A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems

Resumo Técnico: Um Framework Generativo de Duplo Caminho para Detecção de Fraude Zero-Day em Sistemas Bancários

1. O Problema

O ambiente bancário de alta frequência enfrenta um dilema crítico entre a necessidade de detecção de fraude em tempo real (baixa latência) e os requisitos regulatórios de explicabilidade (como o GDPR). Os sistemas tradicionais baseados em regras e modelos discriminativos apresentam falhas significativas ao lidar com fraudes "zero-day" (novos padrões de ataque sem precedentes históricos). As principais dificuldades incluem:

• Desequilíbrio de Classes Extremo: Transações fraudulentas representam uma fração negligenciável (ex.: 0,17%) do volume total, levando a modelos enviesados com altas taxas de falsos negativos.
• Limitações das Técnicas Atuais: Métodos de superamostragem como SMOTE falham em capturar manífolds não lineares complexos dos dados financeiros, gerando ruído gaussiano que viola a lógica de negócios.
• Latência vs. Explicabilidade: A integração de ferramentas de IA Explicável (XAI), como SHAP, para atender ao Artigo 22 do GDPR, é computacionalmente proibitiva ($O(2^n)$) para processamento em tempo real (< 50 ms), criando um gargalo no throughput.
• Dados Discretos: A natureza categórica de dados bancários (ex.: Códigos de Categoria de Comerciante - MCC) dificulta o treinamento de modelos diferenciáveis.

2. Metodologia Proposta

O artigo propõe um Framework Generativo de Duplo Caminho que desacopla a detecção de anomalias em tempo real do treinamento adversarial offline. A arquitetura bifurca as tarefas em dois caminhos interdependentes:

• Caminho de Detecção (Síncrono - VAE):

  • Utiliza um Autoencoder Variacional (VAE) para estabelecer um "manifold" (variedade) de transações legítimas.
  • O sistema minimiza o erro de reconstrução. Transações com alto erro de reconstrução são sinalizadas como anomalias potenciais.
  • Garante latência inferior a 50 ms, atendendo aos requisitos de processamento de pagamentos de alta frequência.

• Caminho de Síntese Adversarial (Assíncrono - WGAN-GP):

  • Emprega um Wasserstein GAN com Penalidade de Gradiente (WGAN-GP) para sintetizar cenários fraudulentos de alta entropia.
  • Este caminho opera de forma assíncrona (offline) para "estressar" os limites de detecção do VAE, preparando o sistema para padrões de fraude não vistos.
  • Integração de Gumbel-Softmax: Para lidar com dados discretos (como MCC), utiliza-se um estimador Gumbel-Softmax. Isso permite a amostragem diferenciável de atributos categóricos durante a retropropagação, mantendo a integridade da lógica de negócios.

• Mecanismo de Explicabilidade Seletiva (Triggered-XAI):

  • Para resolver o conflito entre latência e explicabilidade, o módulo SHAP (Shapley Additive Explanations) não é ativado para todas as transações.
  • Ele é disparado apenas quando o erro de reconstrução do VAE excede um limiar dinâmico ($\tau$), indicando alta incerteza.
  • Isso permite que o sistema forneça explicações detalhadas para casos de alto risco sem comprometer o throughput das transações legítimas.

• Loop Humano no Controle (HITL):

  • Casos de alta incerteza são enviados para revisão de especialistas humanos via dashboard SHAP.
  • Confirmações de fraude são armazenadas em um "Buffer Adversarial" para re-treinamento assíncrono do WGAN-GP e ajuste fino do VAE, fechando o ciclo de aprendizado sem interromper o fluxo de transações ao vivo.

3. Principais Contribuições

1. Arquitetura Híbrida VAE-WGAN: Uma abordagem inovadora que separa a detecção de anomalias (focada em comportamento normal) da geração de dados sintéticos (focada em comportamento anômalo), superando as limitações de modelos monolíticos.
2. Tratamento de Dados Discretos: A integração bem-sucedida do estimador Gumbel-Softmax permite que redes neurais profundas processem dados categóricos bancários de forma diferenciável, algo que modelos tradicionais de GANs frequentemente falham em fazer com precisão.
3. Otimização Latência-Explicabilidade: O mecanismo de SHAP acionado por gatilho reconcilia a necessidade regulatória de transparência com a restrição técnica de latência de 50 ms, aplicando custos computacionais pesados apenas onde são necessários.
4. Resiliência a Fraudes Zero-Day: O sistema demonstra capacidade de detectar ataques sofisticados (como "Salami Slicing" e ataques de velocidade CNP) que não possuem assinaturas históricas, graças à síntese de cenários adversariais pelo WGAN-GP.

4. Resultados e Avaliação

O framework foi avaliado contra três cenários de ameaça de alta sofisticação:

• Fraude Micro-Transacional (Salami Slicing): O VAE identificou anomalias de frequência e entropia no espaço latente, mesmo sem grandes valores monetários. O mecanismo de XAI seletivo evitou gargalos computacionais.
• Ataques de Velocidade CNP (Card-Not-Present): A integração do Gumbel-Softmax permitiu lidar com a esparsidade e alta dimensionalidade dos códigos MCC, enquanto o WGAN-GP forneceu uma base adversarial pré-calibrada para reconhecimento instantâneo de padrões de velocidade.
• Account Takeover (ATO): O sistema detectou desvios comportamentais sutis (ex.: incompatibilidade de dispositivo/IP). O loop HITL permitiu a validação humana e o refinamento contínuo do modelo sem re-treinamento em tempo real.

A análise de complexidade confirmou que a detecção baseada em VAE opera dentro do limite de < 50 ms, enquanto o treinamento pesado do WGAN-GP e o cálculo de SHAP são isolados para casos específicos ou processos offline.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre segurança bancária, aprendizado de máquina generativo e conformidade regulatória.

• Conformidade Regulatória: Oferece uma solução prática para o Artigo 22 do GDPR, garantindo que decisões automatizadas de bloqueio sejam explicáveis sem sacrificar a eficiência operacional.
• Adaptabilidade: O ciclo de feedback humano-máquina permite que o sistema evolua dinamicamente contra ameaças de dia zero, superando a rigidez dos sistemas baseados em regras.
• Viabilidade Operacional: Ao desacoplar a síntese de dados da detecção em tempo real, o framework demonstra que é possível implementar modelos de IA complexos em ambientes de alta frequência sem comprometer a experiência do usuário ou a estabilidade do sistema.

O artigo conclui sugerindo futuras direções, como a extensão para Aprendizado Federado (para privacidade entre instituições) e o uso de Aprendizado por Reforço Profundo (DRL) para ajuste automático de limiares de anomalia.