Kukomesha Ulaghai wa Utambulisho Bandia kwa Mitandao ya Neural ya Grafu

Ulaghai wa utambulisho bandia (SIF) ni tatizo linaloongezeka kwa kasi katika sekta ya fedha, linalokadiriwa kugharimu taasisi zaidi ya dola bilioni 20 kila mwaka. Tofauti na wizi wa utambulisho wa kawaida, SIF inahusisha kuunda utambulisho mpya kabisa kwa kutumia mchanganyiko wa Taarifa Halisi na Zilizobuniwa za Kibinafsi (PII). Kadiri walaghai wanavyozidi kuwa werevu, mifumo ya kawaida inayotegemea sheria na hata miundo ya msingi ya kujifunza mashine inatatizika kuendana na kasi. Hapa ndipo mitandao ya neural ya grafu (GNNs) inatoa mbinu mpya yenye nguvu ya kupambana na aina hii changamano ya ulaghai.

Jambo Muhimu la Kuzingatia 1: Ulaghai wa utambulisho bandia ni aina ya kipekee ya ulaghai unaohitaji mbinu za hali ya juu za ugunduzi zaidi ya mifumo ya kawaida inayotegemea sheria.

Jambo Muhimu la Kuzingatia 2: Mitandao ya Neural ya Grafu (GNNs) ina uwezo mkubwa wa kutambua uhusiano changamano ndani ya data, na kuifanya iwe bora kwa kutambua mifumo fiche inayoashiria utambulisho bandia.

Jambo Muhimu la Kuzingatia 3: Kuchanganya GNNs na mbinu zingine za ugunduzi wa ulaghai, kama vile uchanganuzi wa tabia na utambuzi wa alama za vidole vya kifaa, hutoa viwango vya juu zaidi vya usahihi.

Jambo Muhimu la Kuzingatia 4: Ufuatiliaji makini na tathmini ya hatari ya wakati halisi inayowezeshwa na GNNs ni muhimu kwa kupunguza hasara kutokana na ulaghai wa utambulisho bandia.

Kuelewa Ulaghai wa Utambulisho Bandia

Ulaghai wa utambulisho bandia hutokea wakati wahalifu wanapochanganya PII halali na zilizobuniwa – kama vile jina halisi na nambari bandia ya Usalama wa Jamii – ili kuunda utambulisho mpya, bandia kabisa. Utambulisho huu “bandia” hutumiwa kufungua akaunti za ulaghai, kupata mkopo, na kufanya uhalifu mwingine wa kifedha. Ukubwa wa tatizo ni mkubwa. Utafiti wa 2022 uliofanywa na LexisNexis Risk Solutions uligundua kuwa SIF ilichangia zaidi ya 50% ya hasara zote za ulaghai wa utambulisho.

Mifumo ya kawaida ya ugunduzi wa ulaghai mara nyingi hushindwa kutambua utambulisho bandia kwa sababu inategemea kulinganisha PII na hifadhidata zilizopo. Kwa kuwa utambulisho bandia ni mpya, hauna historia ya awali ya ulaghai. Hii inaruhusu walaghai kufanya kazi bila kugunduliwa kwa muda mrefu, wakikusanya deni kubwa na kusababisha uharibifu mkubwa wa kifedha.

Uwezo wa Mitandao ya Neural ya Grafu (GNNs)

Mitandao ya neural ya grafu (GNNs) ni aina ya miundo ya kujifunza mashine iliyoundwa kuchambua data iliyowakilishwa kama grafu. Tofauti na mitandao ya kawaida ya neural ambayo huchakata data kwa mtindo wa mstari, GNNs zinaweza kunasa mahusiano changamano na utegemezi kati ya pointi za data. Uwezo huu huwafanya wawe bora hasa kwa kugundua ulaghai wa utambulisho bandia.

Katika muktadha wa SIF, grafu inaweza kujengwa ambapo:

• Nodi huwakilisha huluki kama vile watu binafsi, anwani, nambari za simu, anwani za barua pepe na anwani za IP.
• Kingo huwakilisha mahusiano kati ya huluki hizi – kwa mfano, anwani inayohusishwa na mtu fulani, au nambari ya simu iliyounganishwa na akaunti nyingi.

Kisha GNNs zinaweza kujifunza kutambua mifumo ndani ya grafu hii ambayo inaashiria utambulisho bandia, kama vile miunganisho isiyo ya kawaida kati ya huluki zinazoonekana kuwa hazihusiani au kiwango kikubwa cha habari iliyoshirikiwa katika akaunti nyingi. Wanatafuta hitilafu ambazo hazingeweza kuonekana na mifumo ya kawaida ya ugunduzi wa ulaghai.

Jinsi GNNs Zinavyogundua Utambulisho Bandia: Uchambuzi wa Kina wa Kiufundi

Nguvu kuu ya GNNs iko katika uwezo wao wa kufanya upitishaji ujumbe. Kila nodi kwenye grafu hukusanya habari kutoka kwa majirani zake, ikiboresha mara kwa mara uwakilishi wake kulingana na muktadha wa mtandao unaozunguka. Mchakato huu huruhusu GNN kujifunza uwekaji – uwakilishi wa vekta – kwa kila nodi ambayo inanasa msimamo wake na mahusiano ndani ya grafu.

