基于深度學習的反詐騙軟件的開發

位子輝 李雷雷

摘 要：隨著互聯網普及和發展，網絡詐騙和電信詐騙等頻繁出現在公眾的視野中，面對如此紛繁復雜和高科技詐騙手法，僅僅靠人的力量控制顯得力不從心，開發基于深度學習的反詐騙軟件是發展趨勢。

關鍵詞：深度學習 人工智能 反詐騙軟件 網絡詐騙 電信詐騙

0 緒論

21世紀以來通信和網絡科技迅速發展，一些不法分子開發技術工具進行電信詐騙，手機、固話、網絡等通信工具最為常見，經常有人冒充公檢法、商家、政府機構人員等。網絡詐騙常見的手段有：虛假咨詢信息、上網服務騙局、網上成人服務、購置電腦軟件、信用卡申請等。電信詐騙和網絡詐騙的特點是范圍大、蔓延快、手段翻新快、團伙作案、場景虛擬、團伙作案。

詐騙分子通常是利用了用戶疏于防范的心理，常見反詐騙手段有：警察通告、社區宣傳、通訊號碼實名制等，更大范圍和效果的應該是通過人工智能手段進行反詐騙，其中深度學習是開發反詐騙軟件的一個研究方向[1]。

1 深度學習理論

深度學習是機器學習領域中的一個較新的研究方向，是機器學習的一種，而機器學習是實現人工智能的必經路徑[2，3]。在工業互聯網和大數據發展的大環境下，深度學習在計算機視覺等多個領域都獲得了比較重大的進展，各種軟件、應用、程序都開始涉及到人深度學習，該方法已經開始在軟件工程領域起到重要作用[4]。

深度學習在網絡空間安全方面的研究一直在進行，在反詐騙方面主要應用于惡意軟件檢測和入侵檢測。鑒于人力對反詐騙處理的有限性和計算機技術的高效性，基于深度學習的反詐騙軟件開發是減少電信詐騙案件的重要手段之一。

2 深度學習反詐騙可行性

近年來銀行卡和信用卡的普及和發展十分迅速，刷卡是我國目前支付手段中較為重要的方式之一。信用卡用戶增多的同時，交易欺詐案件也顯著增加，詐騙手段層出不窮，給銀行結構和信用卡用戶都造成了重大資金損失，嚴重影響了社會金融秩序。如何進行有效防范金融詐騙和交易欺詐是銀行機構及人民群眾面臨的問題。

信用卡交易反欺詐的目的是將欺詐風險較高的交易檢驗出來，常用的是數據挖掘方法、神經網絡等技術，并取得了一定的效果。但是神經網絡技術中的梯度彌散問題、淺層網絡訓練等缺陷問題導致反詐騙效果不是很理想。

理論上深度學習能解決神經網絡的淺層缺陷，建立多層非線性關系，目前深度學習在圖像識別等方面都獲得巨大進展。眾多專家學者經過建模和驗證，證明深度學習模型在信用卡、銀行卡交易欺詐檢驗和預防比傳統神經網絡更準確、更高效[5，6]。

3 深度學習用于反詐騙軟件實例

學者采用Auto-Encoder方法建模對信用交易反詐騙進行實戰研究，使用互聯網上公開的German Credit數據集為試驗數據，涵蓋包含信用歷史、交易金額、職業等20個特征、1000 個樣本。Auto-Encoder基本方法見圖1。

輸入數據先通過encode過程處理得出code值，再通過decode程序過程處理得出輸出值。控制encode的輸出維數過程其實就相當于強迫encode過程以低維參數形式進行學習高維特征。Auto-Encoder目的是使輸入x值和輸出的x'值差距縮小，每次輸出值以后都要進行誤差反向傳播，不斷優化整個網絡參數。

使用Keras訓練一個Auto-Encoder神經網絡，通過深度學習方法可以識別信用卡交易中的異常行為，具體步驟如下：裝載數據、探索數據、準備數據、建立模型、評估模型。

對Credit Amount等數值型特征通過scikit’s StandardScaler做標準化處理，對Purpose等分類型特征做one-hot encoding處理。

在有很多正常交易樣本的條件下想通過異常檢測來識別可能會出現的欺詐交易，在訓練Auto-Encoder時只對正常交易的樣本進行訓練，再使用測試集里的樣本進行評估驗證。

可以建立4層連接層神經元的Auto-Encoder模型。前2層作為encoder過程，后兩層作為decoder過程。過程中使用100個Epoch，按每次32個樣本輸入神經網絡進行訓練。實驗結果reconstruction error曲線下降幅度不大且沒有穩定收斂趨勢，說明該模型欠擬合需要更大的訓練的樣本量進一步提升。

使用Auto-Encoder訓練后的模型也不能用于預測新樣本，若要判斷新樣本是正常或欺詐，需要先計算reconstruction error，若error大于預設閾值則判斷為欺詐。閾值根據實際建模結果設定，如果不知道標簽的正類負類，就要計算整體樣本的reconstruction error的分位數來設定。

4 結束語

（1）電信詐騙和網絡詐騙對國家和人民群眾的危害十分巨大，反詐騙軟件開發迫在眉睫，深度學習在網絡空間安全和反詐騙方面理論上十分可行[7]。

（2）通過Auto-Encoder對German Credit數據集進行深度學習的模型取得一定效果，但仍需進一步完善。

（3）深度學習實用中應該注意：處理好神經網絡的復雜度和訓練集樣本數，保證訓練過程擬合趨近性;對輸入特征如相關性去重、去噪等操等進行預處理。

參考文獻

[1] 孫瑩. 一份來自安全軟件企業的報告[J]. 法庭內外， 2017（8）：12-14.

[2] 陳先昌. 基于卷積神經網絡的深度學習算法與應用研究[D]. 浙江工商大學， 2014.

[3] 韋堅， 劉愛娟， 唐劍文. 基于深度學習神經網絡技術的數字電視監測平臺告警模型的研究[J]. 有線電視技術， 2017（7）.

[4] 張獻， 賁可榮. 深度學習方法在軟件分析中的應用[J]. 計算機工程與科學， 2017（12）：2260-2268.

[5] 竇路路， 石秀金. 基于深度學習的銀行卡交易反欺詐技術研究[J]. 智能計算機與應用， 2018， v.8（04）：90-92+96.

[6] 丁衛星. 基于深度學習技術的信用卡交易欺詐偵測研究[D].

[7] 張玉清， 董穎， 柳彩云， et al. 深度學習應用于網絡空間安全的現狀、趨勢與展望[J]. 計算機研究與發展， 2018， v.55（06）：3-28.