رویکردی مبتنی بر هوش مصنوعی برای شناسایی فیشینگ در تراکنش‌های بانکی

کلاهبرداری مالی یکی از چالش&zwnjهای اساسی در صنعت بانکداری است و شناسایی تراکنش&zwnjهای تقلبی نقش مهمی در حفظ امنیت مشتریان و افزایش اعتماد به سامانه&zwnjهای مالی ایفا می&zwnjکند [1]. این مسئله به&zwnjعنوان یک مشکل دسته&zwnjبندی دودویی مطرح می&zwnjشود که در آن، تراکنش&zwnjها به دو گروه قانونی و تقلبی تقسیم&zwnjبندی می&zwnjشوند [2]. روش&zwnjهای سنتی مبتنی بر قوانین، به دلیل نرخ بالای هشدارهای نادرست و ناتوانی در شناسایی الگوهای پیچیده&zwnjی تقلب، با محدودیت&zwnjهایی مواجه هستند [9]. در سال&zwnjهای اخیر، الگوریتم&zwnjهای یادگیری ماشین و یادگیری عمیق به دلیل توانایی در یادگیری خودکار از داده&zwnjها و سازگاری با الگوهای متغیر تقلب، توجه بسیاری را به خود جلب کرده&zwnjاند [3].در این پژوهش، عملکرد الگوریتم&zwnjهای مختلف، از جمله K-نزدیک&zwnjترین همسایه (KNN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest) و شبکه&zwnjهای عصبی عمیق شامل شبکه&zwnjهای عصبی پیچشی (CNN)، ماشین بولتزمن محدود (RBM) و خودرمزگذارها (Autoencoders) در شناسایی تراکنش&zwnjهای تقلبی بررسی شده است. داده&zwnjهای مورد استفاده شامل تراکنش&zwnjهای کارت&zwnjهای اعتباری بوده که پس از مرحله&zwnjی پیش&zwnjپردازش، ویژگی&zwnjهای کلیدی مانند مبلغ، نوع و زمان تراکنش از آن&zwnjها استخراج شده است [7].نتایج نشان می&zwnjدهد که روش&zwnjهای مبتنی بر یادگیری عمیق، به&zwnjویژه شبکه&zwnjهای عصبی پیچشی (CNN)، در شناسایی الگوهای پیچیده&zwnjی کلاهبرداری عملکرد بهتری دارند [5]. این پژوهش با ارائه&zwnjی یک مقایسه&zwnjی جامع میان روش&zwnjهای مختلف، چارچوبی کارآمد برای بهبود سامانه&zwnjهای مقابله با فیشینگ و افزایش امنیت مالی پیشنهاد می&zwnjکند