QuickFund-X: Privacy-Preserving Cross-Platform Fraud Detection Using Heterogeneous Graph Neural Networks
QuickFund-X ist ein datenschutzwahrendes System, das plattformübergreifenden Kredit-Syndikatsbetrug durch die Verknüpfung isolierter Mikrokreditplattformen mittels sicherer Tokenisierung und den Einsatz eines hybriden Modells aus GraphSAGE und regelbasierten Verfahren erkennt, um eine perfekte Trefferquote ohne Fehlalarme zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der schnelllebigen Welt der digitalen Finanzen ist neben dem Komfort von Sofortkrediten eine neue Art von Gefahr entstanden. Stellen Sie sich eine kriminelle Gruppe vor, die kein Geld aus einem Tresor stiehlt, sondern stattdessen mehrere Kreditgeber über List austrickst, um sich gleichzeitig Kleinkredite zu erschleichen. Sie beantragen Gelder auf mehreren verschiedenen Apps innerhalb weniger Minuten und nutzen für jede Anfrage dieselbe Telefonnummer oder Adresse. Da jeder Kreditgeber isoliert agiert und von den anderen nichts weiß, sieht er nur einen einzigen, sauberen Antrag und genehmigt das Geld. Bis die Wahrheit ans Licht kommt, ist die Gruppe bereits mit dem Bargeld verschwunden. Dies ist als „Credit Stacking Attack“ bekannt und gedeiht aufgrund einer strikten Barriere: Datenschutzgesetzen, die verhindern, dass Kreditgeber Kundendaten untereinander austauschen. Um dies zu lösen, haben Forscher ein System entwickelt, das es Kreditgebern ermöglicht, solche koordinierten Ringe zu erkennen, ohne jemals die privaten Kundenlisten der jeweils anderen zu sehen. Die Lösung beruht auf einer geschickten Kombination aus Kryptographie, welche Daten verschlüsselt, sodass sie nicht gelesen werden können, und Graph Neural Networks, einer Art künstlicher Intelligenz, die lernt, indem sie untersucht, wie Dinge miteinander verbunden sind, anstatt sie nur isoliert zu betrachten.
Ein Team von Forschern des BMS College of Engineering hat einen funktionierenden Prototyp namens QuickFund-X entwickelt, um genau dieses Problem anzugehen. Ihr Ziel war es, ein System zu schaffen, in dem konkurrierende Kreditplattformen zusammenarbeiten können, um Betrug zu stoppen, ohne gegen Datenschutzbestimmungen wie den indischen Digital Personal Data Protection Act oder die Datenschutz-Grundverordnung der Europäischen Union (DSGVO) zu verstoßen. In einem Standard-Setup werden persönliche Details wie Name oder Telefonnummer eines Kreditnehmers streng innerhalb der Datenbank des jeweiligen Unternehmens aufbewahrt. QuickFund-X ändert diese Dynamik durch die Schaffung einer sicheren Brücke. Bevor ein Antrag das Computersystem eines Kreditgebers verlässt, nimmt das System die sensiblen Details und wandelt sie in einen einzigartigen, unknackbaren Code um. Dieser Prozess nutzt eine spezifische kryptographische Methode, die sicherstellt, dass der Code jedes Mal identisch ist, wenn dieselbe Telefonnummer oder E-Mail-Adresse verwendet wird, es aber unmöglich ist, den Code zurück in die ursprüngliche Nummer zu dekonstruieren. Das bedeutet, dass das zentrale System erkennen kann, dass zwei verschiedene Anträge von derselben Person stammen, ohne jemals zu wissen, wer diese Person ist.
Das Herzstück des Systems ist ein zentraler Koordinator, der wie eine lebendige Karte aller Verbindungen zwischen diesen kodierten Anträgen fungiert. Anstatt lediglich eine statische Liste darüber zu führen, wer wann beantragt hat, baut das System ein dynamisches Geflecht, oder einen Graphen, der in Echtzeit wächst, während neue Kreditanfragen eingehen. Diese Karte umfasst verschiedene Arten von Knoten, wie etwa Anträge, Plattformen und die kodierten Token für Telefonnummern oder E-Mails, die durch die Beziehungen zwischen ihnen miteinander verknüpft sind. Wenn eine neue Kreditantrag eintrifft, prüft das System diesen nicht einfach nur gegen eine Liste von Regeln; es nutzt ein spezialisiertes Modell der künstlichen Intelligenz, um das unmittelbare Umfeld dieses Antrags auf der Karte zu untersuchen. Das Modell ist darauf ausgelegt, vier Schritte tief in die Verbindungen hineinzuschauen, wodurch es erkennen kann, ob ein neuer Antrag plötzlich mit einer Gruppe anderer, kürzlich eingegangener Anträge verknüpft ist, die dieselben kodierten Token teilen. Diese Tiefe ist entscheidend, da sie dem typischen Pfad entspricht, den ein Betrugsring nimmt, wenn er mehrere Kredite über verschiedene Apps hinweg beantragt.
Um das System sowohl intelligent als auch zuverlässig zu machen, kombinierten die Forscher die Erkenntnisse der künstlichen Intelligenz mit einem Satz klarer, logischer Regeln. Die endgültige Entscheidung darüber, ob ein Antrag betrügerisch ist, ist eine Mischung aus dem Wahrscheinlichkeitswert der KI und einer regelbasierten Prüfung, die nach offensichtlichen Warnsignalen sucht, wie etwa zu vielen Anträgen von demselben Token in kurzer Zeit. In ihren Tests simulierten die Forscher ein Szenario mit vier verschiedenen Kreditplattformen, von denen jede ihre eigene unabhängige Datenbank betrieb. Sie führten einen koordinierten Betrugsring ein, bei dem eine Gruppe Anträge über alle vier Plattformen in schneller Folge einreichte. Das System identifizierte jeden einzelnen dieser Betrugsversuche erfolgreich und erreichte eine perfekte Erkennungsrate bei null Fehlalarmen. Im Gegensatz dazu übersehen Systeme, die sich nur auf Regeln oder nur auf die künstliche Intelligenz verlassen, eine signifikante Anzahl von Angriffen oder markieren unschuldige Kreditnehmer als verdächtig.
Die Ergebnisse zeigten, dass das System die für das reale Kreditgeschäft erforderliche Geschwindigkeit bewältigen kann. Selbst bei der Simulation von hunderten gleichzeitiger Anfragen verarbeitete das System die Anträge zügig, wobei die meisten Entscheidungen in unter einer Sekunde getroffen wurden. Entscheidend war, dass das System die Privatsphäre der Kreditgeber respektierte. Wenn ein Betrugsring entdeckt wurde, wurde der Alarm nur an die spezifischen Plattformen gesendet, die an diesem Ring beteiligt waren. Andere Plattformen, die keine Verbindung zum Betrug hatten, erhielten keinerlei Benachrichtigung, wodurch sichergestellt wurde, dass keine sensiblen Informationen über die Aktivitäten von Kunden an Wettbewerber durchsickerten. Die Forscher demonstrierten, dass dieser Ansatz es Kreditgebern ermöglicht, sich vor organisierter Kriminalität zu schützen, ohne ihre privaten Daten zusammenführen oder gegen Gesetze verstoßen zu müssen. Obwohl die aktuelle Version in einer kontrollierten Umgebung getestet wurde, legen die Ergebnisse nahe, dass diese Architektur einen praktikablen Weg für die Finanzindustrie bietet, der die Sicherheit mit den strengen Anforderungen moderner Datenschutzgesetze in Einklang bringt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.