Portale Eventi del Consortium GARR

Questo sito utilizza i cookie per migliorare servizi ed esperienza dei lettori. Se decidi di continuare la navigazione consideriamo che accetti il loro uso. Per maggiori informazioni sull uso dei cookies e su come eliminarli leggi l'informativa estesa
Abbiamo modificato alcune delle nostre politiche per rispondere ai requisiti del nuovo Regolamento Europeo per la Protezione dei Dati Personali (GDPR).

Informativa sulla privacy

Informativa sul trattamento dei cookie

CONFERENZA GARR 2018
3-5 OTTOBRE 2018, Università di Cagliari

3 ottobre 2018

Roberto Saia

Università di Cagliari
https://www.unica.it/

Utilizzo dell'analisi Wavelet nel processo di rilevamento delle frodi

Roberto Saia è un ricercatore post-dottorato presso il Dipartimento di Matematica e Informatica dell'Università di Cagliari, dove in precedenza ha conseguito una laurea e un dottorato in informatica. La sua ricerca coinvolge differenti domini come, per esempio, quelli afferenti al Data Mining, al Machine Learning, all'Intelligenza Artificiale ed alla Sicurezza. Collabora con diversi gruppi di ricerca ed è autore o co-autore di numerose di pubblicazioni scientifiche.

Roberto Saia is a postdoctoral researcher at the Department of Mathematics and Computer Science of Università di Cagliari, where he previously obtained a degree and a PHD in computer science. His research involves different domains such as, for example, those relating to Data Mining, Machine Learning, Artificial Intelligence and Security. He collaborates with several research groups and is author and co-author of numerous scientific publications.

SESSIONE 4. CYBERSECURITY e AI

Utilizzo dell'analisi Wavelet nel processo di rilevamento delle frodi

La crescita esponenziale dell'ambiente di e-commerce si basa sulla crescita del numero di transazioni finanziarie effettuate con carte di credito. Questo scenario ha portato alla crescita dei tentativi di frode per sfruttare illegittimamente le opportunità offerte da questi potenti strumenti di pagamento. La letteratura offre un enorme numero di tecniche che oggi sono in grado di affrontare questo problema, tuttavia la loro efficacia è ridotta a causa dell'eterogeneità e della distribuzione squilibrata dei dati coinvolti. Questo documento presenta un approccio volto a risolvere questi problemi tramite la tecnica del Discrete Wavelet Transform process. Tale approccio definisce il suo modello di valutazione in un dominio trasformato, utilizzando per questa operazione solo le precedenti transazioni legittime raccolte dal sistema di rilevamento delle frodi. Lo abbiamo valutato confrontando le sue prestazioni con quelle di Random Forests, uno dei migliori approcci all'avanguardia nel contesto della rilevazione delle frodi. I risultati mostrano prestazioni molto vicine a quelle del suo concorrente, sebbene l'approccio proposto funzioni proattivamente, dimostrando anche la capacità di ridurre il problema della “partenza a freddo”.


Use of the Wavelet analysis in the fraud detection process

The exponential growth of the e-commerce environment is directly related to the growth in the number of financial transactions made by credit cards, since almost all the commercial operators allow their customers to use such means of payment. This scenario has also led to the growth of fraud attempts, which are carried out in increasing numbers, in order to exploit the opportunities offered by these powerful instruments of payment, illegitimately. Literature offers an huge number of state-of-the-art techniques able to deal with this problem, but all of them have to face some well-known issues that reduce their effectiveness, such as the heterogeneity and the imbalanced distribution of the involved data. This paper presents an approach aimed to address these issues through a novel fraud detection technique based on a Discrete Wavelet Transform process. Such an approach defines its evaluation model in a transformed domain by using for this operation only the previous legitimate transactions collected by the fraud detection system. We evaluated it by comparing its performance to that of Random Forests, one of the best state-of-the-art approaches in the fraud detection context. The results show performance very near to that of its competitor, although the proposed approach operates proactively, also demonstrating the capability to reduce the cold-start issue.

 


Sponsor

DELL EMC
Palo Alto Networks
INTEL

juniper networks
maticmind