Por favor use este identificador para citas ou ligazóns a este item:
http://elartu.tntu.edu.ua/handle/lib/49883| Título: | Система виявлення шахрайських банківських базових операцій на основі машинного навчання |
| Outros títulos: | Fraudulent Banking Transaction Detection System Based on Machine Learning |
| Authors: | Проць, Петро Олегович Prots, Petro |
| Affiliation: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра кібербезпеки, м. Тернопіль, Україна |
| Bibliographic description (Ukraine): | Проць П. О. Система виявлення шахрайських банківських базових операцій на основі машинного навчання : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 125 - кібербезпека / наук. кер. Стадник М. А. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 75 с. |
| Data de edición: | 27-Jun-2025 |
| Submitted date: | 13-Jun-2025 |
| Date of entry: | 2-Aug-2025 |
| Country (code): | UA |
| Place of the edition/event: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Supervisor: | Стадник, Марія Андріївна Stadnyk, Mariia |
| Committee members: | Михалик, Дмитро Михайлович Mykhalyk, Dmytro |
| UDC: | 004.56 |
| Palabras chave: | машинне навчання machine learning виявлення шахрайства fraud detection виявлення аномалій anomaly detection нейронна мережа neural network |
| Resumo: | У кваліфікаційній роботі розглянуто систему виявлення шахрайських банківських операцій з використанням методів машинного навчання. Проведено детальний аналіз існуючих підходів, зокрема, методів навчання із вчителем та без вчителя, а також глибинних методів машинного навчання. На основі цього аналізу розроблено систему, що інтегрує алгоритми аномального виявлення (Isolation Forest) та глибинного навчання (нейронні мережі з використанням TensorFlow). Здійснено підготовку фінансових даних про транзакції, визначено оптимальні параметри моделі та проведено тестування на практичних прикладах. Запропонована система демонструє високу ефективність виявлення шахрайських транзакцій, що підтверджується отриманими показниками точності, повноти та AUC. Результати роботи можуть бути використані для впровадження у банківських установах для підвищення рівня безпеки транзакцій та зменшення фінансових втрат від шахрайських дій. The thesis focuses on developing a machine learning-based system for detecting fraudulent banking operations. A comprehensive analysis of existing approaches was conducted, including supervised, unsupervised, and deep learning techniques. Based on this analysis, a model integrating anomaly detection algorithms (Isolation Forest) and deep learning (neural networks using TensorFlow) was developed. Financial transaction data preparation was performed, optimal model parameters were determined, and practical testing was conducted. The proposed system demonstrated high efficiency in identifying fraudulent transactions, as evidenced by obtained accuracy, recall, and AUC metrics. The results can be implemented in banking institutions to enhance transaction security and reduce financial losses due to fraud. |
| Content: | ВСТУП 9 РОЗДІЛ 1 ТЕОРЕТИЧНІ ОСНОВИ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ ТРАНЗАКЦІЙ У БАНКІВСЬКИХ СИСТЕМАХ 11 1.1 ШАХРАЙСТВО У БАНКІВСЬКИХ ОПЕРАЦІЯХ 11 1.2 ОСНОВИ МАШИННОГО НАВЧАННЯ ТА ЙОГО ЗАСТОСУВАННЯ В ПРОТИДІЇ ШАХРАЙСТВУ 12 1.3 МЕТОДИ ВИЯВЛЕННЯ ШАХРАЙСТВА У ФІНАНСОВИХ ТРАНЗАКЦІЯХ 14 1.4 ОСОБЛИВОСТІ ОБРОБКИ ТА АНАЛІЗУ ФІНАНСОВИХ ДАНИХ 16 1.5 ПРОБЛЕМИ ТА ВИКЛИКИ ПРИ РОЗПІЗНАВАННІ ШАХРАЙСТВА ЗА ДОПОМОГОЮ ML 18 РОЗДІЛ 2 АНАЛІЗ ТА ПОРІВНЯННЯ ІСНУЮЧИХ ПІДХОДІВ 22 2.1 ОГЛЯД ЗАСТОСУВАННЯ ML У ЗАДАЧАХ ВИЯВЛЕННЯ ШАХРАЙСТВА 22 2.2 