Geschäftliche Anomalien: Betrugsprävention mit Anomaly Detection

Anomaly Detection mit MIDAS

Anomaly Detection ist in den letzten fünf Jahren zu einem der nützlichsten maschinellen Lernwerkzeuge geworden. Es kann von Betrug bis hin zur Qualitätskontrolle eingesetzt werden. Ist es möglich, Betrüger auf Online-Bewertungsseiten zu isolieren? Können betrügerische Finanztransaktionen erkannt werden, während sie erfolgen? Kann Echtzeit-Sensordaten über Stromnetzversagen informieren, bevor sie auftreten?

Anomaly Detection bietet Antworten auf Fragen wie diese. Die Identifizierung von Anomalien in Daten ist eine wichtige Aufgabe zum Verständnis von Daten. Durch die Aussetzung großer Datensätze an maschinelle Lernwerkzeuge und statistische Methoden können normale Muster in Daten erlernt werden. Wenn inkonsistente Ereignisse auftreten, können Anomaly Detection-Algorithmen abnormales Verhalten isolieren und alle Ereignisse markieren, die nicht den erlernten Mustern entsprechen. Eine solche Funktionalität ist in vielen Geschäftsanwendungen von entscheidender Bedeutung. Anomaly Detection ermöglicht Anwendungen in einer großen Anzahl von Branchen, von der Sicherheit bis hin zur Finanzwirtschaft und IoT-Überwachung.

Web-skalierte Graphen sind heutzutage allgegenwärtig und eine gängige Darstellung von Big-Data-Strukturen. Sie ermöglichen sowohl Online- als auch Offline-Anwendungen. Einige Online-Beispiele sind große soziale Netzwerke, Produkt-Empfehlungsmotoren und Finanztransaktionsgraphen. Im Offline-Bereich sind Straßennetze, IoT-Plattformen und Spannungssensoren in elektrischen Stromnetzen alle Quellen großer Mengen an graphenartigen Daten. Die Darstellung von Daten als Graphen bringt sowohl Vorteile als auch Herausforderungen für die Besitzer dieser Datensätze. Einerseits ermöglicht es die Darstellung von Datenpunkten und ihren Beziehungen in einem mehrdimensionalen Raum. Andererseits sind skalierbare Algorithmen für die Datenanalyse und -interpretation erforderlich. Dies hat zu einer erhöhten Forschungskonzentration auf Methoden wie Anomaly Detection in Graphendaten geführt.

Lassen Sie uns einen genaueren Blick auf einen state-of-the-art-Algorithmus werfen, der für die Anomaly Detection in dynamischen Graphendaten entwickelt wurde.

MIDAS

Mikrocluster-basierter Detector von Anomalien in Edge-Streams (MIDAS) ist ein Algorithmus, der die Anomaly Detection in dynamischen Graphendaten angeht. Er wurde von Forschern an der National University of Singapore entwickelt, die behaupten, dass ihre Methode state-of-the-art-Ansätze übertrifft. Ihre Methode mildert den häufigsten Mangel früherer Anomaly Detection-Implementierungen:

Unten finden Sie die neue Basislinie für Anomaly Detection, die von Siddarth Bhatia und seinem Team an der University of Singapore entwickelt wurde

Einführung von MIDAS: Eine neue Basislinie für Anomaly Detection in Graphen. Bildquelle: Blog

Darstellung der Daten als statischen Graphen

Statische Graphen enthalten nur Konnektivitätsinformationen und ignorieren zeitliche Informationen. Sie werden auch als Graphenschnappschüsse bezeichnet und können nur für die Erkennung ungewöhnlicher Graphenentitäten (z. B. verdächtige Knoten, Kanten oder Subgraphen) verwendet werden. Allerdings ist für viele praktische Anwendungen der zeitliche Aspekt ebenso wichtig: Es ist relevant zu wissen, wann die Graphenstruktur geändert wurde. Um dies zu veranschaulichen, informiert eine Kante in einem statischen Graphen, der einen Netzwerkverkehrstrom darstellt, nur darüber, dass es eine Verbindung zwischen einer Quell-IP-Adresse und einer Ziel-IP-Adresse gibt. Die zeitliche Beschreibung der Kante fehlt jedoch, und daher ist die Zeit, zu der die beiden Adressen verbunden wurden, unbekannt. Da statische Graphen eine solche zeitliche Information nicht modellieren können, bieten Anomaly Detection-Methoden, die auf solchen Graphen basieren, nur begrenzte Unterstützung für reale Anwendungen.

Andererseits verarbeitet MIDAS Daten, die in einem dynamischen Graphen gespeichert sind. Jedes der Elemente im Graphen hat einen zugehörigen Zeitstempel, der den Zeitpunkt angibt, an dem dieses Element zum Graphen hinzugefügt wurde. Wenn wir das obige Beispiel fortsetzen, würde ein dynamischer Netzwerkverkehrgraph auch darüber informieren, wann eine Verbindung zwischen zwei IP-Adressen hergestellt wurde. Der Zeitstempel ändert sich, wenn eine bestehende Kante oder ein Knoten aktualisiert wird oder wenn neue Kanten zum Graphen hinzugefügt werden. Als solche sind dynamische Graphen eine zeitlich veränderliche Struktur, die vielen realen Anwendungen besser entspricht, die von Natur aus dynamisch sind. Sie ermöglichen es, sowohl Konnektivitäts- als auch Zeitinformationen für die Erkennung verdächtiger Graphenelemente zu verwenden. Basierend auf dieser Fähigkeit kann MIDAS Anomalien in Echtzeit erkennen und bietet somit Unterstützung für viele Geschäftsanwendungen.

