FRAUDability：使用对抗机器学习估计用户对金融欺诈的易感性
密码学与安全
2023-12-05 v1
摘要
近年来，金融欺诈检测系统在检测欺诈方面变得非常高效，欺诈是电子商务平台面临的主要威胁。此类系统通常包含旨在检测和报告欺诈活动的基于机器学习的算法。在本文中，我们研究了基于对抗学习的排序技术在欺诈检测领域的应用，并提出了 FRAUDability，一种用于估计金融欺诈检测系统对每个用户性能的方法。我们的动机基于“并非所有用户生来平等”的假设——虽然一些用户受到欺诈检测算法的良好保护，但其他用户往往对此类系统构成挑战。所提出的方法产生分数，即“fraudability scores”，这是在给定用户在金融系统中独特活动的情况下，对欺诈检测系统检测特定用户金融欺诈能力的数值估计。我们的 fraudability scores 使负责在金融平台上保护用户的人员能够将注意力和资源集中在具有高 fraudability scores 的用户上，以更好地保护他们。我们使用真实电子商务平台的数据集验证了我们的方法，并从攻击者的角度展示了 fraudability scores 在平台上的应用，更具体地说，在电子商务企业使用的欺诈检测系统上的应用。我们表明，通过仅与具有高 fraudability scores 的用户交互，并避开那些消费习惯能够实现更准确欺诈检测的用户，这些分数还可以帮助攻击者将其金融利润提高 54%。
引用
@article{arxiv.2312.01200,
title = {FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning},
author = {Chen Doytshman and Satoru Momiyama and Inderjeet Singh and Yuval Elovici and Asaf Shabtai},
journal= {arXiv preprint arXiv:2312.01200},
year = {2023}
}