Устойчивость ИИ против мошенничества в банковских транзакциях: новый подход от МГУ

Исследователи факультета ВМК МГУ имени М.В. Ломоносова представили новые подходы для повышения надежности систем машинного обучения, направленных на борьбу с банковским мошенничеством. Их работа сосредоточена на улучшении устойчивости моделей к так называемым «состязательным атакам», когда злоумышленники изменяют параметры транзакций для обмана автоматических систем детекции.

По данным Центробанка, в 2023 году объем операций без согласия клиентов увеличился на 11,5%, превысив 136 триллионов рублей. В таких условиях традиционные методы выявления мошенничества сталкиваются с серьезными вызовами. Мошеннические схемы становятся всё более сложными, а скорость их проявления возрастает.

«Машинное обучение — это мощный инструмент в борьбе с мошенничеством, однако многие модели становятся уязвимыми при целенаправленном искажении входных данных. Мы сосредоточили усилия на повышении устойчивости этих моделей противодействию со стороны преступников», — отмечает Евгений Ильюшин, ассистент кафедры информационной безопасности ВМК МГУ.

В ходе исследования ученые протестировали несколько популярных алгоритмов машинного обучения, таких как логистическая регрессия и градиентный бустинг, на открытых наборов данных с реальными транзакциями. Первоначальные результаты показали высокую точность (до 0.99 ROC-AUC), но при проведении атак, таких как HopSkipJump, ZOO и Boundary, эффективность моделей значительно снижалась до 0.67 ROC-AUC.

Чтобы решить эту проблему, исследователи применили методы повышения робастности — устойчивости к внешним вмешательствам. Были испытаны фильтр Калмана, экспоненциальное сглаживание, метод главных компонент (PCA) и состязательное обучение. Результаты показали значительное улучшение надежности: метрики качества при атаках поднялись до 0.86 ROC-AUC и 0.81 Average Precision.

«Наши результаты подчеркивают, что повышение робастности является ключом к надежной защите в финансовой безопасности. Модели должны не просто распознавать мошенничество сегодня, но и оставаться эффективными в будущем, когда появятся новые методы обхода систем», — добавляет Вероника Ломоносова, соавтор исследования.

Исследование было представлено на научной конференции «Ломоносов–2025», вызвав интерес специалистов в области кибербезопасности, финансовых технологий и анализа больших данных. Разработка может стать основой для создания более защищенных антифрод-систем в банках и платежных сервисах.

Что читать дальше

Подборка материалов по этой теме.

Сейчас читают

Материалы, которые чаще открывают сегодня.

Загрузка…

Ещё по теме

Продолжить чтение

Материалы, которые помогут не выпадать из темы.