MIDAS ist für die Verarbeitung von dynamischen Graphendaten optimiert. Wie wir oben gesehen haben, ermöglichen dynamische Graphen die Darstellung von zeitlich veränderlichen Daten. Dies bedeutet jedoch auch, dass die Graphenstruktur selbst über die Zeit hinweg ändert. Dies stellt bestimmte Herausforderungen für die Anomaly Detection-Algorithmen dar, die diese Daten in Echtzeit-Anwendungen verwenden möchten. Ein Beispiel ist die Skalierbarkeit der Methode in Bezug auf die Änderung der Grapheneigenschaften. Angesichts der großen Datenmengen, die mit einigen Anwendungen verbunden sind, müssen Algorithmen linear skaliert werden, um die Größe des Graphen zu bewältigen. MIDAS läuft in einer Online-Umgebung und verarbeitet jede Kante in konstanter Zeit und konstantem Speicher. Die Autoren berichten auch, dass der Algorithmus „162-633 Mal schneller ist als state-of-the-art-Ansätze“. Dies macht den Algorithmus für Echtzeit-Anwendungen geeignet, bei denen die Verarbeitung von großen Datenmengen erforderlich ist.

Welche Geschäftsanwendungen benötigen MIDAS?

Um einen kleinen Einblick in die Verwendung von Anomaly Detection in der heutigen Geschäftswelt zu erhalten, haben wir den in Kanada ansässigen Kryptowährungsanbieter NDAX interviewt. NDAX verwendet Anomaly Detection in drei Bereichen seines Geschäfts: Allgemeine Geschäftsoperationen, Marketingabteilung und Compliance-Team. Anomaly Detection hilft dabei, Fehler zu identifizieren, was es ermöglicht, die Website-Leistung und den Client-Onboarding-Prozess zu verbessern. Es ermöglicht auch, die Software-Entwicklungs- und Backoffice-Operationsteams über die Lösung dieser Probleme zu informieren. Ein weiterer Bereich, in dem Anomaly Detection eingesetzt werden kann, ist der Website-Traffic. Das Verständnis der Ausreißer im Website-Traffic gibt dem Marketing-Team Einblick und ein besseres Verständnis, um zu erkennen, ob eine Marketing-Kampagne funktioniert oder nicht. Dies gibt ein klareres Bild davon, welcher Bereich der wichtigste ist, auf den sie ihre Bemühungen konzentrieren sollten. Unser letztes Beispiel ist, wie die Anomaly Detection bei der Client-Registrierung dem Compliance-Team hilft, potenziellen Betrug zu identifizieren und das Client-Risiko zu reduzieren.

In unserem Gespräch mit NDAX-Chefcompliance-Officer Julia Baranovskaya wird die Bedeutung von Anomaly Detection während der aktuellen Pandemie hervorgehoben. Es gab eine 300-prozentige Zunahme bei der Erkennung von Betrug in den letzten Monaten. Verzweifelte Zeiten in Kombination mit hohem Online-Traffic laden zu Betrügereien aller Art ein, die auf Arbeitslose und ältere Menschen abzielen. Mit Anomaly Detection können wir diese Ausreißer in Indikatoren für Betrug oder Trends umwandeln. Der folgende Graph zeigt, wie der Betrug im Laufe des ersten Halbjahres dieses Jahres gefluktuiert ist.

NDAX hat im zweiten Quartal einen Anstieg bei Betrug festgestellt, insbesondere bei Betrügereien, die ältere Menschen und gefälschte Stellenangebote betreffen.

Was ist mit Ihrem Unternehmen?

Anomaly Detection-Algorithmen können Unternehmen helfen, ungewöhnliche Datenpunkte in mehreren Szenarien zu identifizieren und zu reagieren. Ein Bankensicherheitssystem kann Anomaly Detection für die Identifizierung betrügerischer Transaktionen einsetzen. Ebenso verlassen sich die Besitzer von Fabriken auf Anomaly Detection, um mit fehlerhaften Geräten umzugehen und prädiktive Wartungsmaßnahmen durchzuführen. In IoT-Sensornetzwerken wird Anomaly Detection als Teil von Condition-Monitoring-Lösungen und zur Verhinderung unerwünschter Malware-Implementierungen eingesetzt. Der wichtigste Punkt ist klar: Unternehmen, die Zugang zu großen Datenmengen haben, können MIDAS (und andere Anomaly Detection-Algorithmen) einsetzen, um ungewöhnliche Muster in Echtzeit zu identifizieren.

Wie ist Ihre Datenstruktur aufgebaut, und wie können wir Ihnen helfen, eine moderne Anomaly Detection-Lösung einzurichten? Schreiben Sie uns eine Nachricht und lassen Sie uns wissen. Das Blue Orange Digital-Data-Science-Team ist glücklich, Anomaly Detection für Ihren Nutzen zu ermöglichen!

Quelle des Hauptbildes: Canva