한국정보처리학회:학술대회논문집 (Proceedings of the Korea Information Processing Society Conference)

한국정보처리학회 (Korea Information Processing Society)
권호 표지

실시간 리샘플링 기법을 활용한 LSTM 기반의 사기 거래 탐지 시스템

LSTM-based fraud detection system framework using real-time data resampling techniques

  • 김서이 (성신여자대학교 미래융합기술공학과) ;
  • 이연지 (성신여자대학교 융합보안공학과) ;
  • 이일구 (성신여자대학교 융합보안공학과, 미래융합기술공학과)
  • Seo-Yi Kim (Dept. of Future Convergence Technology Engineering, Sungshin Women's University) ;
  • Yeon-Ji Lee (Dept. of Convergence Security Engineering, Sungshin Women's University) ;
  • Il-Gu Lee (Dept. of Future Convergence Technology Engineering, Sungshin Women's University)
  • 발행 : 2024.05.23
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

금융산업의 디지털 전환은 사용자에게 편리함을 제공하지만 기존에 존재하지 않던 보안상 취약점을 유발했다. 이러한 문제를 해결하기 위해 기계학습 기술을 적용한 사기 거래 탐지 시스템에 대한 연구가 활발하게 이루어지고 있다. 하지만 모델 학습 과정에서 발생하는 데이터 불균형 문제로 인해 오랜 시간이 소요되고 탐지 성능이 저하되는 문제가 있다. 본 논문에서는 실시간 데이터 오버 샘플링을 통해 이상 거래 탐지 시 데이터 불균형 문제를 해결하고 모델 학습 시간을 개선한 새로운 이상 거래 탐지 시스템(Fraud Detection System, FDS)을 제안한다. 본 논문에서 제안하는 SMOTE(Synthetic Minority Oversampling Technique)를 적용한 LSTM(Long-Short Term Memory) 알고리즘 기반의 FDS 프레임워크는 종래의 LSTM 알고리즘 기반의 FDS 모델과 비교했을 때, 데이터 사이즈가 96.5% 감소했으며, 정밀도, 재현율, F1-Score 가 34.81%, 11.14%, 22.51% 개선되었다.

키워드

과제정보

본 논문은 2024 년도 산업통상자원부 및 한국산업기술진흥원의 산업혁신인재성장지원사업 (RS-2024-00415520)과 과학기술정보통신부 및 정보통신기획평가원의 ICT 혁신인재 4.0 사업의 연구결과로 수행되었음 (No. IITP-2022-RS-2022-00156310)

참고문헌

  1. Bin Sulaiman, Rejwan, Vitaly Schetinin, and Paul Sant, Review of machine learning approach on credit card fraud detection, Human-Centric Intelligent Systems 2.1, 55-68, 2022
  2. 금융거래표(2009~), 국가정보포털(KOSIS), https://kosis.kr/search/search.do, 2024/4/12
  3. Benchaji, I., Douzi, S., El Ouahidi, B., Jaafari, J., Enhanced credit card fraud detection based on attention mechanism and LSTM deep model, J Big Data 8, 151, 2021
  4. Mohmad, Yanash Azwin., Credit Card Fraud Detection Using LSTM Algorithm, Wasit J. Comput. Math. Sci 1, 39-53, 2022
  5. Dablain, Damien, Bartosz Krawczyk, and Nitesh V. Chawla, DeepSMOTE: Fusing deep learning and SMOTE for imbalanced data, IEEE Transactions on Neural Networks and Learning Systems, 2022
  6. Bhandari, H. N., Rimal, B., Pokhrel, N. R., Rimal, R., Dahal, K. R., & Khatri, R. K., Predicting stock market index using LSTM, Machine Learning with Applications, 9, 100320, 2022
  7. Abumohsen, Mobarak, Amani Yousef Owda, and Majdi Owda, Electrical load forecasting using LSTM, GRU, and RNN algorithms, Energies 16.5, 2283, 2023
  8. Credit Card Fraud Detection, Kaggle, 2021, https://www.kaggle.com/datasets/mlgulb/creditcardfraud/data, 2024/4/12
  9. Bertrand Lebichot, Gianmarco Paldino, Wissam Siblini, Liyun He, Frederic Oble, Gianluca Bontempi, Incremental learning strategies for credit cards fraud detection, International Journal of Data Science and Analytics, 12(2), 165-174, 2021