Rake - The on-line banking antifraud solution

HOME | AZIENDA | PARTNERS | CONTATTI

PERCHE' RAKE

Caratteristiche

Funzionalità

Risorse

RICHIEDI UNA DEMO

Metodologie di clustering e classificazione alla base di un grande prodotto

RAKE è una soluzione in grado di monitorare automaticamente le transazioni online, segnalando tutti i movimenti anomali sulla base di sofisticati procedimenti di Data Mining, che permettono l'individuazione del profilo comportamentale di ogni singolo utente e-Banking.

Considerata la dispersività dei fenomeni fraudolenti, l'unico strumento a disposizione è quello della clusterizzazione automatica del comportamento degli utenti, che permette di identificarne le abitudini e di conseguenza di riconoscere tutto ciò che si discosta da questo profilo.
Unendo a questo l'analisi storica dei parametri tipici dell'utente, diminuisce sensibilmente la presenza di falsi positivi aumentando sempre più l'efficacia dello strumento.

Come funziona:

1 - Raccolta dati

Data collection
Il sistema è predisposto per caricare e mantenere un numero di transazioni che garantisca una base statistica tale da rendere valide le operazioni di classificazione e clustering.

2 - Analisi dei movimenti

Target Recorder
Crea la lista dei destinatari di tutte le operazioni effettuate dal singolo utente.

GeoIP Recorder
Definisce la lista delle località e degli ISP da cui si collega il singolo utente e ne crea il "profilo di mobilità".

3 - Clustering

Cluster Movimenti
Il modulo di clusterizzazione si occupa di trasformare lo storico delle transazioni effettuate dal singolo utente in una rappresentazione schematica delle sue abitudini.

I Cluster sono calcolati impiegando solamente i movimenti relativi agli ultimi 6 mesi per tenere conto delle abitudini “recenti”.

Su questi movimenti sono valutati i cluster statistici con l’algoritmo di E.M. (Expectation Maximization) dopo aver escluso gli outliers (gli eventi estranei ai clusters) mediante altri algoritmi di clustering (OPTICS + Dbscan o DENCLUE).

Il processo di clustering è effettuato giornalmente dopo l’acquisizione e l’elaborazione dei log e i risultati sono salvati su un secondo DB per migliorare le prestazioni del sistema.

I risultati del clustering sono inseriti nel Db in modo da effettuare facilmente i confronti tra le nuove disposizioni e i cluster precalcolati per dare un peso alle transazioni.

4 - Classifier

Classifier
Analizza i nuovi movimenti e li classifica in base alla "pericolosità" dell'operazione affidandosi alle elaborazioni dei moduli precedenti.

Reporter
A intervalli di tempo regolari e configurabili viene prodotto un report con le indicazioni dei movimenti giudicati a rischio.