Geschäftsanomalien: Betrugsprävention durch Anomalieerkennung

Anomalieerkennung mit MIDAS

Die Anomalieerkennung hat sich in den letzten fünf Jahren zu einem der nützlichsten Tools für maschinelles Lernen entwickelt. Es kann vom Betrug bis zur Qualitätskontrolle eingesetzt werden. Ist es möglich, Betrüger auf Online-Bewertungsseiten zu isolieren? Können betrügerische Finanztransaktionen sofort erkannt werden? Können Live-Sensordaten über Stromnetzausfälle informieren, bevor diese auftreten?

Antworten auf Fragen wie diese liefert die Anomalieerkennung. Das Erkennen von Anomalien in Daten ist eine wichtige Aufgabe für das Datenverständnis. Indem große Datensätze maschinellen Lernwerkzeugen und statistischen Methoden ausgesetzt werden, können normale Muster in Daten erlernt werden. Wenn inkonsistente Ereignisse auftreten, können Anomalieerkennungsalgorithmen abnormales Verhalten isolieren und alle Ereignisse kennzeichnen, die nicht den erlernten Mustern entsprechen. Eine solche Funktionalität ist in vielen geschäftlichen Anwendungsfällen von entscheidender Bedeutung. Die Anomalieerkennung ermöglicht Anwendungen in einer Vielzahl von Sektoren, von der Sicherheit bis zum Finanzwesen IoT-Überwachung. 

Diagramme im Web-Maßstab sind heutzutage allgegenwärtig und eine gängige Darstellung von Big-Data-Strukturen. Sie unterstützen sowohl Online- als auch Offline-Anwendungen. Einige Online-Beispiele sind große soziale Netzwerke, Produktempfehlungsmaschinen und Finanztransaktionsdiagramme. Im Offline-Bereich: Straßennetze, IoT-Plattformen und Spannungssensoren in Stromnetzen sind allesamt Quellen großer Mengen diagrammartiger Daten. Die Darstellung von Daten als Diagramme bringt für die Eigentümer dieser Datensätze sowohl Vorteile als auch Herausforderungen mit sich. Einerseits ermöglicht es die Darstellung Datenpunkte und ihre Beziehungen in einem mehrdimensionalen Raum. Andererseits werden skalierbare Algorithmen zur Datenanalyse und -interpretation benötigt. Dies hat zu einem geführt verstärkter Forschungsschwerpunkt zu Methoden wie z Anomalieerkennung anhand von Diagrammdaten.

Schauen wir uns einen hochmodernen Algorithmus genauer an, der zur Anomalieerkennung in dynamischen Diagrammdaten entwickelt wurde.

MIDAS

Mikrocluster-basierter Detektor für Anomalien in Randströmen (MIDAS) ist ein Algorithmus, der die Anomalieerkennung angeht dynamisch Diagrammdaten. Es wurde von Forschern der National University of Singapore entwickelt, die behaupten, dass ihre Methode modernste Ansätze übertrifft. Ihre Methode beseitigt den häufigsten Mangel früherer Implementierungen zur Anomalieerkennung:

Nachfolgend finden Sie die neue Basis für die Anomalieerkennung, die von Siddarth Bhatia und seinem Team an der University of Singapore entwickelt wurde

Darstellung der Daten als statisch Graph

Statische Diagramme enthalten nur Konnektivitätsinformationen und ignorieren zeitliche Informationen. Sie werden auch als Graph-Snapshots bezeichnet und können nur zum Erkennen ungewöhnlicher Graph-Entitäten (z. B. verdächtiger Knoten, Kanten oder Untergraphen) verwendet werden. Für viele praktische Anwendungen ist jedoch der zeitliche Aspekt ebenso wichtig: Es ist relevant zu wissen wann Die Diagrammstruktur hat sich geändert. Zur Veranschaulichung: In einem statischen Diagramm, das den Netzwerkverkehrsstrom darstellt, informiert ein Edge nur darüber, dass eine Verbindung zwischen einer Quell-IP-Adresse und einer Ziel-IP-Adresse besteht. Es fehlt jedoch die zeitliche Beschreibung der Kante und daher ist der Zeitpunkt, zu dem die beiden Adressen verbunden waren, unbekannt. Da statische Diagramme solche zeitlichen Informationen nicht modellieren können, bieten auf solchen Diagrammen aufbauende Anomalieerkennungsmethoden nur begrenzte Unterstützung für reale Anwendungen.

Auf der anderen Seite, MIDAS verarbeitet Daten, die in einem gespeichert sind dynamisch Graph. Jedem Element im Diagramm ist ein Zeitstempel zugeordnet, der den Zeitpunkt angibt, zu dem das Element zum Diagramm hinzugefügt wurde. In Anlehnung an das obige Beispiel würde auch ein dynamisches Netzwerkverkehrsdiagramm darüber informieren wann Es ist eine Verbindung zwischen zwei IP-Adressen aufgetreten. Der Zeitstempel ändert sich jedes Mal, wenn eine vorhandene Kante oder ein vorhandener Knoten aktualisiert wird oder wenn dem Diagramm neue Kanten hinzugefügt werden. Daher handelt es sich bei dynamischen Diagrammen um eine sich zeitlich entwickelnde Struktur, die besser zu vielen realen Anwendungen passt, die dynamischer Natur sind. Sie ermöglichen die Nutzung von Konnektivitäts- und Zeitinformationen zur Erkennung verdächtiger Diagrammelemente. Basierend auf dieser Fähigkeit kann MIDAS Anomalien in Echtzeit erkennen und bietet somit Unterstützung für viele geschäftliche Anwendungsfälle.