МЕТОДИ НАВЧАННЯ «ІЗ ВЧИТЕЛЕМ» ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСТВА 24 2.2.1 Логістична регресія 24 2.2.2 Дерева рішень 26 2.2.3 Метод опорних векторів 27 2.3 МЕТОДИ НАВЧАННЯ «БЕЗ ВЧИТЕЛЯ» ДЛЯ ВИЯВЛЕННЯ АНОМАЛІЙ 28 2.3.1 Метод кластеризації 28 2.3.2 Щільнісна кластеризація 29 2.3.3 Автоенкодер 30 2.3.4 Ізоляційний ліс 31 2.3.5 Однокласовий SVM 31 2.3.6 Характеристика методів навчання «без учителя» 32 2.4 ГЛИБИННЕ НАВЧАННЯ 33 2.5 ПОРІВНЯННЯ ЕФЕКТИВНОСТІ ПІДХОДІВ 36 РОЗДІЛ 3 РОЗРОБКА СИСТЕМИ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ БАНКІВСЬКИХ ОПЕРАЦІЙ ЗАСОБАМИ PYTHON ТА TENSORFLOW 39 3.1 ОПИС ОБРАНОГО ПІДХОДУ 39 3.2 АРХІТЕКТУРА ТА КОМПОНЕНТИ СИСТЕМИ 40 3.3 ПІДГОТОВКА ДАНИХ ДЛЯ НАВЧАННЯ МОДЕЛІ 43 3.3.1 Формування навчальної вибірки 43 3.3.2 Очищення даних 45 3.3.3 Інженерія ознак 46 3.3.4 Перетворення та масштабування 47 3.4 РЕАЛІЗАЦІЯ ML-АЛГОРИТМУ ЗАСОБАМИ TENSORFLOW ТА PYTHON 48 3.4.1 Опис процесу розробки 48 3.4.2 Реалізація модуля anomaly detection 48 3.4.3 Побудова архітектури нейронної мережі 49 3.4.4 Налаштування процесу навчання 51 3.4.5 Перевірка результатів навчання та робота з гіпер-параметрами 52 3.4.7 Інтеграція з системою 52 3.5 ТЕСТУВАННЯ ТА ОЦІНКА ЕФЕКТИВНОСТІ СИСТЕМИ 52 3.5.1 Оцінка на тестовому наборі даних 53 3.5.2 Порівняння зі стандартними методами 53 3.5.3 Огляд результатів 54 РОЗДІЛ 4 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 55 4.1 ПОРЯДОК ДІЙ ІТ-УСТАНОВИ У РАЗІ ЯДЕРНОГО УДАРУ 55 4.2 ПСИХОФІЗІОЛОГІЧНЕ РОЗВАНТАЖЕННЯ ДЛЯ ПРАЦІВНИКІВ 57 ВИСНОВКИ 62 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 63 ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/49883 |
| Copyright owner: | © Проць Петро Олегович, 2025 |
| References (Ukraine): | 1. Sharma, S. (2024). AI and fraud detection in banking. Nature Humanities and Social Sciences Communications. 2. Practical Business Skills. (б. д.). Security and fraud. https://www.practicalbusinessskills.org/en/getting-started/taking-your-business-digital/security-and-fraud.html 3. IBM. (б. д.). AI and fraud detection in banking. https://www.ibm.com/think/topics/ai-fraud-detection-in-banking 4. PwC Colombia. (б. д.). Encuesta de crimen y fraude econ√≥mico. https://www.pwc.com/co/es/publicaciones/encuesta-crimen-fraude-economico.html 5. Tookitaki. (б. д.). Fraud detection using machine learning in banking. https://www.tookitaki.com/compliance-hub/fraud-detection-using-machine-learning-in-banking-1 6. Brankas. (б. д.). Fraud detection algorithms in banking. https://blog.brankas.com/fraud-detection-algorithms-in-banking 7. International Journal of Research Publication and Reviews. (2023). Fraud detection in banking. https://ijrpr.com/uploads/V6ISSUE4/IJRPR41586.pdf 8. Online Scientific Research. (б. д.). Fraud detection in banking: A machine learning approach using credit card transaction data. https://www.onlinescientificresearch.com/articles/fraud-detection-in-banking-a-machine-learning-approach-using-credit-card-transaction-data.html 9. Agarwal, P. (2024, Квітень). Here's how Stripe detects frauds with a 99% accuracy [LinkedIn post]. 10. Stripe. (б. д.). How we built it: Stripe Radar. https://stripe.com/blog/how-we-built-it-stripe-radar 11. scikit-learn developers. (б. д.). Clustering. https://scikit-learn.org/stable/modules/clustering.html#k-means 12. scikit-learn developers. (б. д.). sklearn.cluster.DBSCAN. https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html 13. Towards Data Science. (2019, 10 жовтня). Anomaly detection with autoencoder. https://towardsdatascience.com/anomaly-detection-with-autoencoder-b4cdce4866a6 14. scikit-learn developers. (б. д.). sklearn.ensemble.IsolationForest. https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html 15. scikit-learn developers. (б. д.). sklearn.svm.OneClassSVM. https://scikit-learn.org/stable/modules/generated/sklearn.svm.OneClassSVM.html 16. IBM. (б. д.). Graph neural network. https://www.ibm.com/think/topics/graph-neural-network 17. Teuwens, R. (б. д.). Anomaly detection with auto-encoders [Code notebook]. Kaggle. 