|
| Συλλογές |
|
| Τίτλος |
Detecting similar fraudulent profiles through betting patterns by utilizing the k-nearest neighbors algorithm
|
| Εναλλακτικός τίτλος |
Ανίχνευση παρόμοιων παράνομων χρηστών ηλεκτρονικών στοιχημάτων με χρήση του αλγορίθμου κ-κοντινότερων γειτόνων
|
| Δημιουργός |
Dagre, Aikaterini, Δαγρέ, Αικατερίνη
|
| Συντελεστής |
Athens University of Economics and Business, Department of Informatics
Κωτίδης, Ιωάννης
Βασσάλος, Βασίλειος
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
35p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7493
|
| Περίληψη |
The problem of Fraud is an issue with discussions since the beginning of commerce and has reached an alarming scale nowadays. With the advance of the Internet, losses due to the Fraud are reaching billions to companies every year. There are many different types of Online Fraud: account takeover, identity theft, credit card transactions etc. Online Betting is one of the markets where Fraud is increasing every day. It is impossible to fight against Fraud alone hand because the huge amount of data is hard to be analysed by one person. Traditional Fraud risk management solutions tend to become weak in a context of Big Data expansion. In this context, they tend to be inefficient and not flexible enough to adapt to the quickly evolving Fraud threats. Big Data technologies like predictive analytics, streaming analytics, artificial intelligence for targeting and understanding of player behavior, appear to be the solution. These latest tools are able to leverage enormous volumes of diverse data in near real-time. This helps Fraud departments to be more efficient, more accurate and to detect cases that wouldn’t be uncovered previously.Some artificial intelligent systems such as the Nearest Neighbor Algorithm is a challenging task in multidimensional data. The important factors in Nearest Neighbor Algorithm are searching speed and accuracy. The main goal of this thesis is to develop a Nearest Neighbor Algorithm, using a data mining approach able to identify and prevent Online Fraud on the Betting Market, a new but already strong business.
Το πρόβλημα της ηλεκτρονικής απάτης είναι ένα ζήτημα που έχει φτάσει σε μια ανησυχητική κλίμακα στις μέρες μας. Με την πρόοδο του διαδικτύου, οι απώλειες στο εμπόριο που οφείλονται στην ηλεκτρονική απάτη φτάνουν τα δισεκατομμύρια κάθε χρόνο. Υπάρχουν πολλά διαφορετικά είδη ηλεκτρονικής απάτης: εξαγορά λογαριασμού, κλοπή ταυτότητας, κλοπή συναλλαγών με πιστωτικές κάρτες κλπ. Τα ηλεκτρονικά στοιχήματα είναι μια από τις αγορές όπου η απάτη αυξάνεται καθημερινά.Είναι δύσκολη η καταπολέμηση τέτοιων φαινομένων απάτης, διότι το τεράστιο ποσό των δεδομένων είναι δύσκολο να αναλυθεί από ένα άτομο. Οι παραδοσιακές λύσεις διαχείρισης κινδύνων απάτης σε αυτό το πλαίσιο, τείνουν να είναι μη αποτελεσματικές και όχι αρκετά ευέλικτες ώστε να προσαρμόζονται στις ταχέως εξελισσόμενες απειλές απάτης. Οι τεχνολογίες Big Data όπως η πρόβλεψη, η ανάλυση δεδομένων ροής, η τεχνητή νοημοσύνη για την ανίχνευση και η κατανόηση της συμπεριφοράς των παικτών, φαίνεται να είναι η λύση. Τα τελευταία εργαλεία είναι σε θέση να αξιοποιήσουν τεράστιους όγκους διαφορετικών δεδομένων σε σχεδόν πραγματικό χρόνο. Αυτό βοηθά τα μέσα που στοχεύουν στην εξάλειψη απάτης να είναι πιο αποτελεσματικά, πιο ακριβή και να ανιχνεύουν περιπτώσεις απάτης που δεν αποκαλύφθηκαν στο παρελθόν.Ορισμένα τεχνητά “έξυπνα συστήματα”, όπως η αναζήτηση πλησιέστερων γειτόνων, είναι ένα δύσκολο εγχείρημα σε πολυδιάστατα δεδομένα. Σημαντικοί παράγοντες στην αναζήτηση πλησιέστερων γειτόνων είναι η ταχύτητα και η ακρίβεια.Ο κύριος στόχος αυτής της εργασίας είναι να αναπτύξει έναν αλγόριθμο αναζήτησης πλησιέστερων γειτόνων, χρησιμοποιώντας μια προσέγγιση άντλησης διαδικτυακών δεδομένων, ικανή να εντοπίσει και να αποτρέψει την ηλεκτρονική απάτη στην νέα και πολύ ισχυρή Αγορά Στοιχημάτων.
|
| Λέξη κλειδί |
k-Nearest Neighbors
Οnline betting
Search algorithm
Fraud
k-πλησιέστεροι γείτονες
Απάτη
Αλγόριθμος αναζήτησης
Διαδικτυακό στοίχημα
|
| Διαθέσιμο από |
2020-01-28 11:15:32
|
| Ημερομηνία έκδοσης |
28-11-2019
|
| Ημερομηνία κατάθεσης |
2020-01-28 11:15:32
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|