Hasa, GNNs zinaweza kutambua utambulisho bandia kwa:

• Ugunduzi wa Hitilafu: Kutambua nodi (huluki) zilizo na mifumo isiyo ya kawaida ya muunganisho au uwakilishi wa uwekaji.
• Ugunduzi wa Jumuiya: Kufichua makundi ya huluki zilizounganishwa ambazo zina uwezekano wa kuhusishwa na shughuli za ulaghai.
• Utabiri wa Kiungo: Kutabiri mahusiano yaliyopotea kati ya huluki, ambayo yanaweza kufichua miunganisho iliyofichwa kati ya utambulisho bandia.

Kwa mfano, GNN inaweza kutambua utambulisho bandia kama nodi yenye miunganisho michache kwa huluki halali, lakini muunganisho thabiti kwa nodi zingine zinazoshukiwa. Au, inaweza kugundua muundo ambapo anwani moja inatumiwa kusajili idadi kubwa ya akaunti zilizo na majina na SSN tofauti – mbinu ya kawaida inayotumiwa na walaghai.

Mbinu ya Didit ya Ugunduzi wa Ulaghai wa Utambulisho Bandia

Didit hutumia uwezo wa GNNs, pamoja na mbinu zingine za hali ya juu za ugunduzi wa ulaghai, kutoa suluhisho kamili la kupambana na ulaghai wa utambulisho bandia. Jukwaa letu hujenga grafu ya maarifa yenye nguvu ya data ya utambulisho, ikijumuisha:

• Data ya Uthibitishaji wa Utambulisho: Matokeo kutoka kwa ukaguzi wa hati za kitambulisho, ugunduzi wa uhai, na uthibitishaji wa biometriska.
• Matokeo ya uchunguzi wa AML: Habari kutoka kwa orodha za vikwazo, hifadhidata za PEP, na ripoti mbaya za vyombo vya habari.
• Utambuzi wa alama za vidole vya kifaa: Data kuhusu kifaa cha mtumiaji, ikiwa ni pamoja na mfumo wa uendeshaji, kivinjari, na anwani ya IP.
• Uchanganuzi wa tabia: Mifumo katika tabia ya mtumiaji, kama vile kasi ya uandishi, harakati za kipanya, na mifumo ya urambazaji.

Kwa kuunganisha vyanzo hivi tofauti vya data kwenye grafu moja, GNN za Didit zinaweza kutambua mifumo fiche ambayo ingekosa na mifumo ya kawaida ya ugunduzi wa ulaghai. Mfumo unaweza pia kuendelea kujifunza na kukabiliana na mbinu mpya za ulaghai, kuhakikisha kwamba uwezo wetu wa ugunduzi unasalia mbele ya mkondo. Tumeona uboreshaji wa 30% katika kutambua vitambulisho bandia ikilinganishwa na mbinu za kitamaduni.

Uko Tayari Kuanza?

Usiruhusu ulaghai wa utambulisho bandia uharibu biashara yako. Jukwaa la Didit la hali ya juu la ugunduzi wa ulaghai, linaloendeshwa na mitandao ya neural ya grafu, linaweza kukusaidia kulinda shirika lako na wateja wako.

Omba onyesho leo: https://demos.didit.me

Pata maelezo zaidi kuhusu bei zetu: https://didit.me/pricing

Maswali Yanayoulizwa Mara kwa Mara

Tofauti kati ya wizi wa utambulisho na ulaghai wa utambulisho bandia ni nini?

Wizi wa utambulisho unahusisha kuiba utambulisho uliopo, halali. Ulaghai wa utambulisho bandia unahusisha kuunda utambulisho mpya, bandia kwa kutumia mchanganyiko wa PII halisi na bandia. SIF mara nyingi ni ngumu zaidi kugundua kwa sababu utambulisho haupo katika hifadhidata zilizopo.

Mitandao ya neural ya grafu inafaa kiasi gani katika kugundua ulaghai wa utambulisho bandia?

GNNs zimeonyesha usahihi wa hali ya juu zaidi katika kugundua SIF ikilinganishwa na mbinu za jadi. Wanaweza kufichua mahusiano yaliyofichwa na hitilafu ambazo zinaashiria shughuli za ulaghai, na kusababisha upunguzaji mkubwa wa chanya za uwongo na hasi za uwongo.

Data gani inahitajika ili kuunda grafu ya ugunduzi wa ulaghai wa utambulisho bandia?

Grafu kamili inapaswa kujumuisha data kuhusu watu binafsi, anwani, nambari za simu, anwani za barua pepe, anwani za IP, na data ya miamala. Kuunganisha data kutoka kwa uthibitishaji wa utambulisho, uchunguzi wa AML, utambuzi wa alama za vidole vya kifaa, na uchanganuzi wa tabia ni muhimu kwa utendaji bora.

Je, GNN zinaweza kukabiliana na mbinu mpya za ulaghai?

Ndiyo, GNNs ni miundo ya kujifunza mashine ambayo inaweza kuendelea kujifunza na kukabiliana na mifumo na mitindo mipya. Kwa kufunza upya muundo na data mpya, unaweza kuhakikisha kuwa inasalia kuwa na ufanisi katika kugundua mipango mipya ya ulaghai.