Борьба с мошенничеством с использованием синтетических удостоверений с помощью графовых нейронных сетей

Мошенничество с использованием синтетических удостоверений (SIF) — это быстро растущая проблема в финансовом секторе, которая, по оценкам, обходится учреждениям более чем в 20 миллиардов долларов в год. В отличие от традиционной кражи личных данных, SIF включает в себя создание совершенно новых удостоверений с использованием комбинации реальной и сфабрикованной личной информации (PII). Поскольку мошенники становятся все более изощренными, традиционные системы, основанные на правилах, и даже базовые модели машинного обучения изо всех сил пытаются угнаться за ними. Именно здесь графовые нейронные сети (GNN) предлагают мощный новый подход к борьбе с этим сложным типом мошенничества.

Ключевой вывод 1: Мошенничество с использованием синтетических удостоверений — это уникальная форма мошенничества, требующая передовых методов обнаружения, выходящих за рамки традиционных систем, основанных на правилах.

Ключевой вывод 2: Графовые нейронные сети (GNN) превосходно выявляют сложные взаимосвязи в данных, что делает их идеальными для обнаружения тонких закономерностей, указывающих на синтетические удостоверения.

Ключевой вывод 3: Объединение GNN с другими методами обнаружения мошенничества, такими как поведенческая аналитика и снятие отпечатков устройств, обеспечивает высочайший уровень точности.

Ключевой вывод 4: Активный мониторинг и оценка рисков в режиме реального времени на основе GNN имеют решающее значение для минимизации убытков от мошенничества с использованием синтетических удостоверений.

Понимание мошенничества с использованием синтетических удостоверений

Мошенничество с использованием синтетических удостоверений происходит, когда преступники объединяют законную и сфабрикованную PII, например, настоящее имя с поддельным номером социального страхования, для создания нового, полностью искусственного удостоверения. Затем это «синтетическое» удостоверение используется для открытия мошеннических счетов, получения кредита и совершения других финансовых преступлений. Масштаб проблемы значителен. Исследование LexisNexis Risk Solutions, проведенное в 2022 году, показало, что на SIF приходится более 50% всех убытков от мошенничества с личными данными.

Традиционные системы обнаружения мошенничества часто не могут идентифицировать синтетические удостоверения, поскольку они полагаются на сопоставление PII с существующими базами данных. Поскольку синтетические удостоверения являются новыми, у них нет истории мошенничества. Это позволяет мошенникам действовать незамеченными в течение длительного периода времени, накапливая значительные долги и нанося существенный финансовый ущерб.

Сила графовых нейронных сетей (GNN)

Графовые нейронные сети (GNN) — это класс моделей машинного обучения, предназначенных для анализа данных, представленных в виде графов. В отличие от традиционных нейронных сетей, которые обрабатывают данные линейно, GNN могут фиксировать сложные взаимосвязи и зависимости между точками данных. Эта возможность делает их особенно подходящими для обнаружения мошенничества с использованием синтетических удостоверений.

В контексте SIF можно построить граф, где:

• Узлы представляют такие объекты, как отдельные лица, адреса, номера телефонов, адреса электронной почты и IP-адреса.
• Ребра представляют отношения между этими объектами — например, адрес, связанный с конкретным лицом, или номер телефона, связанный с несколькими учетными записями.

Затем GNN могут научиться выявлять закономерности в этом графе, которые указывают на синтетические удостоверения, такие как необычные связи между, казалось бы, несвязанными объектами или высокая степень обмена информацией между несколькими учетными записями. Они ищут аномалии, которые не были бы очевидны для традиционных систем обнаружения мошенничества.

Как GNN обнаруживают синтетические удостоверения: технический анализ

Основная сила GNN заключается в их способности выполнять передачу сообщений. Каждый узел в графе агрегирует информацию от своих соседей, итеративно уточняя свое представление на основе контекста окружающей сети. Этот процесс позволяет GNN изучать вложения — векторные представления — для каждого узла, которые фиксируют его положение и отношения внутри графа.

