机器学习如何应对金融网络犯罪 人工智能对于安全见解至关重要

简介: 在过去的几个月中,由于与冠状病毒有关的索赔,在这段巨大的压力下,失业系统盗窃了数百万美元。

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

在过去的几个月中,由于与冠状病毒有关的索赔,在这段巨大的压力下,失业系统盗窃了数百万美元。

image

一个精明的国际骗子团伙一直在为仍然稳定工作的人提出虚假的失业要求。攻击者使用先前获取的个人身份信息(PII)(例如社会安全号码,地址,姓名,电话号码和银行帐户信息)来欺骗公职人员接受索赔。

然后,向这些受雇人员支付的款项将转至洗钱同伙,这些同伙在将现金存入自己的帐户之前先将其转嫁以掩盖现金的非法性质。

对导致这些攻击的PII的收购以及金融机构未能发现的洗钱模式凸显了重新建立安全性的重要性。但是,在基于历史规则的系统失败的地方,经过高质量数据训练的人工智能才是卓越的。

攻击者如何获取您的财务信息

假设您需要汽油,并且已经在平常的车站停了下来。您将信用卡滑入插槽后,设备将像往常一样显示“快速删除卡”。但是,您可能还没有注意到插槽上安装的微型硬件,看上去与通常的插槽相同,在您经过时会读取您的信用卡号。

或者,假设您收到来自Alerts@weIlsfargo的电子邮件,内容为“我们已检测到您帐户中的可疑活动,您最近是否在亚马逊上花费了5000美元?”有一个带您进入网站的按钮,并且在页脚中显示一条消息,指出“出于任何原因,请勿将您的帐户凭据提供给任何人。富国银行绝不会在电子邮件中要求您提供个人信息。”当您访问该网站时,它看起来与您期望的完全一样,因此您输入密码,黑客即可访问您的帐户。您是否注意到,富国银行的拼写是:一个小写的“ L”和一个大写的“ i”?

一旦攻击者可以访问,他们就可以在没有您允许的情况下花费您的钱;只要单个交易的规模不大,大多数人就很少注意到。或更糟糕的是,攻击者可以一口气清除您的帐户,然后再知道发生了什么。

异常检测方法

公司利用机器学习来每天监控电子邮件,登录尝试,个人交易和业务活动。大多数金融机构使用一种称为异常检测的AI,通过该过程,计算机可以将消费者帐户中的活动分类为典型或可疑活动。

时间序列数据的分析可用于异常检测。它通过将消费者的交易与其自己最近的交易历史进行比较来工作。它通常考虑诸如消费者位置,交易位置,商人位置,商人类型,货币数量,一年中的时间等参数。如果可疑活动的可能性超过某个阈值,它将警告人类使用者危险。另外,对于很高的概率,它可能会自动阻止交易。

例如,您可能有一个每周在餐厅消费30美元的历史记录。如果您突然突然每周在餐厅花费100美元,则AI可能会在假期期间正常进行此更改,但在一年中的其他时间可能会造成危险。

为了使这些模型有效,高质量的训练数据至关重要。训练数据用于教导模型如何将交易分类为异常。主题专家通过手动识别可疑活动来帮助计算机学习。然后,机器使用从训练数据中学到的复杂知识对新数据进行预测。

问题在于,攻击者正在不断创新以摆脱计算机的新技术。另一种异常检测称为无监督异常检测,可以帮助我们铲除新出现的滥用模式。无监督离群检测的目标不是帮助人类从训练数据中学习专业知识,而是帮助他们发现他们以前从未见过的模式。

考虑一个经常贩卖现金超过一百万美元的贩毒组织。如果他们要直接存钱,则将检测并阻止该交易。但是,相反,他们可以创建“空壳”公司,假装提供服务以换取非法现金。没有实际的业务需求发生。这种技术是洗钱的一个例子。

在这种情况下,AI不会尝试根据过去的培训数据将个人交易识别为犯罪,而是会尝试定义具有相似行为模式的公司集团。这种AI可能会发现一大批照常营业的公司,但也可能会发现散布在较小的公司中,这些公司全部位于避税天堂,这些公司都是最近成立的,所有客户相对较少,所有公司都有通过检查AI所发现的分组,金融行业的安全专家可以调查是否有任何组或不属于组的异常值可能与洗钱计划相对应。这样,我们可以了解罪犯如何组织自己。

