Liiketoiminnan poikkeamat: Petosten Estäminen Poikkeama-Erkennystekniikalla

Poikkeama-Erkennys MIDAS:in Avulla

Poikkeama-erkennys on kehittynyt yhdeksi käytetyimmistä koneoppimisen työkaluista viimeisen viiden vuoden aikana. Sitä voidaan käyttää petosten havaitsemisesta laatuvalvontaan. Onko mahdollista erottaa petkijät verkkopalveluiden arvostelusivuilla? Voidaanko petolliset raha-liikkeet havaita niiden tapahtuessa? Voivatko sensorien reaaliaikaiset tiedot kertoa sähköverkon häiriöistä ennen niiden tapahtumista?

Poikkeama-erkennys antaa vastauksia näihin kysymyksiin. Poikkeamien tunnistaminen tietojen joukosta on tärkeä tehtävä tietojen ymmärtämiseksi. Altistamalla suuret tietojoukot koneoppimisen työkaluille ja tilastollisille menetelmille, voidaan oppia normaaleja malleja tietojen joukosta. Kun epäjohdonmukaiset tapahtumat ovat, poikkeama-erkennysalgoritmit voivat erottaa epänormaalin käyttäytymisen ja merkitä tapahtumat, jotka eivät vastaa oppimia malleja. Tällainen toiminnallisuus on välttämätöntä monissa liiketoiminnan sovelluksissa. Poikkeama-erkennys mahdollistaa sovellukset monilla aloilla, turvallisuudesta rahoitukseen ja IoT-valvontaan.

Verkkomaiset tietorakenteet ovat nykyään yleisiä ja ovat suurten tietojoukkojen yleinen edustusmuoto. Ne mahdollistavat sekä verkkopalvelujen että paikallisten sovellusten toiminnan. Muutamia verkkoesimerkkejä ovat suuret sosiaaliset verkostot, tuotesuositusmoottorit ja raha-liiketoimintaverkostot. Paikallisissa sovelluksissa tietä verkostot, IoT-alustat ja jännitesensorit sähköverkoissa ovat kaikki suurten määrien verkkomaisen tietojen lähteitä. Tiedon esittäminen verkkomuodossa tuo sekä hyötyjä että haasteita tietojen omistajille. Toisaalta se mahdollistaa tietojen ja niiden suhteiden esittämisen moniulotteisessa avaruudessa. Toisaalta skaalautuvat algoritmit tietojen analyysiin ja tulkintaan ovat tarpeen. Tämä on johtanut tutkimuksen painopisteen kasvuun menetelmiin, kuten poikkeama-erkennys verkkotiedoissa.

Tarkastellaan tarkemmin yhtä alan huipputasoisista algoritmeista, joka on kehitetty poikkeama-erkennystä varten dynaamisissa verkkotiedoissa.

MIDAS

Microcluster-Based Detector of Anomalies in Edge Streams (MIDAS) on algoritmi, joka ratkaisee poikkeama-erkennysongelman dynaamisissa verkkotiedoissa. Sitä on kehittänyt Singaporen kansallisen yliopiston tutkijat, jotka väittävät, että heidän menetelmänsä ylittää alan parhaat lähestymistavat. Heidän menetelmänsä lievittää useimpien aiempien poikkeama-erkennysmenetelmien yleisintä heikkoutta:

Seuraavassa on uusi vertailukohta poikkeama-erkennystä varten, jonka Siddarth Bhatia ja hänen tiiminsä Singaporen yliopistosta ovat kehittäneet

Esittelyssä MIDAS: Uusi Vertailukohta Poikkeama-Erkennystä Varten Verkkopalveluissa. Kuva: Blogi

Representing the data as a static graph

Staattiset verkkorakenteet sisältävät ainoastaan yhteyden tiedon ja jättävät ajallisen tiedon huomioimatta. Niitä kutsutaan myös verkkokaappaamuksiksi ja niitä voidaan käyttää ainoastaan epätyypillisten verkkoyksiköiden (esim. epäilyttävien solmujen, kaarien tai aliverkkojen) havaitsemiseen. Kuitenkin monissa käytännön sovelluksissa ajallinen ulottuvuus on yhtä tärkeä: on tärkeää tietää milloin verkkorakenne on muuttunut. Esimerkiksi staattisessa verkkorakenteessa, joka edustaa verkkoliikennettä, kaari kertoo ainoastaan yhteyden olemassaolon lähde-IP-osoitteen ja kohde-IP-osoitteen välillä. Mutta kaaren ajallinen kuvaus puuttuu, ja siksi aikaa, jolloin kaksi osoitetta yhdistettiin, ei tiedetä. Koska staattiset verkkorakenteet eivät voineet mallintaa tällaista ajallista tietoa, poikkeama-erkennysmenetelmät, jotka perustuvat näihin rakenteisiin, tarjoavat vain rajoitetun tuen käytännön sovelluksille.

Toisaalta MIDAS käsittelee tietoja, jotka on tallennettu dynaamiseen verkkorakenteeseen. Kunkin verkkorakenteen osan on liitetty aikaleima, joka edustaa aikaa, jolloin osa lisättiin verkkorakenteeseen. Jatkaen edellisen esimerkin mukaan dynaaminen verkkoliikenteen verkkorakenne kertoo myös milloin yhteys kahden IP-osoitteen välillä muodostui. Aikaleima muuttuu, kun olemassaoleva kaari tai solmu päivitetään tai kun uusia kaaria lisätään verkkorakenteeseen. Dynaamiset verkkorakenteet ovat ajan myötä muuttuva rakenne, joka soveltuu paremmin moniin käytännön sovelluksiin, jotka ovat dynaamisia luonteeltaan. Ne mahdollistavat sekä yhteyden että ajan tiedon käytön epäilyttävien verkkoyksiköiden havaitsemiseen. MIDAS voi havaita poikkeamat reaaliajassa ja tarjoaa siten tuen monille liiketoiminnan sovelluksille.

