Худадян А.С., Кураков В.И., Баева У.М.
ПРИМЕНЕНИЕ МЕХАНИЗМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОТИВОДЕЙСТВИЯ КИБЕРАТАКАМ В КРЕДИТНО-ФИНАНСОВЫХ ОРГАНИЗАЦИЯХ *
Аннотация:
в настоящей статье будет рассмотрена нейронная сеть, которая направлена на противодействие мошенническим транзакциям и хищению денежных средств с банковских счетов клиентов различных кредитно-финансовых организаций
Ключевые слова:
кибербезопасность, информационная безопасность, искусственный интеллект, нейронные сети, мошенничество
Худадян А.С.
студент, кафедры информационная безопасность
Московский государственный технический университет им. Н. Э. Баумана
(Россия, г. Москва)
Кураков В.И.
студент, кафедры информационная безопасность
Московский государственный технический университет им. Н. Э. Баумана
(Россия, г. Москва)
Баева У.М.
студентка, кафедры информационная безопасность
Московский государственный технический университет им. Н. Э. Баумана
(Россия, г. Москва)
ПРИМЕНЕНИЕ МЕХАНИЗМОВ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА ДЛЯ ПРОТИВОДЕЙСТВИЯ КИБЕРАТАКАМ
В КРЕДИТНО-ФИНАНСОВЫХ ОРГАНИЗАЦИЯХ
Аннотация: в настоящей статье будет рассмотрена нейронная сеть, которая направлена на противодействие мошенническим транзакциям и хищению денежных средств с банковских счетов клиентов различных кредитно-финансовых организаций.
Ключевые слова: кибербезопасность, информационная безопасность, искусственный интеллект, нейронные сети, мошенничество.
Информационные системы (далее ИС) кредитно-финансовых организаций (далее – КФО), представляют собой большие сущности, работу которых не представляется возможным отслеживать вручную в режиме реального времени. Для решения данной проблемы службы кибербезопасности различных КФО взяли на вооружение передовые достижения информационных технологий и, в частности, искусственный интеллект. Тем самым на защиту ИС встали нейронные сети, которые работают по определённым сценариям, в частности, эти сценарии зависят от назначения и области применения в защите ИС.
Рассмотрим нейросеть, которая имеет архитектуру Feed – Forward (далее FF). Данная нейронная сеть (далее – НС) является многослойной и сигнал в ней распространяется в одном направлении, а именно от входов к выходам. Нейронная сеть данного типа обладает большой ёмкостью по сравнению с нейронными сетями, имеющими архитектуру feed - back. Так, например, количество данных, которое может быть сохранено без ошибок в CAM (Hophield Content Addressable Memory) вычисляется по формуле:
где N - количество нейронов.
Это значит, что для хранения 1000 записей потребуется 20 000 нейронов и 200 000 000 уникальных связей. Для сравнения NetTalk, приложение, использующее feed-forward модель, используя 300 нейронов и 20 000 уникальных соединений, может выучить правильное написание 1000 слов и около 7000 ассоциаций буква-звук.
Кроме того, feed-forward сети работают быстрее, чем feed - back, т.к. для того, чтобы найти решение им нужно сделать только один проход. Feed - back сети должны повторять цикл снова и снова, до тех пор, пока выходы не перестанут изменяться. Обычно для этого требуется от 3 до 1000 циклов.
Так же нейронные сети архитектуры feed-forward имеют структуру контролируемого обучения, так называемое с «учителем». На рисунке 1, представлена схема стандартной нейросеть, а именно вход, скрытый слой, выход. [1], [2], [3]
Обучение нейронной сети проходит в два этапа: на первом этапе на сеть подаётся входной сигнал, после чего активируется входной слой и сигнал передаётся на скрытый слой нейросети, где каждый сигнал суммируется и передаётся на выход к следующему слою. На втором этапе выходной сигнал сравнивается с требуемым. Для обучения применяется рекуррентный метод наименьших квадратов.
Теперь рассмотрим алгоритм работы данной НС. Для того, чтобы наша НС начала функционировать её нужно обучить. Обучаем её следующим образом. Мы собираем базы данных, которые содержат информацию о клиенте КФО, это ФИО, реквизиты счетов и карт, усреднённые показатели по количеству и размеру транзакций, часто посещаемые места совершения транзакций.
Сбор данных завершён, на основе полученной информации производим обучение нашей НС. После обучения, наша НС производит постоянный мониторинг активности клиента банка. На основе модели использования платёжной инфраструктуры, нейронная сеть контролирует сценарий прогнозирования полученных шаблонных данных, для классификации конкретной транзакции.
