니다. 새로운 데이터로 모델을 재학습하면 새로운 사기 계획을 탐지하는 데 효과적인지 확인할 수 있습니다.