MIDAS on optimoitu toimimaan dynaamisilla verkkotiedoilla. Kuten edellä on todettu, dynaamiset verkkorakenteet mahdollistavat aikavirheisten tietojen esittämisen. Tämä merkitsee kuitenkin myös, että itse verkkorakenne muuttuu ajan myötä. Tämä esittää tiettyjä haasteita poikkeama-erkennysalgoritmeille, jotka pyrkivät käyttämään tätä tietoa reaaliaikaisissa sovelluksissa. Yksi esimerkki on menetelmän skaalautuvuus verkkorakenteen muuttuvien ominaisuuksien suhteen. Ottaen huomioon suuret tietomäärät, jotka joillekin sovelluksille liittyvät, algoritmit tarvitsevat lineaarisen skaalautuvuuden verkkorakenteen koosta. MIDAS toimii verkossa ja prosessoi kunkin kaaren vakioajassa ja muistissa. Tekijät raportoivat myös, että algoritmi toimii ”162-633 kertaa nopeammin kuin alan parhaat lähestymistavat”. Tämä tekee algoritmista soveltuvan reaaliaikaisiin sovelluksiin, joissa suurten tietovirtojen käsittely on välttämätöntä.

Mitä Liiketoimintatapauksia MIDAS:ia Tarvitaan?

Jotta saisimme hieman näkemystä poikkeama-erkennyssovelluksista nykyisessä liiketoimintamaailmassa, haastattelimme Kanadassa toimivaa kryptovaluutta-palveluntarjoajaa, NDAX:ia. NDAX käyttää poikkeama-erkennystä kolmessa liiketoimintansa alueella: yleisissä liiketoimintatoimissa, markkinointiosastossa ja noudattamisryhmässä. Poikkeama-erkennys auttaa tunnistamaan virheitä, mikä mahdollistaa verkkopalvelun suorituskyvyn ja asiakasrekisteröintiprosessin parantamisen. Se myös antaa ohjeita ohjelmistokehitys- ja taustatoimijatiimeille siitä, miten nämä ongelmat voidaan ratkaista. Verkkoliikenne on toinen alue, joka voi hyödyntää poikkeama-erkennysalgoritmeja. Ymmärtäminen verkkoliikenteen poikkeamista antaa markkinointitiimille tarkan ymmärryksen siitä, onko markkinointikampanja toimiva vai ei. Tämä antaa selkeämmän kuvan siitä, mihin alueeseen kannattaa keskittyä. Viimeinen esimerkkimme on, miten asiakasrekisteröintipoikkeamat auttavat noudattamisryhmää tunnistamaan potentiaalisen petoksen ja vähentämään asiakasriskiä.

Keskustelussamme NDAX:n päävalvontajohtaja Julia Baranovskaya korostaa, miten poikkeama-erkennysen merkitys on korostunut nykyisessä pandemiassa. On ollut 300 %:n kasvu havaittuja petoksia viimeisten kuukausien aikana. Epätoivon ajat yhdistettynä suureen verkkoliikenteeseen kutsuvat kaikenlaisia huijauksia, jotka kohdistuvat työttömille ja vanhuksille. Poikkeama-erkennys mahdollistaa nyt muuttaa nämä poikkeamat petosten tai trendien indikaattoreiksi. Seuraava kaavio osoittaa, miten petokset ovat vaihdelleet tämän vuoden alkupuoliskon aikana.

NDAX havaitsi petosten kasvun toisella neljänneksellä, erityisesti vanhuksiin ja väärään työpaikkojen ilmoittamiseen liittyvät huijaukset.

Miten Asioidaan Teidän Liiketoiminnassanne?

Poikkeama-erkennysalgoritmit voivat auttaa liiketoimia tunnistamaan ja reagoimaan epätyypillisiin tietopisteisiin monissa skenaarioissa. Pankin turvajärjestelmä voi käyttää poikkeama-erkennystä petollisten raha-liiketoimien tunnistamiseen. Vastaavasti tehtaiden omistajat luottavat poikkeama-erkennystä vikaisen laitteiston kanssa ja ennakoivaan huoltoon. IoT-sensoriverkoissa poikkeama-erkennys käytetään osana tilanvalvontaratkaisuja ja ei-toivottujen haittaohjelmien estämiseksi. Selkeä asia on, että liiketoiminnat, joilla on pääsy suuriin määriin tietoa, voivat käyttää MIDAS:ia (ja muita poikkeama-erkennysalgoritmeja) epätyypillisten mallien tunnistamiseen reaaliajassa.

Miten teidän tietonne on järjestetty, ja miten voimme auttaa teitä asettamaan modernin poikkeama-erkennysratkaisun?

Ota yhteyttä ja kerro meille. Blue Orange Digital:in data-tiedehalli on iloinen voidessaan tehdä poikkeama-erkennys työstä, joka toimii teidän liiketoimintanne hyväksi!

Pääkuva: Canva