PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Anomaly detection for banking applications
Alternative Title :Ανίχνευση ανωμαλιών για διαδικτυακές τραπεζικές εφαρμογές
Creator :Fourka, Maria-Niki
Φούρκα, Μαρία-Νίκη
Contributor :Malakasiotis, Prodromos (Επιβλέπων καθηγητής)
Athens University of Economics and Business, Department of Informatics (Degree granting institution)
Type :Text
Extent :34p.
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9484
Abstract :In recent years, the number of applications for internet and mobile banking platformshas increased considerably, due to advances in technology and the push to transition tomore digital systems in response to the COVID-19 pandemic. This in turn has forcedbanks to evolve and expand their offered services from simply processing payments tohandling more complex tasks such as fully digital banking, instant loans, credit checking,and contracts, entirely online. Businesses use these services through API gateways, which,due to their importance, must operate reliably. This thesis proposes a method whichderives features from the event logs generated by API calls and uses self-supervision todetect irregularities across multiple time windows and dimensions. Experiments show thatFenceGAN (a type of GAN with a modified loss function) outperforms commonly usedunsupervised anomaly detection methods such as Isolation Forests and State of the Artdetectors like DAGMM by over 29% in terms of PR-AUC.
Τα τελευταία χρόνια, ο αριθμός των τραπεζικών εφαρμογών για διαδικτυακές πλατφόρμες και κινητάέχει αυξηθεί σημαντικά. Η ψηφιοποίηση αυτή συνέβη λόγω της τεχνολογικής προόδου αλλά και ως ανάγκη λόγω της πανδημίας COVID-19. Με την εμφάνιση της πανδημίας κρίθηκε αναγκαίοοι τράπεζες να εξελίξουν και να επεκτείνουν τις προσφερόμενες υπηρεσίες τους από την απλή επεξεργασία πληρωμών έως τονχειρισμό πιο σύνθετων εργασιών όπως πλήρως ψηφιακή τραπεζική, στιγμιαία δάνεια, πιστωτικός έλεγχος,και συμβάσεις, εξ ολοκλήρου διαδικτυακά. Οι επιχειρήσεις χρησιμοποιούν αυτές τις υπηρεσίες μέσω πυλών API, οι οποίες,είναι απαραίτητο να λειτουργούν αξιόπιστα. Η παρούσα διατριβή προτείνει μια μέθοδο η οποίαεξάγει και παράγει μεταβλητές από τα αρχεία καταγραφής συμβάντων που δημιουργούνται από κλήσεις API και χρησιμοποιεί αυτο-επίβλεψη σεανίχνευση ανωμαλιών. Τα πειράματα δείχνουν πως το FenceGAN (ένας τύπος GAN με τροποποιημένη συνάρτηση απώλειας) έχει καλύτερη απόδοση από άλλες σύνηθες μεθόδους που χρησιμοποιείται για την ανίχνευση ανωμαλιών χωρίς επίβλεψη, όπως τα Isolation Forest και το state-of-the-art DAGMM κατά περισσότερο από 29% ως προς το PR-AUC.
Subject :Ανίχνευση ανωμαλιών
Παραγωγικά αντιπαλικά δίκτυα (ΠΑΔ)
Αντιπαλική μάθηση
Νευρωνικά δίκτυα
Μη επιβλεπόμενη μάθηση
Anomaly detection
Generative adversarial networks (GANs)
Adversarial learning
Neural networks
Unsupervised learning
Date Available :2022-05-18 12:52:45
Date Issued :02/01/2022
Date Submitted :2022-05-18 12:52:45
Access Rights :Free access
Licence :

File: Fourka_2022.pdf

Type: application/pdf