Выявление мошеннических сетей с помощью графовых баз данных и сетевого анализа

Графовые базы данных и сетевой анализ предоставляют превосходный метод для обнаружения мошеннических сетей, визуализируя и анализируя сложные взаимосвязи между, казалось бы, разрозненными точками данных, которые часто ускользают от традиционных, линейных систем обнаружения.

Ограничения традиционного обнаружения мошенничества

Традиционные системы обнаружения мошенничества, хотя и эффективны для многих распространенных типов мошенничества, часто сталкиваются с трудностями при работе со сложными мошенническими сетями. Эти системы обычно полагаются на логику, основанную на правилах, или модели машинного обучения, обученные на отдельных точках данных. Например, общее правило может отмечать несколько учетных записей, открытых с одного IP-адреса. Однако мошенники становятся все более искусными в сокрытии своих цифровых следов, используя прокси, украденные личности и сложные сети «мулов» для распространения своей деятельности по множеству отдельных учетных записей, которые сами по себе кажутся законными.

Этот подход неэффективен, когда мошенники действуют скоординированно, создавая сети синтетических личностей, используя общие адреса, номера телефонов или даже одни и те же отпечатки устройств для нескольких учетных записей. Каждая отдельная учетная запись может пройти базовые проверки, но совокупный паттерн выявляет согласованные мошеннические действия. Именно здесь вступает в игру мощь обнаружения мошенничества с помощью графовых баз данных.

Что такое графовая база данных?

Графовая база данных — это тип базы данных NoSQL, который использует графовые структуры для семантических запросов с узлами, ребрами и свойствами для представления и хранения данных. Узлы представляют сущности (например, людей, учетные записи, устройства или адреса), а ребра представляют отношения между ними (например, «совместно проживает по адресу», «использовал то же устройство, что и» или «перевел деньги на»). Свойства — это пары ключ-значение, хранящиеся на узлах или ребрах.

В отличие от реляционных баз данных, которые требуют сложных и часто медленных операций JOIN для связывания связанных данных, графовые базы данных оптимизированы для обхода этих отношений. Эта встроенная способность исследовать связи делает их исключительно подходящими для выявления паттернов, которые указывают на мошеннические сети.

Узлы, ребра и свойства в обнаружении мошенничества

Рассмотрим сценарий мошенничества: группа лиц открывает несколько учетных записей, используя слегка измененную личную информацию, но имеет один и тот же физический адрес и использует одно и то же устройство для входа.

• Узлы: Каждый человек, каждая учетная запись, общий адрес, устройство.
• Ребра: «открыто» (связывает человека с учетной записью), «проживает по адресу» (связывает человека с адресом), «используется» (связывает устройство с учетной записью/человеком).
• Свойства: На узле человека: name, date_of_birth; на узле учетной записи: account_number, opening_date; на ребре: timestamp использования.

Представляя эти данные в виде графа, простой запрос может выявить все учетные записи, связанные с определенным адресом или устройством, или даже более сложные паттерны, такие как несколько учетных записей, открытых разными лицами, которые все связаны цепочкой общих атрибутов.

Сетевой анализ: выявление скрытых связей

Сетевой анализ, применяемый к графовой базе данных, — это процесс изучения этих отношений для выявления структур и паттернов. Ключевые методы сетевого анализа, используемые при обнаружении мошенничества с помощью графовых баз данных, включают:

• Поиск пути: Определение кратчайших или наиболее значимых путей между двумя узлами. Например, выяснение, связаны ли две, казалось бы, несвязанные учетные записи через цепочку общих адресов электронной почты или номеров телефонов.
• Обнаружение сообществ: Группировка узлов, которые более плотно связаны друг с другом, чем с остальной частью сети. Это может выявить кластеры мошеннических учетных записей, действующих совместно.
• Меры центральности: Определение наиболее влиятельных узлов в сети. Узел с высокой центральностью (например, общий номер телефона или IP-адрес) может быть центральным узлом для мошеннической сети.
• Сопоставление паттернов: Поиск конкретных подозрительных графовых паттернов, таких как паттерн «денежного мула», когда учетная запись получает средства из нескольких источников, а затем быстро распределяет их по другим учетным записям.

Например, если три разных человека, каждый с уникальными идентификационными документами, пытаются открыть учетные записи, традиционные проверки KYC (Знай своего клиента) могут одобрить их по отдельности. Однако, если граф показывает, что все они используют один и тот же IP-адрес, одно и то же устройство и имеют связанные номера телефонов, может быть сгенерировано предупреждение, указывающее на потенциальную мошенническую сеть.

Преимущества обнаружения мошенничества с помощью графовых баз данных

Внедрение обнаружения мошенничества с помощью графовых баз данных предлагает несколько критически важных преимуществ для компаний, занимающихся проверкой личности и предотвращением мошенничества:

1. Улучшенное обнаружение сложного мошенничества: Графовые базы данных отлично справляются с выявлением сложных, многосторонних мошеннических сетей, которые используют слабые места в традиционном, разрозненном анализе данных.
2. Повышение эффективности расследований: Аналитики по борьбе с мошенничеством могут визуализировать связи, что делает расследования быстрее и интуитивнее. Вместо того чтобы просматривать электронные таблицы, они могут видеть всю сеть с первого взгляда.
3. Сокращение ложных срабатываний: Понимая контекст отношений, компании могут отличать законные, сложные транзакции от действительно мошеннических, что приводит к меньшему количеству ложных срабатываний и улучшению качества обслуживания клиентов.
4. Проактивное предотвращение мошенничества: Раннее выявление мошеннических сетей позволяет компаниям блокировать будущие попытки связанных сущностей, предотвращая потери до их возникновения.
5. Адаптивность к новым схемам мошенничества: Графовые модели гибки и могут быть легко расширены для включения новых точек данных и типов отношений по мере развития тактики мошенников.