人工智能的未来

异常检测(尤其是在使用深度学习技术时)的挑战之一是,有时很难理解为什么某些交易或公司被选为可疑。严格来说,该机器仅产生分组和异常,因此需要专业人员来解释结果。但是,如果AI不仅可以告诉我们异常是什么,还可以告诉我们为什么将其归类为异常怎么办?这种新兴学科被称为可解释AI(XAI)。

让我们回到我们去餐馆的例子。当今的AI可能会发送电子邮件来提醒您您的帐户发生了异常活动,而XAI不仅会警告您,而且还告诉您该交易已被标记,因为它发生在异常的一天或异常的位置。有了这些信息,您将可以更好地评估电子邮件是否值得关注。

金融业安全和人工智能的未来将涉及从更大,更复杂的数据量中学习。随着我们收集有关用户行为方式的越来越多的信息,AI萌芽的力量不断增强。我们掌握的数据越多,我们就可以越准确地检查可疑行为。在当今世界,收集和存储的数据量几乎每年翻一番的世界中,人工智能对于确保我们安全的见解至关重要。

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-06-23
本文作者:AI国际站
本文来自:“51CTO”,了解相关信息可以关注“51CTO

相关文章
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
488 80
|
机器学习/深度学习 算法 数据安全/隐私保护
基于模糊神经网络的金融序列预测算法matlab仿真
本程序为基于模糊神经网络的金融序列预测算法MATLAB仿真,适用于非线性、不确定性金融数据预测。通过MAD、RSI、KD等指标实现序列预测与收益分析,运行环境为MATLAB2022A,完整程序无水印。算法结合模糊逻辑与神经网络技术,包含输入层、模糊化层、规则层等结构,可有效处理金融市场中的复杂关系,助力投资者制定交易策略。
|
机器学习/深度学习 数据采集 运维
机器学习在网络流量预测中的应用:运维人员的智慧水晶球?
机器学习在网络流量预测中的应用:运维人员的智慧水晶球?
639 19
|
机器学习/深度学习 算法 数据安全/隐私保护
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。
|
机器学习/深度学习 边缘计算 运维
机器学习在网络安全中的防护:智能化的安全屏障
机器学习在网络安全中的防护:智能化的安全屏障
581 15
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
181 10
|
人工智能 搜索推荐 决策智能
不靠更复杂的策略,仅凭和大模型训练对齐,零样本零经验单LLM调用,成为网络任务智能体新SOTA
近期研究通过调整网络智能体的观察和动作空间,使其与大型语言模型(LLM)的能力对齐,显著提升了基于LLM的网络智能体性能。AgentOccam智能体在WebArena基准上超越了先前方法,成功率提升26.6个点(+161%)。该研究强调了与LLM训练目标一致的重要性,为网络任务自动化提供了新思路,但也指出其性能受限于LLM能力及任务复杂度。论文链接:https://arxiv.org/abs/2410.13825。
290 12
|
机器学习/深度学习 算法 Python
基于BP神经网络的金融序列预测matlab仿真
本项目基于BP神经网络实现金融序列预测,使用MATLAB2022A版本进行开发与测试。通过构建多层前馈神经网络模型,利用历史金融数据训练模型,实现对未来金融时间序列如股票价格、汇率等的预测,并展示了预测误差及训练曲线。
270 12
|
机器学习/深度学习 人工智能 数据挖掘
打破传统:机器学习与神经网络获2024年诺贝尔物理学奖引发的思考
诺贝尔物理学奖首次授予机器学习与神经网络领域,标志该技术在物理学研究中的重要地位。本文探讨了这一决定对物理学研究的深远影响,包括数据分析、理论物理突破及未来科研方向的启示,同时分析了其对学术跨界合作与全球科研产业的影响。
303 4
|
SQL 安全 网络安全
网络安全与信息安全:知识分享####
【10月更文挑战第21天】 随着数字化时代的快速发展,网络安全和信息安全已成为个人和企业不可忽视的关键问题。本文将探讨网络安全漏洞、加密技术以及安全意识的重要性,并提供一些实用的建议,帮助读者提高自身的网络安全防护能力。 ####
396 17

热门文章

最新文章