توضیحات
عنوان فارسی: داده کاوی برای جلوگیری از سرقت های بانکی
- چکیده
- مقدمه
- مقدمه و پیشینه تحقیق
- اهمیت و ضرورت تحقیق
- ساختار پایان نام
- فصل دوم: داده کاوی
- مقدمه
- تعریف داده کاوی
- ساختار یک سیستم داده کاوی
- انواع داده کاوی
- وظایف داده کاوی
- محدودیت ها و مشکلات داده کاوی
- فصل سوم: داده کاوی در تقلب های بانکی
- مقدمه
- انواع تقلب
- تقلب های کارت اعتباری
- پولشویی
- انواع حملات
- حمله Cross-site Scripting
- حمله Remote File Inclusion
- حمله LFI
- حمله SQL Injection
- حمله Cross-site Reguest Forgeries
- روش های شناسایی تقلب های بانکی
- روش های شناسایی تقلب های بانکی مبتنی بر داده کاوی
- مدل رگرسیون
- شبکه عصبی مصنوعی
- شبکه استنباط بیزین
- درختان تصمیم
- فصل چهارم: نتیجه گیری
- نتیجه گیری
- منابع
بیان مسئله
در سالهای اخیر، انواع گوناگون تقلبهای مالی مانند تقلبهای کارت اعتباری و پولشویی، نگرانیهای بسیاری را سبب شده است. البته حوزه کشف تقلب مالی نیز تحولهای چشمگیری را شاهد بوده است. البته حوزه کشف تقلب مالی نیز تحولهای چشمگیری را شاهد بوده است. بهطور مشخص، دادهکاوی نظرها را به شکل گستردهای به خود جلب کرده و محبوبیت فزایندهای در جهان مالی بهدست آورده است. کاربردهای موفقیتآمیزی از دادهکاوی گزارش شده است و تحقیقات نشان دادهاند که دادهکاوی در میزان کاربرد و اثربخشی گسترش یافته است. در این روش مجموعه بزرگی از تراکنشها به مجموعه های کوچکتری تقسیم می شوند و سپس از داده کاوی توزیع شده برای ساخت الگوهای رفتاری مشتریان استفاده می شود. مدلهای حاصله سپس برای ایجاد یک ابر دسته بندی کننده جهت بهبود صحت کشف، ترکیب می شوند. میتوان جهت بالا بردن پوشش کشف تقلبها، دادهکاوی را با شبکه های عصبی ادغام کرد. از داده کاوی برای بررسی سرویسهای بانکی مربوط به انتقاالت بین بانکی استفاده می شود. بانکها هم چنین سیستم های کشف تقلب خود را با استفاده از الگوهای تقلب جدید و به منظور پیشگیری از حملات، ارتقا میدهند. اگرچه تکنیکهای داده کاوی به نسبت صحیح هستند اما به طور ذاتی کند هستند.
اهمیت و ضرورت تحقیق
پیشگیری از جرم همواره یكی از موضوعات اساسی و مهم در زندگی بشری بوده كه در طول تاریخ به شیوه های مختلف اعمال گردیده است. در بانکها و موسسات مالی علاوه بر اینکه تقلب های مدیریتی میتواند مشکل ساز شوند، تقلب های مالی نیز می تواندد خطرآفرین باشند، زیرا تقلبهایی مانند پولشویی میتواند عالوه بر ضرر رساندن به اقتصاد یک کشور، تهدیدی برای امنیت آن کشور نیز محسوب شود. با توجه به مطالب گفته شده، لزوم استقرار ماژولهای مناسب جهت شناسایی و پیشبینی تقلب در نرم اتزارهای بانکی و به خصوص بانکداری متمرکز به شدت احساس میشود. همچنین با توجه به اهمیت بانکها و موسسات مالی لازم است که به صورت دوره ای فرایندی را برای ممیزی و حسابرسی ریسک های مرتبط با تقلب انجام دهند تا بتوانند تبعات آن را در سازمان خود کاهش دهند. کاربرد روش های دادهکاوی بر رویِ نسبتهای مالی استخراجشده از صورتهای مالی بانکها و نیز دیگر اطلاعات در دسترس، میتواند به حسابرسان در کشف تقلب کمک کند؛ بهطوری که آنان میتوانند از نتایج این تحلیلها بهعنوان یک علامت اولیه هشداردهنده نسبت به وقوع احتمالی تقلب صورتهای مالی استفاده کنند. کشف نشانگرهای تقلب در صورتهای مالی، اثری بااهمیت بر تعیین تقلب صورتهای مالی دارد. از این رو با توجه به اهمیت موضوع امنیت در بانکداری در این تحقیق به بررسی مساله کشف تقلب در بانکداری با استفاده از داده کاوی خواهیم پرداخت.
