Методика пополнения базы знаний системы фрод-мониторинга

Серьезность проблемы роста финансового мошенничества вынуждает исследователей и практиков постоянно рассматривать варианты развития систем фрод-мониторинга. Однако, вопреки всем технологическим усилиям разрешения сложившейся проблемы, объем украденных средств ежегодно растет. Это наводит на мысли о прямой связи новых видов мошенничества с негативной тенденцией в росте ущерба. В связи с этим, данная статья направлена на выявление возможности пополнения набора известного мошенничества в системе фрод-мониторинга за счет синтетических, но потенциально возможных сценариев. В статье рассматриваются процессы подготовки данных для обучения моделей машинного обучения и полный алгоритм взаимодействия классифицирующей и генеративной моделей. В качестве классифицирующей модели выбрана Random Forest, а для генерации реалистичных данных – СTGAN. Связующим звеном для моделей служит инициализация JSON-файла с метаданными, содержащими метрики качества модели Random Forest и перечень популярных признаков фрод-операций. В результате эксперимента выявлена возможность создавать реалистичные примеры фрод-операций на основе комбинаций фрод-признаков с наибольшим импакт-фактором. Полученные результаты раскрывают потенциал автоматизации процесса пополнения внутренних баз данных мошенничества, информация из которых служит основанием для настройки систем идентификации мошенничества.

1. Бабанская А.С., Ермольева Д.Р., Ефименко Н.А., Акулова С.А. Сравнительный анализ и возможности ИИ-технологий для предотвращения мошенничества в финансовом секторе. Экономика. Информатика. 2025;52(1):110–124. https://doi.org/10.52575/2687-0932-2025-52-1-110-124

2. Ларионова С.Л., Ряховский Е.Э. Усовершенствование алгоритмов антифрод-системы на основе использования методов Graph Representation Learning и сетей CycleGAN. Инновации и инвестиции. 2021;(6):137–142.

3. Ali A., Abd Razak Sh., Othman S.H., et al. Financial fraud detection based on machine learning: a systematic literature review. Applied Sciences. 2022;12(19):9637. https://doi.org/10.3390/app12199637

4. George Z.H., Alam Kh., Hasan T. Machine learning for fraud detection in digital banking: a systematic literature review. ASRC Procedia: Global Perspectives in Science and Scholarship. 2023;3(1):37–61. https://doi.org/10.63125/913KSY63

5. Boubker M.B., Eddaoui A., Ouahabi S., Guemmat K.E., Chafik T. A systematic review of credit card fraud detection and prevention techniques. Nanotechnology Perceptions. 2024;20(S14):471–500. https://doi.org/10.62441/nano-ntp.vi.2802

6. Yussiff A.-S., Prikutse L.F., Asuah G., et al. The best machine learning model for fraud detection on e-platforms: a systematic literature review. Computer Science and Information Technologies. 2024;5(2):195–204. https://doi.org/10.11591/csit.v5i2.pp195-204

7. Хабибрахманов Р.Р., Пантелеева Л.Р. Применение классификационных методов машинного обучения для выявления мошеннических транзакций. Вестник Университета управления «ТИСБИ». 2025;(4):88–102.

8. Mathpati Sh.Sh., Kaladeep Yalagi P.C., Athavale V.A., Azarov I. A Comparative Analysis of Machine Learning Models for Financial Fraud Detection. In: AISMA-2025: International Workshop on Advanced Information Security Management and Applications, 11–15 May 2025, Stavropol, Russia. Cham: Springer; 2026. P. 323–334. https://doi.org/10.1007/978-3-032-07275-7_30

9. Сержан Е., Умаров Т. Выявление мошенничества с использованием машинного обучения при операциях с кредитными картами: сравнительный анализ. Universum: технические науки. 2025;(5-9). (На англ.). https://doi.org/10.32743/UniTech.2025.134.5.20106

10. Крайнов Н.М., Бобров Л.К. «Белый хакер» как вариант использования искусственного интеллекта в антифрод-системах. В сборнике: Инжиниринг предприятий и управление знаниями: Сборник научных трудов XXVII Российской научной конференции, 28–29 ноября 2024 года, Москва, Россия. Москва: РЭУ им. Г.В. Плеханова; 2024. С. 168–171.