تشخیص کلاه برداری در کارت اعتباری با استفاده از یک روش ترکیبی مبتنی بر الگوریتم ممتیک و بهینه سازی گروه میگو ها

همراه با پیشرفت در فن آوری اطلاعات و کانال های ارتباطی، تقلب در سراسر جهان در حال گسترش است که منجر به ضرر و زیان مالی عظیمی می شود. موسسات مالی و پولی به شدت به دنبال راهکار هایی سریع برای شناخت فعالیت های کلاه برداران و متخلفان می باشند. این امر به دلیل اثر مستقیم آن روی خدمت رسانی به مشتریان این موسسات، کاهش هزینه های عملیاتی و باقی ماندن به عنوان یک ارائه دهنده خدمات مالی معتبر و قابل اطمینان است؛ بنابراین تشخیص تقلب از ابزار ضروری است و احتمالاً بهترین راه برای جلوگیری از این نوع تقلب است. از طرفی با رونق و گسترش بانکداری الکترونیک و پرداخت الکترونیک، کلاه برداری در کارت اعتباری نیز در حال گسترش است؛ بانک ها و سازمان های صدور کارت های اعتباری تلاش می کنند با استفاده از تمهیدات امنیتی، حتی الامکان از سوءاستفاده از حساب های مشتریان جلوگیری کنند. با این حال گسترش روش های خرید و پرداخت اینترنتی و تلفنی، وجود پایگاه های ارائه دهنده نرم افزارهای مخرب نظیر کشف رمز، پایگاه های فروش اطلاعات کاربران و گاهی عدم دقت کافی از طرف مشتریان در نگهداری اطلاعات حساب، هنوز هم راه های تقلب را باز گذاشته است؛ بنابراین علاوه بر اقدامات پیشگیرانه، لزوم استفاده از روش های کشف و جلوگیری از وقوع تقلب قبل از ثبت تراکنش واضح است. بدین منظور در این پایان نامه کشف تقلب کارت های اعتباری هدف قرار داده شده است. در دهه گذشته با رشد داده کاوی، محققان الگوریتم های متنوعی که اغلب ماهیت دسته بندی را دارا هستند برای تشخیص کلاه برداری بکار بردند. بسیاری از این روش ها بر افزایش نرخ تشخیص کلاه برداری تمرکز دارند، درعین حال با افزایش نرخ تشخیص تعداد اشتباه افزایش می یابد. از جمله راه کارهای کاهش خطا به کارگیری منطق فازی است. بر این اساس، در این پایان نامه یک روش مبتنی بر الگوریتم ممتیک برای استخراج قوانین فازی به منظور تشخیص کلاه برداری کارت اعتباری ارائه شده است. الگوریتم پیشنهادی در سه مرحله عمل می کند. در مرحله اول با استفاده از الگوریتم ممتیک مجموعه ای از قوانین فازی که بیانگر الگوی حاکم بر داده های آموزشی است استخراج خواهد شد. در مرحله دوم الگوریتم بهینه سازی میگوها هماهنگ سازی قوانین را انجام می دهد و در نهایت در مرحله سوم با استفاده از یک موتور استنتاج فازی نمونه های آزمون دسته بندی می شود. نتایج ارزیابی روی مجموعه داده های واقعی نشان می دهد که روش پیشنهادی توانسته است مصالحه ای قابل قبول بین هشدارهای اشتباه و نرخ تشخیص کلاه برداری برقرار کند.