Com o rápido desenvolvimento da tecnologia e o uso crescente da Internet nos negócios, a segurança cibernética tornou-se uma grande preocupação em todo o mundo, especialmente na banca digital e nos pagamentos. Os sistemas digitais oferecem eficiência e conveniência, mas expõem os utilizadores a riscos de fraude, incluindo roubo de identidade e acesso não autorizado. Os métodos tradicionais lutam para acompanhar táticas sofisticadas de fraude, forçando as instituições financeiras a encontrar soluções baseadas em IA. A IA melhora a detecção de fraudes analisando dados de transações massivas, identificando padrões suspeitos e detectando ameaças automaticamente. No entanto, os custos elevados e os problemas de qualidade dos dados apresentam desafios, especialmente para as instituições mais pequenas, sublinhando a necessidade de medidas de segurança cibernética equilibradas e eficazes no setor financeiro.
Os atuais sistemas de segurança dos bancos muitas vezes não conseguem lidar com ameaças cibernéticas avançadas devido à tecnologia desatualizada. As contramedidas tradicionais eficazes só respondem após uma violação, tornando-as ineficazes para ataques novos ou sofisticados. Os sistemas bancários legados, sem recursos como monitoramento em tempo real e autenticação multifatorial, são mais vulneráveis. Esta dependência de métodos ultrapassados expõe os bancos a perdas financeiras, danos à reputação e sanções regulamentares. Os bancos devem utilizar estratégias proativas e baseadas na tecnologia para enfrentar estes riscos, utilizando IA, aprendizagem automática e análise comportamental. A promoção da sensibilização para a segurança cibernética entre os funcionários pode fortalecer ainda mais as defesas contra ameaças cibernéticas.
Pesquisadores da Universidade Majmaah, da Universidade King Saud e da Universidade de Wollongong desenvolveram o FinSafeNet, um modelo de aprendizagem profunda para serviços bancários digitais seguros. Baseado em Bi-LSTM, CNN e método de atenção dupla, este modelo trata da segurança de transações em tempo real. Ele inclui um algoritmo avançado de otimização Snow-Lion (SLOA) para seleção eficiente de recursos, combinando otimização hierárquica de enxame de partículas e evolução diferencial adaptativa. FinSafeNet também usa PCA Multi-Kernel com aproximação Nyström para reduzir as demandas de computação e melhorar o desempenho. Testado na base de dados Paysim, obteve 97,8% de precisão, superando os modelos tradicionais e melhorando a segurança das transações bancárias digitais.
O modelo de segurança cibernética proposto para serviços bancários digitais utiliza aprendizagem profunda, começando com a aquisição de dados dos conjuntos de dados PaySim e Cartão de Crédito, que simula dinheiro e cartões móveis para aprender fraudes. Os dados são limpos e normalizados, preenchendo os valores ausentes e removendo colunas desnecessárias. Os principais recursos são extraídos usando Joint Mutual Information Maximization (JMIM), que supera os métodos convencionais ao identificar os recursos mais relevantes para detecção de fraudes. Além disso, o subconjunto de recursos aprimorado é selecionado com I-SLOA, que combina variação dinâmica e otimização de partículas, o que melhora a precisão da detecção em ambos os conjuntos de dados.
O modelo FinSafeNet, implementado em Python, foi testado usando Paysim e um conjunto de dados de cartão de crédito. Em comparação com modelos de primeira linha, como VGGNET, RESNET e CNN, o FinSafeNet alcançou os resultados mais altos em todas as métricas, como exatidão, precisão, sensibilidade e especificidade. Atingiu 97,9% de precisão no Paysim e 98,5% nos dados do cartão de crédito, com baixas taxas de erro (FPR e FNR). Seu método de atenção dupla, integração Bi-LSTM e seleção avançada de recursos o tornaram muito eficaz na detecção de fraudes. No entanto, a adaptação do FinSafeNet depende de dados de treinamento heterogêneos e pode enfrentar desafios de calibração em tempo real.
Concluindo, o modelo FinSafeNet oferece uma grande melhoria na segurança do banco digital, usando Bi-LSTM, CNN e método de atenção dupla para detecção precisa de fraudes com tempo mínimo de processamento. Desenvolvido pela SLOA, que combina HPSO e ADE para selecionar recursos de alta qualidade, o modelo alcançou 97,8% de precisão no conjunto de dados Paysim, superando os métodos convencionais. Ao combinar o Multi-Kernel PCA (MKPCA) com a aproximação Nyström, ele lida com eficiência com grandes conjuntos de dados sem comprometer o desempenho. O sucesso do FinSafeNet destaca a sua capacidade de ser enviado em tempo real para diferentes ambientes bancários, e a futura integração da blockchain poderá fortalecer a segurança das transações contra ameaças cibernéticas.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[Upcoming Live LinkedIn event] 'Uma plataforma, possibilidades multimodais', onde o CEO da Encord, Eric Landau, e o chefe de engenharia de produto, Justin Sharps, falarão sobre como estão revitalizando o processo de desenvolvimento de dados para ajudar as equipes a construir modelos de IA multimodais revolucionários, rapidamente'
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a interseção entre IA e soluções da vida real.
Ouça nossos podcasts e vídeos de pesquisa de IA mais recentes aqui ➡️