ساختار تحقیق
در فصل دوم مفهوم داده کاوی و انواع آن بیان می شود. در فصل سوم به بررسی انواع تقلب های بانکی و کاربرد داده کاوی در کشف و پیشگیری از تقلب های بانکی پرداخت می شود. نهایتا، در فصل چهارم نتیجه گیری بیان می شود.
فصل دوم
داده کاوی
مقدمه
در دو دهه قبل تواناییهای فنی بشر در برای تولید و جمع آوری دادهها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری، به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند.
بهطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات میکند. این رشد انفجاری در دادههای ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند: داده کاوی به عنوان یک راه حل برای این مسائل مطرح است. اصلی ترین دلیلی که باعث شد داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از دادهها و نیاز شدید به اینکه از این دادهها اطلاعات و دانش سودمند استخراج کنیم.
اطلاعات و دانش بهدست آمده در کاربردهای وسیعی از مدیریت کسب و کار و کنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار میگیرد. امروزه فناوری دادهکاوی به صورت موضوعی داغ برای تصمیمگیران در آمده است ، زیرا این فن ، اطلاعات نهفته ی با ارزش تجاری و علمی را از دادههای حجیم ذخیره شده استخراج میکند. با این وجود ، ماهیت دادهکاوی فناوری جدیدی محسوب نمیشود. استخراج اطلاعات و دانش از دادههای ذخیره شده یک مفهوم کاملا دیرینه در مطالعات علمی و پزشکی میباشد. آنچه که جدید است همگرایی و اشتراک چندین رشته و فناوریهای متناظر آنها است که فرصت منحصر به فردی برای دادهکاوی به دنیای علم ، تجارت و اقتصاد ایجاد کرده است. اما دادهکاوی یا کشف دانش و معرفت از پایگاه دادهها[1] با این تعریف یک شاخهی نسبتا جدید علمی است که از انجام تحقیقات در رشته های آمار ، یادگیری ماشین[2] ، علوم رایانه (به ویژه پایگاه دادهها) شکل گرفته است. در حالی که مرزهای این رشتهها در دادهکاوی مبهم است، ولی میتوان گفت که مهمترین این رشته ها آمار میباشد به طوری که بدون آمار دادهکاوی مفهومی نخواهد داشت.
با وجود اینکه دادهکاوی یک رشتهی نسبتا جدید علمی میباشد و کاربردهای متنوع و گسترده ای در رشته هایی مانند بازرگانی، پزشکی، مهندسی، علوم رایانه، صنعت، کنترل کیفیت، ارتباطات و کشاورزی پیدا کرده است. امروزه مرز و محدودیتی برای دانش دادهکاوی متصور نیست و مرز آن را از اعماق اقیانوس ها تا بیکران فضا میدانند. به عبارت دیگر کاربرد دانش دادهکاوی در تمامی حوزه های برخوردار از داده بوده و تنها محدودیت دانش دادهکاوی نبود داده است.
داده کاوی[3] را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد. نظیر عملیات: جمع آوری دادهها و ایجاد پایگاه داده، مدیریت داده و تحلیل و فهم دادهها.
تعریف داده کاوی
در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده[4] و دیگر مخازن بزرگ اطلاعات، ذخیره شده است.
تعاریف مختلف از داده کاوی:
داده کاوی استخراج اطلاعات مفهومی، ناشناخته و به صورت بالقوه مفید از پایگاه داده می باشد.
