Betrugserkennung im Bankumfeld Mit Hilfe von Complex Event Processing. Alexander Widder, Business Consultant

Transkript

1 1

2 Betrugserkennung im Bankumfeld Mit Hilfe von Complex Event Processing Alexander Widder, Business Consultant 2

3 3

4 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 4

5 simple fact AG Vorstellung Wir steigern Tragfähigkeit & Wirtschaftlichkeit Ihrer CRM, DWH, BI-Lösung mit Synergie aus make and buy Umsatz in Mio plan simple fact ist ein seit 15 Jahren renommiertes BI-Systemhaus: DWH, BI und CRM Systemintegration führender Hersteller eigene, bewährten Lösungen für sichere Projektabwicklung und time to market. Im Fokus stehen die strategischen Kernprozesse TOP 500 Unternehmen in DACH & USA Spezialisierung auf Lösungsentwicklung & Beratung für Banken & Versicherungen, Produktion und Handel Umsatz 4,62 Mio in 2006 Umsatz ca. 5,7 Mio in Mitarbeiter (40 freie Partner) Prozessdesign, FKZ IT, DWH, BI Strategie Architektur & Planung Design & Entwicklung Integration & Betrieb Wartung & Support Geschäftsstrategie Sanierung 5

6 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 6

7 Problem Kosten und Schäden Ein paar Beispiele Kosten und Schäden von Betrug Eine von 10 Personen in Großbritanien wurde bereits Opfer von Identitätsdiebstahl Identitätsdiebstahl wuchs um 500% seit dem Jahr 2000 in GB Kontenplünderung stieg im Jahr 2007 um 23% in Deutschland Mehr als 13 Mio. wurden im Jahr 2006 von deutschen Konten gestohlen (offizielle Zahl) Der durchschnittliche Schaden eines erfolgreichen Phishing Falles lag 2007 in Deutschland bei 4700 Zusätzliche Kosten sind beispielsweise: Kosten erfolgreicher Betrugsaktionen Kosten für manuelle Überprüfung Kosten für automatische Überprüfungswerkzeuge Kosten für false positives (Quellen: 7

8 Problem Betrugsquellen Betrugsquellen Häufig auftretende Typen und Quellen von Betrug Online Transaktionen Phishing Pharming Trojanische Pferde Skimming Kreditkartenbetrug Verschiedene Identitäten für eine Kartennummer Benutzung gestohlener Kreditkarten Benutzung von Kartengeneratoren... Die Betrüger sind immer einen Schritt voraus 8

9 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 9

10 Complex Event Processing Genereller Ablauf Wie holen wir den Vorsprung auf? Erkennung von Betrugsmustern in Echtzeit new auto pay account login transfer withdrawal deposit logout account balance logout account login enquiry CEP Engine ALERT deposit withdrawal new auto pay enquiry activity history Monitor Event cloud einer Bank Transaktionen/Überweisungen 10

11 Complex Event Processing Architektur Was ist CEP? Korrelieren von low level Events zu Complex Events CEP Engines scannt die CEP Cloud nach low level Events Events stammen aus unterschiedlichen Quellsystemen CEP Engines erzeugen Complex Events auf Basis von low level Event mit Hille von Event Patterns 11

12 Complex Event Processing Event Pattern Was ist ein Event Pattern? Anbieter wie AptSoft besitzen bereits einfache Muster zur Betrugserkennung Beispiel eines verwendeten Event Patterns Hypothese: Die Betrugsmuster ändern sich permanent! Welche Varianten kommen in Zukunft in Frage? Problem: Wie können diese sich verändernden Muster identifiziert werden? Welche Beziehungen existieren zwischen den Events? 12

13 Complex Event Processing Ouellsysteme Vereinfacht dargestellt Anbindung der Quellsysteme CEP INFRASTRUKTUR Pattern Detector Events stammen aus unterschiedlichen Quellsystemen Mappen der Events ins Format der CEP Engine mittels Adapter Analyse der Events innerhalb der CEP Infrastruktur Local Adapter 1 Local Adapter 2 Local Adapter n Ouellsystem 1 Ouellsystem 2 Ouellsystem n 13

14 Complex Event Processing Szenario Zusammenfassung Erkennung eines Event Patterns CEP Engine Bei Verdacht: ALARM new auto pay withdrawal transfer deposit account balance account login logout logout enquiry deposit enquiry account login withdrawal new auto pay activity history Monitor Event cloud einer Bank 14

15 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 15

16 Lösungsansatz Algorithmen Unabhängige Ansätze Diskutierte Algorithmen Cluster Verfahren Diskriminanzanalyse Fuzzy Logik Bayes Netzwerke Entscheidungsbäume Neuronale Netzwerke oder Kombinationen dieser Algorithmen 16

17 Lösungsansatz Vorarbeiten Architektur des Lösungsansatzes (1) Durchzuführende Vorarbeiten 1. Feature Selection und Trainingsmenge für zwei Gruppen aufbauen 2. Berechung der Diskriminanzfunktion sowie des kritischen Diskriminanzwertes Definition eines Entscheidungsbaumes 3. Zuordnung der Trainingsevents in eine spezifische Diskriminanzgruppe 4. Training eines Neuronalen Netzwerks mit bekannten Mustern aus Diskriminanzwerten 5. Outputschwellwert festlegen 6. Auszuführende Aktionen festlegen 17

