QuickFund-X: Privacy-Preserving Cross-Platform Fraud Detection Using Heterogeneous Graph Neural Networks
QuickFund-X एक गोपनीयता-संरक्षण प्रणाली है जो सुरक्षित टोकनाइज़ेशन के माध्यम से अलग-थलग माइक्रो-लेंडिंग प्लेटफॉर्म को जोड़कर और बिना किसी गलत अलार्म के पूर्ण रिकॉल प्राप्त करने के लिए एक हाइब्रिड GraphSAGE और नियम-आधारित मॉडल का उपयोग करके क्रॉस-प्लेटफॉर्म ऋण सिंडिकेट धोखाधड़ी का पता लगाती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल वित्त की इस तेज़ भागती दुनिया में, तत्काल ऋण (इंस्टेंट लोन) की सुविधा के साथ ही एक नए प्रकार का खतरा भी उभर कर आया है। कल्पना कीजिए कि एक अपराधी समूह तिजोरी से पैसे नहीं चुराता, बल्कि कई ऋणदाताओं को एक साथ छोटे ऋण देने के लिए झांसा देकर उन्हें ठग लेता है। वे कुछ ही मिनटों के भीतर कई अलग-अलग ऐप्स पर फंड के लिए आवेदन करते हैं, और प्रत्येक अनुरोध के लिए एक ही फोन नंबर या पते का उपयोग करते हैं। क्योंकि प्रत्येक ऋणदाता अलग-थलग काम करता है और दूसरे से अनभिज्ञ रहता है, वे केवल एक एकल, स्वच्छ आवेदन देखते हैं और धन स्वीकृत कर देते हैं। जब तक सच्चाई सामने आती है, तब तक वह समूह नकदी लेकर गायब हो चुका होता है। इसे 'क्रेडिट स्टैकिंग अटैक' कहा जाता है, और यह एक सख्त बाधा पर पनपता है: गोपनीयता कानून जो ऋणदाताओं को ग्राहक डेटा साझा करने से रोकते हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली विकसित की है जो ऋणदाताओं को एक-दूसरे की निजी ग्राहक सूचियों को देखे बिना इन समन्वित समूहों (कोऑर्डिनेटेड रिंग्स) को पहचानने की अनुमति देती है। यह समाधान क्रिप्टोग्राफी (जो डेटा को इस तरह से बदल देती है कि उसे पढ़ा न जा सके) और ग्राफ न्यूरल नेटवर्क (एक प्रकार का आर्टिफिशियल इंटेलिजेंस जो केवल चीजों को अलग-थलग देखने के बजाय उनके बीच के संबंधों का अध्ययन करके सीखता है) के एक चतुर मिश्रण पर निर्भर करता है।
बीएमएस कॉलेज ऑफ इंजीनियरिंग के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या से निपटने के लिए 'क्विकफंड-एक्स' (QuickFund-X) नामक एक कार्यशील प्रोटोटाइप बनाया है। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जहाँ प्रतिस्पर्धी ऋण मंच (लेंडिंग प्लेटफॉर्म) भारत के डिजिटल व्यक्तिगत डेटा संरक्षण अधिनियम या यूरोपीय संघ के जीडीपीआर (GDPR) जैसे गोपनीयता नियमों का उल्लंघन किए बिना धोखाधड़ी को रोकने के लिए मिलकर काम कर सकें। एक मानक सेटअप में, यदि कोई उधारकर्ता ऋण के लिए आवेदन करता है, तो उसका व्यक्तिगत विवरण जैसे उसका नाम या फोन नंबर उस कंपनी के डेटाबेस के भीतर सख्ती से रखा जाता है। क्विकफंड-एक्स इस गतिशीलता को बदलकर एक सुरक्षित सेतु बनाता है। किसी भी आवेदन के ऋणदाता के कंप्यूटर से बाहर जाने से पहले, सिस्टम संवेदनशील विवरणों को एक अद्वितीय, अटूट कोड में बदल देता है। यह प्रक्रिया एक विशिष्ट क्रिप्टोग्राफिक पद्धति का उपयोग करती है जो यह सुनिश्चित करती है कि जब भी एक ही फोन नंबर या ईमेल का उपयोग किया जाए तो कोड हर बार समान रहे, लेकिन कोड को मूल नंबर में वापस बदलना (रिवर्स-इंजीनियर) असंभव हो। इसका अर्थ है कि केंद्रीय प्रणाली यह पहचान सकती है कि दो अलग-अलग आवेदन एक ही व्यक्ति से आए हैं, बिना यह जाने कि वह व्यक्ति वास्तव में कौन है।