داده کاوی علم استخراج اطلاعات مفید از پایگاه های داده یا مجموعه داده ای می باشد.
داده کاوی استخراج نیمه اتوماتیک الگوها، تغییرات، وابستگی ها، نابهنجاری ها و دیگر ساختارهای معنی دار آماری از پایگاه های بزرگ داده می باشد.
داده کاوی عبارت است از فرایند استخراج اطلاعات معتبر، از پیش ناشناخته ، قابل فهم و قابل اعتماد از پایگاه داده های بزرگ و استفاده از آن در تصمیم گیری در فعالیت های تجاری مهم.
اصطلاح داده کاوی به فرایند نیم خودکار تجزیه و تحلیل پایگاه داده های بزرگ به منظور یافتن الگوهای مفید اطلاق می شود.
داده کاوی یعنی جستجو در یک پایگاه داده ها برای یافتن الگوهایی میان داده ها
داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش و غیره.
با توجه به این تعاریف دو تعبیر مختلف از دادهکاوی وجود دارد. برخی مولفین مانند چتفیلد (1995) ، دادهکاوی را مترادف عبارت کشف دانش و معرفت از پایگاه دادهها می دانند. بقیه از جمله فیاد (1996) به دادهکاوی به عنوان یک مرحله ضروری از فرایند بزرگتر کشف دانش و معرفت از پایگاه دادهها که به اختصار KDD میگویند ، اشاره دارند.
در دیدگاه اول دادهکاوی به عنوان مجموعه ای از فرایندها که از تعریف اهداف تا ارزیابی نتایج را در بر میگیرد ، معرفی میشود. مراحل مختلف دادهکاوی در این دیدگاه عبارتند از :
الف) تعریف اهداف تحلیل
ب) انتخاب و سازماندهی دادهها
پ) تحلیل کاوشگرانه ی دادهها
ت) مشخص کردن روش های آماری مورد استفاده در مرحله ی تحلیل
ج) تحلیل دادهها بر اساس روش انتخابی
چ) ارزیابی و مقایسه روش های مورد استفاده و انتخاب مدل نهایی برای تحلیل
ح) تفسیر مدل حاصل و استفاده از آن در فرایند تصمیمگیری
اما در دیدگاه دوم ، KDD شامل مراحل زیر است :
1) پاکسازی دادهها: حذف دادههای ناپایدار و مزاحم
2) یکپارچه سازی دادهها: ترکیب منابع متعدد، پراکنده و احیانا ناهمگن دادهها
3) انتخاب دادهها: بازیابی دادههای مربوط به عمل کاوش از پایگاه دادهها
4) تبدیل دادهها: تبدیل دادهها به اشکالی مناسب برای به کار بردن روش های مختلف
5) دادهکاوی: مرحله ای ضروری از فرایند KDD است که در آن از روش های مختلف آماری و یادگیری ماشین برای استخراج الگوها استفاده میشود ، که شامل مراحل زیر است :
الف) انتخاب عملیات دادهکاوی (رده بندی ، خوشهبندی ، پیش بینی ، تعیین وابستگی و …)
ب) انتخاب روش دادهکاوی (شبکه های عصبی ، درخت تصمیمگیری ، الگوریتم ژنتیک و …)
ج) دادهکاوی و جستجو برای یافتن الگوی مناسب
6) ارزیابی الگوها: شناسایی الگوهای جذاب ارائه دانش ، بر اساس معیارهای جذابیت.
7) ارائه دانش: ارائه دانش استخراج شده با استفاده از تکنیک های نمایش اطلاعات
ساختار یک سیستم دادهکاوی
شکل زیر ساختار یک سیستم دادهکاوی معمول را نشان میدهد که ورودی آن مخازن بزرگ دادهها و خروجی آن اطلاعات مورد نیاز کاربر است و پایان کار کشف دانش و معرفت از پایگاه دادهها تلقی میشود.
توجه:
- برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
- لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.
به منظور سفارش تحقیق مرتبط با رشته تخصصی خود بر روی کلید زیر کلیک نمایید.
سفارش تحقیق
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.