MIDAS ist für die Arbeit mit dynamischen Diagrammdaten optimiert. Wie wir oben gesehen haben, ermöglichen dynamische Diagramme die Darstellung zeitlich variierender Daten. Das bedeutet allerdings auch, dass sich auch die Graphenstruktur selbst im Laufe der Zeit verändert. Dies stellt bestimmte Herausforderungen für die Anomalieerkennungsalgorithmen dar, die darauf abzielen, diese Daten in Echtzeitanwendungen zu nutzen. Ein Beispiel ist das Skalierbarkeit der Methode im Hinblick auf sich ändernde Diagrammeigenschaften. Angesichts der großen Datenmengen einiger Anwendungen müssen Algorithmen linear auf die Größe des Diagramms skalierbar sein. MIDAS läuft online und verarbeitet jede Kante in konstanter Zeit und konstantem Speicher. Die Autoren berichten auch, dass der Algorithmus läuft „162-633-mal schneller als modernste Ansätze“. Dadurch eignet sich der Algorithmus für Echtzeitanwendungen, bei denen die Verarbeitung großer Datenströme erforderlich ist. 

Welche Geschäftsanwendungsfälle benötigen MIDAS?

Um einen kleinen Einblick in die Anomalieerkennung zu erhalten, die in der heutigen Geschäftswelt eingesetzt wird, haben wir einen in Kanada ansässigen Kryptowährungsanbieter interviewt. NDAX. NDAX nutzt die Anomalieerkennung in drei Geschäftsbereichen. Allgemeine Geschäftsabläufe, die Marketingabteilung und das Compliance-Team. Die Anomalieerkennung hilft bei der Identifizierung von Fehlern und ermöglicht so die Verbesserung der Website-Leistung und des Kunden-Onboarding-Prozesses. Es ermöglicht ihnen außerdem, Softwareentwicklungs- und Back-Office-Betriebsteams bei der Lösung dieser Probleme zu unterstützen. Der Website-Verkehr ist ein weiterer Bereich, der die Leistungsfähigkeit der Anomalieerkennung nutzen kann. Das Verständnis der Ausreißer im Website-Verkehr verschafft dem Markierungsteam Einblicke und ein besseres Verständnis, sodass es erkennen kann, ob eine Marketingkampagne funktioniert oder nicht. Dadurch entsteht ein klareres Bild davon, auf welchen Bereich die Konzentration der Bemühungen am wichtigsten ist. Unser letztes Beispiel ist, wie eine Anomalie bei der Kundenanmeldung dem Compliance-Team hilft, potenziellen Betrug zu erkennen und das Kundenrisiko zu reduzieren.

In unserem Gespräch mit NDAX Chief Compliance Officer betont Julia Baranovskaya, wie wichtig die Anomalieerkennung während der aktuellen Pandemie betont wurde. In den letzten Monaten ist ein Anstieg der aufgedeckten Betrugsfälle um 300 % zu verzeichnen. Verzweifelte Zeiten gepaart mit hohem Online-Verkehr laden zu Betrügereien aller Art ein, die auf Arbeitslose und ältere Menschen abzielen. Mit der Anomalieerkennung sind wir nun in der Lage, diese Ausreißer in Indikatoren für Betrug oder Trends umzuwandeln. Die folgende Grafik zeigt, wie sich die Betrugsfälle in der ersten Hälfte dieses Jahres entwickelt haben.

NDAX stellte im zweiten Quartal einen Anstieg der Betrugsfälle fest, insbesondere bei Betrügereien mit älteren Menschen und gefälschten Stellenausschreibungen.

Was ist mit Ihrem Unternehmen?

Algorithmen zur Anomalieerkennung können Unternehmen dabei helfen, ungewöhnliche Datenpunkte in mehreren Szenarien zu identifizieren und darauf zu reagieren. Ein Banksicherheitssystem kann die Anomalieerkennung zur Identifizierung betrügerischer Transaktionen einsetzen. Ebenso verlassen sich Eigentümer von Produktionsanlagen auf die Erkennung von Anomalien, um mit fehlerhaften Geräten umzugehen und vorausschauende Wartungsmaßnahmen umzusetzen. In IoT-SensornetzwerkeDie Anomalieerkennung wird im Rahmen von Zustandsüberwachungslösungen und zur Verhinderung unerwünschter Schadsoftware-Ausbreitung eingesetzt. Der entscheidende Punkt ist klar: Unternehmen, die Zugriff auf große Datenmengen haben, können MIDAS (und andere Algorithmen zur Anomalieerkennung) einsetzen, um ungewöhnliche Muster in Echtzeit zu identifizieren. 

Wie sind Ihre Daten strukturiert und wie können wir Sie bei der Einrichtung einer modernen Lösung zur Anomalieerkennung unterstützen?

Schreiben Sie uns und lassen Sie es uns wissen. Der Blau Orange Digital Das Data-Science-Team sorgt gerne dafür, dass die Anomalieerkennung auch zu Ihrem Vorteil funktioniert!

Hauptbildquelle: Canva