В частности, GNN могут идентифицировать синтетические удостоверения путем:

• Обнаружение аномалий: выявление узлов (объектов) с необычными схемами соединения или представлениями вложений.
• Обнаружение сообществ: выявление кластеров взаимосвязанных объектов, которые, вероятно, связаны с мошенническими действиями.
• Прогнозирование связей: прогнозирование отсутствующих связей между объектами, которые могут выявить скрытые связи между синтетическими удостоверениями.

Например, GNN может идентифицировать синтетическое удостоверение как узел с небольшим количеством связей с законными объектами, но сильной связью с другими подозрительными узлами. Или он может обнаружить закономерность, когда один и тот же адрес используется для регистрации большого количества учетных записей с разными именами и номерами SSN — распространенная тактика, используемая мошенниками.

Подход Didit к обнаружению мошенничества с использованием синтетических удостоверений

Didit использует возможности GNN в сочетании с другими передовыми методами обнаружения мошенничества для предоставления комплексного решения для борьбы с мошенничеством с использованием синтетических удостоверений. Наша платформа создает динамический граф знаний данных об удостоверениях, включающий:

• Данные проверки личности: результаты проверок удостоверений личности, обнаружения активности и биометрической аутентификации.
• Результаты проверки AML: информация из списков санкций, баз данных PEP и отчетов о неблагоприятных СМИ.
• Снятие отпечатков устройств: данные об устройстве пользователя, включая операционную систему, браузер и IP-адрес.
• Поведенческая аналитика: закономерности в поведении пользователя, такие как скорость набора текста, движения мыши и схемы навигации.

Интегрируя эти разнообразные источники данных в единый граф, GNN Didit могут выявлять тонкие закономерности, которые были бы упущены традиционными системами обнаружения мошенничества. Система также может постоянно учиться и адаптироваться к новым тактикам мошенничества, гарантируя, что наши возможности обнаружения останутся на шаг впереди. Мы наблюдаем улучшение выявления синтетических удостоверений на 30% по сравнению с традиционными методами.

Готовы начать?

Не позволяйте мошенничеству с использованием синтетических удостоверений подорвать ваш бизнес. Передовая платформа обнаружения мошенничества Didit на базе графовых нейронных сетей поможет вам защитить вашу организацию и ваших клиентов.

Запросите демоверсию сегодня: https://demos.didit.me

Узнайте больше о наших ценах: https://didit.me/pricing

FAQ

В чем разница между кражей личных данных и мошенничеством с использованием синтетических удостоверений?

Кража личных данных предполагает кражу существующего, законного удостоверения. Мошенничество с использованием синтетических удостоверений предполагает создание нового, сфабрикованного удостоверения с использованием комбинации реальной и поддельной PII. SIF часто труднее обнаружить, потому что удостоверение не существует в существующих базах данных.

Насколько эффективны графовые нейронные сети в обнаружении мошенничества с использованием синтетических удостоверений?

GNN продемонстрировали значительно более высокую точность в обнаружении SIF по сравнению с традиционными методами. Они могут выявлять скрытые взаимосвязи и аномалии, которые указывают на мошеннические действия, что приводит к существенному сокращению ложных срабатываний и ложных отрицательных результатов.

Какие данные необходимы для построения графа для обнаружения мошенничества с использованием синтетических удостоверений?

Комплексный граф должен включать данные об отдельных лицах, адресах, номерах телефонов, адресах электронной почты, IP-адресах и данных о транзакциях. Интеграция данных из проверки личности, проверки AML, снятия отпечатков устройств и поведенческой аналитики имеет решающее значение для оптимальной производительности.

Могут ли GNN адаптироваться к новым тактикам мошенничества?

Да, GNN — это модели машинного обучения, которые могут постоянно учиться и адаптироваться к новым закономерностям и тенденциям. Переобучая модель с новыми данными, вы можете убедиться, что она остается эффективной в обнаружении новых схем мошенничества.