Citation Number
2
Views
21
Downloands
3
Günümüzde, şirketler gelecekte yapmayı planladıkları işleri içeren çok sayıdaki önemli verilerini elektronik ortamlarda saklamaktadırlar. Saldırı durumunda ise hem şirkete hem de bireylere zarar verebilecek finansal bilgiler hedef alınmaktadır. Bu saldırı türlerinden biri de banka ödemelerinde meydana gelen dolandırıcılık saldırılarıdır. Grafik veri bilimi kullanılması, mevcut analitik ve makine öğrenimi ardışık düzenlerini güçlendirerek, var olan dolandırıcılık tespit yöntemlerinin doğruluğunu ve uygulanabilirliğini arttırmaktadır. Bu çalışmada İspanya’daki bir banka ödeme bilgi simülasyonundan oluşturulan BankSim veri kümesi kullanılmıştır. BankSim üzerinde bulunan normal ödemeler ve sahte veriler sınıflandırılarak dolandırıcılık tespiti gerçekleştirilmesi amaçlanmıştır. Sınıflandırma için Python dilinde RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB), K-Nearest Neighbors (k-NN) sınıflandırma algoritmaları kullanılmıştır. Performans değerlendirmeleri için K-katlamalı çapraz doğrulama kullanılmıştır. Çizge madenciliği için Neo4j veritabanı kullanılmış ve Neo4j sorgu dili olarak CypherQL kullanılmıştır. Bu dolandırıcılık tespitinin uygulanması ile daha az hileli işlem ve daha güvenilir bir gelir akışı elde edilmiştir. Çizge madenciliği aşamasında PageRank, Community, degree gibi çizge algoritmaları ile birlikte standart makine öğrenimi yöntemi ile elde edilen sonuçlar optimize edilmiştir. Bu açıdan çizge madenciliği ve makine öğrenimi algoritmalarının birlikte kullanılmasının diğer yöntemlere kıyasla doğruluk oranlarının daha yüksek olduğu ve daha hızlı sürede hesap yapan bir yöntem olduğu ispatlanmıştır.
Today, companies are storing a large number of important data in electronic media, including what they are planning to do in the future. In the event of an attack, financial information is targeted that can harm both the company and individuals. One of these types of attacks is fraud attacks that occur in bank payments. The use of graphic data science strengthens the sequence of existing analytical and machine learning, increasing the accuracy and applicability of existing fraud detection methods. This study used a BankSim data set created from a bank payment information simulation in Spain. It is intended to detect fraud by classifying normal payments and false data on BankSim. The Python language uses RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB) and K-Nearest Neighbors (k-NN) classification algorithms. Cross-cross verification is used for performance assessments. The Neo4j database was used for line mining and CypherQL was used as the Neo4j query language. With the implementation of this fraud detection, fewer fraud processes and a more reliable income flow have been achieved. In the line mining phase, the results obtained by the standard machine learning method, along with line algorithms such as PageRank, Community, degree, were optimized. In this regard, the use of line mining and machine learning algorithms in conjunction has been proven to have higher accuracy rates compared to other methods and a method that calculates faster.
Field : Mühendislik
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