इस प्रणाली का हृदय एक केंद्रीय समन्वयक (सेंट्रल कोऑर्डिनेटर) है जो इन कूटबद्ध (कोडेड) आवेदनों के बीच के सभी संबंधों के एक जीवित मानचित्र की तरह कार्य करता है। एक स्थिर सूची के रूप में कि किसने कब आवेदन किया, इसे संग्रहीत करने के बजाय, सिस्टम एक गतिशील वेब, या ग्राफ बनाता है, जो नए ऋण अनुरोधों के साथ वास्तविक समय में बढ़ता है। इस मानचित्र में विभिन्न प्रकार के नोड्स शामिल हैं, जैसे कि आवेदन, प्लेटफॉर्म, और फोन या ईमेल के कूटबद्ध टोकन, जो उनके बीच के संबंधों द्वारा जुड़े हुए हैं। जब एक नया ऋण आवेदन आता है, तो सिस्टम केवल नियमों की एक सूची की जांच नहीं करता है; बल्कि यह मानचित्र पर उस आवेदन के तत्काल परिवेश (नेबरहुड) को देखने के लिए एक विशेष आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग करता है। मॉडल को मानचित्र पर अपने कनेक्शनों में चार कदम गहराई तक देखने के लिए डिज़ाइन किया गया है, जिससे यह देखने में मदद मिलती है कि क्या एक नया आवेदन अचानक उन हालिया आवेदनों के समूह से जुड़ा है जो समान कूटबद्ध टोकन साझा करते हैं। यह गहराई महत्वपूर्ण है क्योंकि यह उस पथ से मेल खाती है जो एक अपराधी समूह ऋण के लिए कई ऐप्स पर आवेदन करते समय अपनाता है।
प्रणाली को स्मार्ट और विश्वसनीय बनाने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस के निष्कर्षों को स्पष्ट, तार्किक नियमों के सेट के साथ जोड़ा। धोखाधड़ी के निर्णय पर अंतिम फैसला आर्टिफिशियल इंटेलिजेंस के प्रोबेबिलिटी स्कोर और एक नियम-आधारित जांच का मिश्रण है, जो परेशानी के स्पष्ट संकेतों की तलाश करता है, जैसे कि कम समय में एक ही टोकन से बहुत अधिक आवेदन। अपने परीक्षणों में, शोधकर्ताओं ने चार अलग-अलग ऋण प्लेटफार्मों के साथ एक परिदृश्य का अनुकरण किया, जिनमें से प्रत्येक का अपना स्वतंत्र डेटाबेस था। उन्होंने एक समन्वित धोखाधड़ी रिंग पेश की जहाँ एक समूह ने तेजी से सभी चार प्लेटफार्मों पर आवेदन प्रस्तुत किए। सिस्टम ने इन सभी धोखाधड़ी के प्रयासों की सफलतापूर्वक पहचान की, जिससे शून्य गलत अलार्म के साथ एक पूर्ण पहचान दर प्राप्त हुई। इसके विपरीत, वे सिस्टम जो केवल नियमों या केवल आर्टिफिशियल इंटेलिजेंस पर निर्भर थे, उन्होंने या तो कई हमलों को मिस कर दिया या निर्दोष उधारकर्ताओं को संदिग्ध के रूप में चिह्नित कर दिया।
परिणामों ने दिखाया कि सिस्टम ऋण देने के लिए आवश्यक गति को संभाल सकता है। सैकड़ों समवर्ती अनुरोधों (कन्करेंट रिक्वेस्ट) का अनुकरण करने के बावजूद, सिस्टम ने आवेदनों को तेजी से संसाधित किया, जिसमें अधिकांश निर्णय एक सेकंड के भीतर लिए गए। महत्वपूर्ण रूप से, सिस्टम ने ऋणदाताओं की गोपनीयता का सम्मान किया। जब एक धोखाधड़ी रिंग का पता चला, तो अलर्ट केवल उस रिंग में शामिल विशिष्ट प्लेटफार्मों को भेजा गया। अन्य प्लेटफॉर्म जिनका धोखाधड़ी से कोई संबंध नहीं था, उन्हें कोई सूचना नहीं मिली, जिससे यह सुनिश्चित हुआ कि ग्राहकों की गतिविधि के बारे में कोई भी संवेदनशील जानकारी प्रतिस्पर्धियों को लीक न हो। शोधकर्ताओं ने प्रदर्शित किया है कि यह दृष्टिकोण ऋणदाताओं को अपने निजी डेटा को साझा किए बिना या कानून तोड़े बिना संगठित अपराध से खुद को बचाने की अनुमति देता है। हालांकि वर्तमान संस्करण का परीक्षण एक नियंत्रित वातावरण में किया गया था, लेकिन निष्कर्ष बताते हैं कि यह आर्किटेक्चर वित्तीय उद्योग के लिए एक व्यवहार्य मार्ग प्रदान करता है, जो सुरक्षा की आवश्यकता और आधुनिक गोपनीयता कानूनों की सख्त मांगों के बीच संतुलन बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।