18. Zhou, C., & Paffenroth, R. (2019). Anomaly detection with robust deep autoencoders. arXiv. https://arxiv.org/pdf/1906.11632 19. Detthamrong, U., Chansanam, W., Boongoen, T., & Iam-On, N. (2024). Enhancing Fraud Detection in Banking using Advanced Machine Learning Techniques. Econ Journals. https://doi.org/10.32479/ijefi.16613 20. Kartik2112. (б. д.). Fraud detection [Dataset]. Kaggle. https://www.kaggle.com/datasets/kartik2112/fraud-detection 21. Kovalchuk, O., Karpinski, M., Banakh, S., Kasianchuk, M., Shevchuk, R., & Zagorodna, N. (2023). Prediction machine learning models on propensity convicts to criminal recidivism. Information, 14(3), art. no. 161, 1-15. 22. Karpinski, M., Korchenko, A., Vikulov, P., Kochan, R., Balyk, A., & Kozak, R. (2017, September). The etalon models of linguistic variables for sniffing-attack detection. In 2017 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems : Technology and Applications (IDAACS) (Vol. 1, pp. 258-264). IEEE. 23. Augmented Reality Enhanced Learning Tools Development for Cybersecurity Major Zagorodna N., Skorenkyy Y., Kunanets N., Baran I., Stadnyk M (2022) CEUR Workshop Proceedings, 3309 , pp. 25-32. 24. Boltov, Y., Skarga-Bandurova, I., & Derkach, M. (2023, September). A Comparative Analysis of Deep Learning-Based Object Detectors for Embedded Systems. In 2023 IEEE 12th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (Vol. 1, pp. 1156-1160). IEEE. 25. Kulchytskyi, T., Rezvorovych, K., Povalena, M., Dutchak, S., & Kramar, R. (2024). LEGAL REGULATION OF CYBERSECURITY IN THE CONTEXT OF THE DIGITAL TRANSFORMATION OF UKRAINIAN SOCIETY. Lex Humana (ISSN 2175-0947), 16(1), 443-460. 26. Андрейчук, Н. І., Кіт, Ю. В., Шибанов, С. В., & Шерстньова, О. В. (2012). Охорона праці. Occupational safety (276 с.). Видавництво Львівської політехніки. 27. Атаманчук, П. С., Мендерецький, В. В., Панчук, О. П., & Чорна, О. Г. (2011). Безпека життєдіяльності [Навчальний посібник] (276 с.). Київ: Центр учбової літератури. 28. Сокуренко, В. В. (ред.). (2021). Безпека життєдіяльності та охорона праці [Підручник] (308 с.; ISBN 978‑966‑610‑248‑8). Харків: Харківський національний університет внутрішніх справ. 29. Бедрій, Я. І. (2018). Основи охорони праці. [Підручник] (240 с.). Тернопіль: Навчальна книга – Богдан. 30. Гогіташвілі, Г. Г., & Лапін, В. М. (2018). Основи охорони праці. [Підручник] (121 с.). Київ: Знання. 31. Управління Держпраці у Тернопільській області. (б. д.). Робота в офісі: основні санітарно-гігієнічні вимоги. 32. Міністерство охорони здоров’я України. (1999). Державні санітарні норми мікроклімату виробничих приміщень (ДСН 3.3.6.042-99). 33. Верховна Рада України. (2025). Кодекс законів про працю України (станом на 08.04.2025). |
| Content type: | Bachelor Thesis |
| Aparece nas colecções: | 125 — Кібербезпека, Кібербезпека та захист інформації (бакалаври) |
Ficheiros deste registo:
| Ficheiro | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Prots_Petro_SB42_2025.pdf | 2,33 MB | Adobe PDF | Ver/abrir |
Todos os documentos en Dspace estan protexidos por copyright, con todos os dereitos reservados
Ferramentas administrativas