18 Lösungsansatz Ablauf Architektur des Lösungsansatzes (2) Ablauf der Betrugserkennung 1. Scannen der Event Cloud nach Transaktionsevents 2. Berechnung des Diskriminanzwertes 3. Untersuchen der nichtmetrischen Attribute mittels Entscheidungsbaum 4. Einordnung in eine Diskriminanzgruppe 5. Wenn Betrugsverdächtig: Untersuchung mittels neuronalem Netzwerk 6. Beurteilung des Outputs des Neuronalen Netzwerks 7. Starten einer Aktion bei Bedarf 18

19 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 19

20 Experimentelle Ergebnisse Event Cloud Die simulierte Event Cloud Test events zur Ausführung des Lösungsansatzes 16 events mit jeweils 5 Attributen attr1 and attr2 sind als für die Betrugserkennung relevant definiert Die anderen sind uninteressant 20

21 Experimentelle Ergebnisse Event Cluster Die historischen Event Cluster Cluster für die Berechnung des kritischen Diskriminanzwertes Cluster A enthält betrugsverdächtige Events Cluster B enthält harmlose Events Berechnung der Diskriminanzfunktion durch Einsetzen der attr1 und attr2 Werte in ein lineares Gleichungssystem Ermittelte Diskriminanzfunktion: y = -0,0079*x1 + 0,0101*x2 Berechnung der Diskriminanzwerte und des kritischen Diskriminanzwertes als Durchschnittswert der Diskriminanzwerte der beiden Cluster Berechneter kritischer Diskriminanzwert: 0,404 Zuteilung der Events zu einer Diskriminanzgruppe 21

22 Experimentelle Ergebnisse Diskriminanzgruppen Die ermittelten Diskriminanzgruppen Diskriminanzgruppen für die exaktere Klassifikation der Events Diskriminanzgruppe A enthält verdächtige Events Diskriminanzgruppe B enthält harmlose Events Training des Neuronalen Netzwerks: Events A,B,F,H sind betrugsverdächtige Events Events C,E,G sind keine betrugsverdächtigen Events Nicht-Betrug Training Patterns: (C,E), (B,G), (E,G), (G,H), (F,G), trainierter Ausgabewert: 0 Betrug Training Patterns: (A,B), (B,F), (F,H), (A,F), (A,H), trainierter Ausgabewert: 1 22

23 Experimentelle Ergebnisse Ausgabewerte Die Netzwerk Ausgabewerte Ergebnisse bei verändertem Lernfaktor und Backpropagationsläufen Zum Test des Neuronalen Netzwerks: trainiert, kein Betrug (=bekannt): (G,H) nicht trainiert, kein Betrug (=unbekannt): (A, C) trainiert, Betrug (=bekannt): (B, F) nicht trainiert, Betrug (=unbekannt): (B, H) Interpretation der Ergebnisse: Ausgabewerte werden exakter mit steigendem Lernfaktor Neuronales Netzwerk wird übertrainiert bei mehr als Backpropationsläufen 23

24 Experimentelle Ergebnisse Netzstruktur Die Struktur des Neuronalen Netzwerks Multi-Layered Perceptron mit den optimalen Gewichten Optimale Parametereinstellungen: Lernfaktor: 0,9 Backpropagationsläufe: Ermittelter Betrugserkennungsschwellwert: 0,4 24

25 Agenda Worüber wir heute sprechen Einführung simple fact AG Problem Betrug Vorstellung CEP Ansatz zur Lösung des Problems Experimentelle Ergebnisse Zusammenfassung 25

26 Zusammenfassung Eigenschaften Eigenschaften des Ansatzes Eine neu entwickelte Methode zur Identifizierung unbekannter Betrugsmuster in Echtzeit Verringerung von erfolgreich durchgeführten Betrugsversuchen Erhöhung der Trefferquote durch Einsatz maschineller Lernverfahren Erhöhung der Erkennungsgeschwindigkeit durch den Einsatz von CEP Verringerung der Kosten erfolgreicher Betrugsaktionen 26

27 Betrugserkennung Publikationen Publikationen über Betrugserkennung Widder, A., Ammon, R. v., Schaeffer, P., and Wolff, C. Identification of suspicious, unknown event patterns in an event cloud. In: Proceedings of the 2007 inaugural international conference on Distributed event-based systems, Toronto, Widder, A., Ammon, R. v., Schaeffer, P., and Wolff, C. Combining Discriminant Analysis and Neural Networks for Fraud Detection on the Base of Complex Event Processing. In: Proceedings of the 2nd international conference on Distributed event-based systems, Rome, Widder, A., Ammon, R. v.,hagemann, G., and Schoenfeld, D. An Approach for Automatic Fraud Detection in the Insurance Domain. (Under Review). 27

28 Vielen Dank für Ihre Aufmerksamkeit simple fact AG, Alexander Widder Erlenstegenstr. 5, Nürnberg Tel / alexander.widder@simplefact.de 28