پریسا دانشجو - استادیار گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
سیداحمد طاهرزاده - دانشجوی کارشناسی ارشد IT ، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

امروزه، با پیشرفت تکنولوژی و پیچیدهتر شدن فرآیندهای کسب و کار، روشهای انجام و در نتیجه شناساییکلاهبرداری ها نیز به مراتب پیچیدهتر شده اند. در این بین به کارگیری تکنیک های تشخیص نفوذ درتراکنش های بانکی به منظور جلوگیری از اقدامات متقلبانه در سیستم های بانکداری به خصوص سیستم هایبانکداری الکترونیک، امری اجتناب ناپذیر است. در این پژوهش، پس از شناسایی انواع تقلب های رایج درزمینه کارت های بانکی و شبیه سازی تراکنش های متقلبانه، با بهره گیری از شبکه های عصبی مصنوعی،مدلی برای طبقه بندی تراکنش ها به تراکنش های سالم و متقلبانه (مشکوک به تقلب) ایجاد شد. این مدلکه از نوع شبکه عصبی RBF است، علاوه بر اینکه مبتنی بر سیستم بانکی داخلی کشور است، توانستهاست با دقت بالایی عملکرد نسبتا خوبی در طبقه بندی مزبور داشته باشد. همچنین برای بهبود عملکردطبقه بندی از الگوریتم تجزیه مقادیر منفرد (SVD) بهره گرفته شد. مقایسه معیارهای ارزیابی عملکردارایه شده در این مقاله و نتایج مدلهای پایه، نشان داد که روش پیشنهای از عملکرد بمراتب بهتری نسبتبه مدلهای پایه برخوردار است.

تشخیص نفوذ، تراکنش های بانکی، تجزیه مقادیر منفرد، شبکه عصبی RBF