QuickFund-X: Privacy-Preserving Cross-Platform Fraud Detection Using Heterogeneous Graph Neural Networks
QuickFund-X is een privacy-bewarend systeem dat fraude met leningensyndicaten over verschillende platforms detecteert door geïsoleerde microkredietplatforms te koppelen via veilige tokenisatie en een hybride GraphSAGE- en regelgebaseerd model te gebruiken om een perfecte recall zonder valse alarmen te bereiken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de snel bewegende wereld van digitale financiën is er, naast het gemak van directe leningen, een nieuw soort gevaar ontstaan. Stel je een criminele groep voor die geen geld steelt uit een kluis, maar in plaats daarvan meerdere kredietverstrekkers misleidt om hen tegelijkertijd kleine leningen te verstrekken. Ze vragen binnen enkele minuten op verschillende apps om fondsen, waarbij ze voor elke aanvraag hetzelfde telefoonnummer of adres gebruiken. Omdat elke kredietverstrekker geïsoleerd opereert en zich niet bewust is van de anderen, zien ze slechts een enkele, schone aanvraag en keuren ze het geld goed. Tegen de tijd dat de waarheid aan het licht komt, is de groep met het contante geld verdwenen. Dit staat bekend als een credit stacking attack, en het gedijt op een strikte barrière: privacywetten die voorkomen dat kredietverstrekkers klantgegevens delen. Om dit op te lossen, hebben onderzoekers een systeem ontwikkeld waarmee kredietverstrekkers deze gecoördineerde groepen kunnen opsporen zonder ooit elkaars privéklantenlijsten te zien. De oplossing rust op een slimme combinatie van cryptografie, waarbij gegevens worden versleuteld zodat ze niet gelezen kunnen worden, en graph neural networks, een type kunstmatige intelligentie dat leert door te bestuderen hoe dingen met elkaar verbonden zijn in plaats van ze alleen in isolatie te bekijken.
Een team van onderzoekers van het BMS College of Engineering heeft een werkend prototype gebouwd genaamd QuickFund-X om dit specifieke probleem aan te pakken. Hun doel was om een systeem te creëren waarin concurrerende leenplatforms samen konden werken om fraude te stoppen zonder privacyregels zoals de Indiase Digital Personal Data Protection Act of de Algemene Verordening Gegevensbescherming (AVG) van de Europese Unie te schenden. In een standaardopstelling worden de persoonlijke gegevens van een lener, zoals hun naam of telefoonnummer, strikt binnen de database van dat specifieke bedrijf bewaard. QuickFund-X verandert deze dynamiek door een veilige brug te slaan. Voordat een aanvraag de computer van een kredietverstrekker verlaat, neemt het systeem de gevoelige details en zet deze om in een unieke, onbreekbare code. Dit proces maakt gebruik van een specifieke cryptografische methode die ervoor zorgt dat de code elke keer hetzelfde is wanneer hetzelfde telefoonnummer of e-mailadres wordt gebruikt, maar het is onmogelijk om de code terug te herleiden naar het oorspronkelijke nummer. Dit betekent dat het centrale systeem kan herkennen dat twee verschillende aanvragen van dezelfde persoon afkomstig zijn, zonder ooit te weten wie die persoon is.
Het hart van het systeem is een centrale coördinator die fungeert als een levende kaart van alle verbindingen tussen deze gecodeerde aanvragen. In plaats van een statische lijst op te slaan van wie wanneer heeft aangevraagd, bouwt het systeem een dynamisch web, of graaf, dat in realtime groeit naarmate er nieuwe leningen worden aangevraagd. Deze kaart bevat verschillende soorten knooppunten (nodes), zoals aanvragen, platforms en de gecodeerde tokens voor telefoons of e-mails, die verbonden zijn door de relaties tussen hen. Wanneer een nieuwe leningaanvraag binnenkomt, controleert het systeem deze niet alleen tegen een lijst met regels; het gebruikt een gespecialiseerd model voor kunstmatige intelligentie om naar de directe omgeving van die aanvraag op de kaart te kijken. Het model is ontworft om vier stappen diep in de verbindingen te kijken, waardoor het kan zien of een nieuwe aanvraag plotseling verbonden is met een cluster van andere recente aanvragen die dezelfde gecodeerde tokens delen. Deze diepte is cruciaal omdat het overeenkomt met het typische pad dat een fraudegroep neemt bij het aanvragen van meerdere leningen via verschillende apps.
Om het systeem zowel slim als betrouwbaar te maken, combineerden de onderzoekers de bevindingen van de kunstmatige intelligentie met een reeks duidelijke, logische regels. De uiteindelijke beslissing over of een aanvraag frauduleus is, is een mengeling van de waarschijnlijkheidsscore van de AI en een regelgebaseerde controle die zoekt naar duidelijke tekenen van problemen, zoals te veel aanvragen vanuit hetzelfde token in een korte tijd. In hun tests simuleerden de onderzoekers een scenario met vier verschillende leenplatforms, die elk hun eigen onafhankelijke database draaien. Ze introduceerden een gecoördineerde fraudegroep waarbij een groep aanvragen indiende bij alle vier de platforms in snelle opeenvolging. Het systeem identificeerde elke enkele een van deze frauduleuze pogingen succesvol, met een perfect detectiepercentage en nul valse meldingen. In contrast hiermee misten systemen die uitsluitend op de regels of uitsluitend op de kunstmatige intelligentie vertrouwden een aanzienlijk aantal aanvallen of markeerden onschuldige leners als verdacht.
De resultaten toonden aan dat het systeem de snelheid kan aan kunnen die vereist is voor het echte leven van lenen. Zelfs bij het simuleren van honderden gelijktijdige verzoeken, verwerkte het systeem aanvragen snel, waarbij de meeste beslissingen in minder dan een seconde werden genomen. Cruciaal was dat het systeem de privacy van de kredietverstrekkers respecteerde. Wanneer een fraudegroep werd gedetecteerd, werd de waarschuwing alleen naar de specifieke platforms gestuurd die betrokken waren bij die ring. Andere platforms die geen connectie hadden met de fraude, ontvingen helemaal geen melding, wat ervoor zorgt dat geen gevoelige informatie over klantactiviteiten naar concurrenten werd gelekt. De onderzoekers hebben aangetoond dat deze aanpak kredietverstrekkers in staat stelt zichzelf te beschermen tegen georganiseerde criminaliteit zonder hun privégegevens te hoeven samenvoegen of de wet te overtreden. Hoewel de huidige versie in een gecontroleerde omgeving is getest, suggereren de bevindingen dat deze architectuur een levensvatbaar pad biedt voor de financiële sector, waarbij een balans wordt gevonden tussen de behoefte aan beveiliging en de strikte eisen van moderne privacywetgeving.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.