Интеграция графовых баз данных в вашу инфраструктуру по борьбе с мошенничеством

Интеграция обнаружения мошенничества с помощью графовых баз данных обычно включает несколько шагов:

1. Прием данных: Консолидация данных из различных источников – результатов проверки личности, журналов транзакций, отпечатков устройств, IP-адресов и поведенческих данных – в формат, подходящий для графового моделирования.
2. Проектирование графовой модели: Определение узлов (сущностей) и ребер (отношений), которые точно представляют ваш бизнес-контекст и потенциальные паттерны мошенничества.
3. Заполнение графа: Загрузка обработанных данных в графовую базу данных.
4. Сетевой анализ и определение правил: Применение алгоритмов сетевого анализа и определение правил на основе выявленных подозрительных паттернов. Эти правила могут быть простыми (например, «более 5 учетных записей, связанных с одним устройством») или сложными (например, «сообщество учетных записей, демонстрирующих специфическое транзакционное поведение»).
5. Оповещение и действие: Интеграция результатов графового анализа в вашу систему управления мошенничеством для генерации оповещений для анализа аналитиками или запуска автоматических действий, таких как блокировка транзакций или учетных записей.

Например, когда новый пользователь пытается пройти регистрацию, его данные проверки личности (имя, адрес, электронная почта, телефон) могут быть проверены по существующим данным графа. Если его номер телефона был связан с тремя другими учетными записями, которые ранее были помечены как подозрительные, даже если его текущие идентификационные документы действительны, система может пометить его для дальнейшей проверки. Этот проактивный подход значительно укрепляет ваши усилия по борьбе с отмыванием денег (AML) и предотвращению мошенничества.

Основные выводы

• Традиционное обнаружение мошенничества сталкивается с трудностями при выявлении сложных мошеннических сетей из-за разрозненного анализа данных.
• Графовые базы данных представляют данные в виде взаимосвязанных узлов и ребер, что делает их идеальными для моделирования сложных отношений.
• Методы сетевого анализа, такие как поиск пути, обнаружение сообществ и меры центральности, выявляют скрытые паттерны мошенничества.
• Преимущества включают улучшенное обнаружение, повышение эффективности расследований, сокращение ложных срабатываний и проактивное предотвращение.
• Интеграция обнаружения мошенничества с помощью графовых баз данных укрепляет программы проверки личности, KYB (Знай свой бизнес) и AML путем выявления скоординированных мошеннических действий.

Часто задаваемые вопросы

Какие виды мошенничества лучше всего выявляются с помощью графовых баз данных?

Графовые базы данных особенно эффективны для выявления мошеннических сетей, мошенничества с синтетической личностью, захвата учетных записей, отмывания денег, сговора и других форм организованного мошенничества, где в скоординированной схеме участвуют несколько сущностей.

Является ли обнаружение мошенничества с помощью графовых баз данных заменой существующим системам по борьбе с мошенничеством?

Нет, это, как правило, улучшение. Графовые базы данных дополняют существующие системы, основанные на правилах и машинном обучении, предоставляя уровень реляционного интеллекта, которого часто не хватает этим системам. Они помогают выявлять паттерны, которые не раскрываются отдельными точками данных.

Какие данные необходимы для эффективного обнаружения мошенничества с помощью графовых баз данных?

Эффективное обнаружение мошенничества с помощью графовых баз данных требует разнообразных данных, включая данные проверки личности (имена, адреса, удостоверения личности), данные транзакций, информацию об устройствах (IP-адреса, идентификаторы устройств), поведенческие данные и любые другие данные, которые раскрывают связи между сущностями.

Как быстро графовая база данных может выявить мошенничество?

После приема данных и построения графа запросы для выявления мошеннических паттернов могут выполняться практически в реальном времени, в зависимости от сложности запроса и размера графа. Это позволяет быстро обнаруживать мошенничество и вмешиваться.

Didit понимает меняющийся ландшафт мошенничества. Наша инфраструктура для идентификации и борьбы с мошенничеством обеспечивает надежную основу для интеграции передовых методов обнаружения, включая те, которые используют реляционные данные. Хотя Didit напрямую не предоставляет графовую базу данных, наши комплексные услуги по проверке личности (User Verification / KYC) и проверке бизнеса (KYB), мониторинг транзакций и проверка кошельков генерируют богатые, взаимосвязанные данные, необходимые для питания такой системы. Наш единый API интегрируется с более чем 1000 источников данных, предоставляя основные точки данных, необходимые для сложного сетевого анализа. Благодаря быстрым проверкам на рынке, публичному ценообразованию с оплатой по мере использования и 500 бесплатным проверкам каждый месяц, Didit позволяет предприятиям создавать эффективные стратегии предотвращения мошенничества, начиная всего с 0,30 доллара США за полную проверку личности.

Начните работу с Didit

Didit — это инфраструктура для идентификации и борьбы с мошенничеством — один API, публичное ценообразование с оплатой по мере использования и 500 бесплатных проверок каждый месяц. Добавьте User Verification в свой рабочий процесс и интегрируйте его за 5 минут.

• User Verification — посмотрите, как это работает и сколько стоит.
• Прочитайте документацию — справочник по API и руководство по интеграции.
• Начните бесплатно — 500 проверок каждый месяц, кредитная карта не требуется.