В связи с тем, что мы постоянно обучаем НС, она уже имеет более ясное представление о клиенте и при возникновении нетипичных или аномальных действий в части транзакций или иных активностей, связанных со счетами или картами клиента, наша НС блокирует данную подозрительную активность и, следовательно, счета и карты клиента заводя инцидент, который тут же в режиме реального времени отображается у дежурного аналитика департамента кибербезопасности. После чего с клиентом связываются сотрудники банка для выяснения обстоятельств, он ли был инициатором данной деятельности, если нет, то становится очевидным, что это была попытка противоправного действия и наша НС в данном случае сработала достаточно эффективно, предотвратив хищение денежных средств.
Те же самые механизмы применяются в мониторинге и защите баз данных содержащих разного рода информацию, привлекающую криминальные элементы.
На рисунке 2 представлена схема НС, содержащая входные и выходные параметры.
Так же рассмотрим перспективное направление развития НС. Это применение в них генетических алгоритмов.
Генетический алгоритм – это процедура поиска, основана на механизмах естественного отбора и наследования. В них используется эволюционный принцип выживания наиболее приспособленных особей. Они отличаются от традиционных методов оптимизации несколькими базовыми элементами. В частности, генетические алгоритмы: обрабатывают не значения параметров самой задачи, а их закодированную форму; осуществляют поиск решения исходя не из единственной точки, а из их некоторой популяции; используют только целевую функцию, а не её производные либо иную дополнительную информацию; применяют вероятностные, а не детерминированные правила выбора.
Перечисленные четыре свойства, которые можно сформулировать также как кодирование параметров, операции на популяциях, использование минимума информации о задаче и рандомизация операций приводят в результате к устойчивости генетических алгоритмов и к их превосходству над другими широко применяемыми технологиями. На рисунке 3 приведена блок – схема генетического алгоритма. [4]
Объединение нейронных сетей и генетических алгоритмов могут быть либо равноправными, либо вспомогательными. Задача генетического алгоритма заключается в оптимизации весов нейронной сети, имеющею априорно заданную топологию веса кодируются в виде двоичных последовательностей. Каждая особь популяции характеризуется полным множеством весов нейронной сети. Оценка приспособленности особей определяется функцией приспособленности, задаваемой в виде суммы квадратов погрешностей, т.е. разностей между (эталонным) и фактическими получаемыми значениями на выходе сети для различных входных данных.
СПИСОК ЛИТЕРАТУРЫ:
М.А.Басараб, Н.С.Коннова. Интеллектуальные технологии на основе искусственных нейронных сетей. //МГТУ им. Н.Э. Баумана, 2017. – 56с.
К.А.Кузьмин. Нейронные сети, как иснтрумент выявления мошенничества с кредитными картами. // Вестник университета российской академии образования №5, 2007. -136 - 140с.
David J. Montana, “Neural Network Weight Selection Using Genetic Algorithms”. Bolt Beranek and Newman Inc. July 2010.
М.В. Головицына. Информационные технологии в экономике. // Национальный открытии университет, 2012. - Лекция 11.
Khudadyan A. S.
Student, Department of Information Security
Bauman Moscow State Technical University
(Moscow, Russia)
Kurakov V. I.
Student, Department of Information Security
Bauman Moscow State Technical University
(Moscow, Russia)
Baeva U. M.
Student, Department of Information Security
Bauman Moscow State Technical University
(Moscow, Russia)
THE USE OF ARTIFICIAL INTELLIGENCE
MECHANISMS TO COUNTER CYBER ATTACKS
IN CREDIT AND FINANCIAL ORGANIZATIONS
Abstract: this article, a neural network will be considered, which is aimed at countering fraudulent transactions and embezzlement of funds from bank accounts of clients of various credit and financial organizations.
Keywords: cybersecurity, information security, artificial intelligence, neural networks, fraud.
Номер журнала Вестник науки №5 (50) том 2
Ссылка для цитирования:
Худадян А.С., Кураков В.И., Баева У.М. ПРИМЕНЕНИЕ МЕХАНИЗМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОТИВОДЕЙСТВИЯ КИБЕРАТАКАМ В КРЕДИТНО-ФИНАНСОВЫХ ОРГАНИЗАЦИЯХ // Вестник науки №5 (50) том 2. С. 118 - 124. 2022 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/5596 (дата обращения: 20.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2022. 16+