Redes parenclíticas y variables de fraude

Transcripción

1 Las leyes de la matemática no son meramente invenciones o creaciones humanas, simplemente "son". Existen independientemente del intelecto humano. Lo más que puede hacer un hombre de inteligencia aguda es descubrir que esas leyes están allí y llegar a conocerlas. Maurits Cornelis Escher Redes parenclíticas y variables de fraude Presentación de los avances realizados en investigación (IT RF&S) R. Criado, M. Romance, M. Zanin - Jornadas BBVA, 4 de julio de de 54

2 Índice 1. Introducción 2. Presentación de los datos 3. Análisis de los datos. 4. Networks and Parenclitic Networks 5. Meta-Networks 6. Aplicación al fraude con tarjetas 2 de 54

3 Introducción 3 de 54

4 1. Introducción Proyectos Algoritmo de cifrado FPE (Format Preserving Encryption) (tokenización), certificación de los algoritmos, sistemas frontera Gestión del riesgo digital mediante redes complejas de intencionalidad Teoría de la seguridad de la información (sistemas de información). 4 de 54

5 1. Introducción Proyectos Algoritmo de cifrado FPE (Format Preserving Encryption) (tokenización), certificación de los algoritmos, sistemas frontera Gestión del riesgo digital mediante redes complejas de intencionalidad Teoría de la seguridad de la información (sistemas de información). Prevención del fraude con redes parenclíticas 5 de 54

6 1. Introducción 6 de 54

7 Presentación de los datos 7 de 54

8 2. Presentación de los datos Datos de transacciones realizadas en España con tarjeta de crédito y débito durante 2011 y 2012, distinguiendo entre transacciones lícitas y no lícitas. (cada mes 10 Gigabytes, aproximadamente 250 Gb en total). 8 de 54

9 Análisis de los datos 9 de 54

10 3. Análisis de los datos 10 de 54

11 3. Análisis de los datos December de 54

12 3. Análisis de los datos 12 de 54

13 3. Análisis de los datos 13 de 54

14 3. Análisis de los datos 14 de 54

15 Networks and Parenclitic Networks 15 de 54

16 4. Networks and parenclitic networks Teoría de redes: Internet (800 millones de nodos). Barabasi and co-workers: Nature (1999) Redes Scale-Free.Se pretende reproducir comportamientos universales basados en modelos sencillos (homeofilia-homeostasis) 1. Physical networks (social, technological, ) 2. Functional networks 3. Parenclitic networks 16 de 54

17 1. Introducción 17 de 54

18 No se puede mostrar la imagen en este momento. No se puede mostrar la imagen en este momento. 4. Networks and parenclitic networks 18 de 54

19 4. Networks and parenclitic networks P ( k ) k γ 19 de 54

20 4. Networks and parenclitic networks REDES PARENCLÍTICAS: Herramienta de predicción y clasificación. (parenclisis <-> desviación) Generaliza el paradigma de las redes neuronales (perceptrón multicapa) de base conexionista. A partir de un conjunto patrón, permite detectar y/o predecir, por ejemplo, en su aplicación a las redes biomédicas, la presencia de enfermedades o el desarrollo futuro de las mismas, y en su aplicación a la DETECCIÓN DE FRAUDE EN TARJETAS, las operaciones ilícitas en base a ciertas características de las mismas. 20 de 54

21 4. Networks and parenclitic networks El punto de partida es la representación en una red compleja de los datos, en la que la importancia de las correlaciones (interacciones o relaciones) entre las diferentes características o elementos que componen la red es o bien la misma, o bien mayor que la influencia de cada una de estas características por separado. 21 de 54

22 4. Networks and parenclitic networks Descripción de la metodología La idea análisis de sangre, consiste en asociar a cada nuevo individuo (persona-análisis de sangre, transacción hecha con tarjeta, ) una red compleja que refleje sus características (cada nodo es una característica diferente) Para ello, es necesario trabajar previamente con los datos obtenidos a partir de un GRUPO DE CONTROL (es decir, personas saludables, o personas enfermas, transacciones lícitas, transacciones ilícitas, ) de manera que podamos representar en una RED PATRÓN las relaciones normales entre cada par de estas características. 22 de 54

23 4. Networks and parenclitic networks Descripción de la metodología Un conjunto de n individuos, todos ellos con p características, y una colección de m clases. 23 de 54

24 4. Networks and parenclitic networks { a a } 1,..., n { G G } 1,..., m { G, G } 1 2 { x,..., } 1 x p { } 1,..., p x x 1 f ( x,..., x ) = 0 x1 x 2 p 3 = 0 24 de 54

25 4. Networks and parenclitic networks Descripción de la metodología Un conjunto de n individuos, todos ellos con p características, y una colección de m clases. Esta información se recoge en una matriz D de p filas (una por cada característica) y n columnas (una por cada sujeto). De este modo la característica i-esima del individuo s es el elemento dis de la matriz D. Proyectamos entonces, para cada par de características, i y j en el plano i-j obteniendo un punto por cada individuo del grupo de control: 25 de 54

26 4. Networks and parenclitic networks j A continuación realizamos un ajuste lineal, (podríamos utilizar otro tipo de ajuste) obteniendo que el valor de la característica j para el individuo sano s puede obtenerse a partir de la característica i, según una fórmula del tipo siguiente: i 26 de 54

27 4. Networks and parenclitic networks s d = a + b d + ε js ij ij is ij a, b = coeficientes resultado de hacer el ajuste lineal ij ε = ij vector conteniendo los m errores del ajuste Es posible, entonces, considerar el valor medio de estos errores y sus desviaciones típicas. 27 de 54

28 4. Networks and parenclitic networks El siguiente paso es crear una red para cada nuevo sujeto (o transacción). Para ello, proyectamos el valor obtenido de cada par de características de este nuevo sujeto en el plano i-j correspondiente, y calculamos su distancia a la recta que ajusta los datos anteriores en el plano i-j: v v v e = a + b t t ij ij ij i j Es decir, siendo los valores ti y tj los de las correspondientes características I y j del nuevo individuo, sería razonable que si está sano (es una transacción lícita) el valor de esa distancia fuese cero o un valor muy pequeño. 28 de 54

29 4. Networks and parenclitic networks Construimos ahora la red compleja asociada al nuevo individuo, en la que las características i y j estarán unidas por la arista que v tendrá como peso asociado a e ij o, si se prefiere, por un valor que represente de una manera más fidedigna dicha anormalidad, como por ejemplo: Z ij = e v ij ε Ahora se puede construir una red (que ya no será completa) estableciendo un umbral sobre los pesos de las aristas. Por ejemplo, si el peso es inferior a 0.5 la arista se elimina de la red que representa a la nueva transacción (o individuo), y si es superior a dicho valor, permanece. σ ij ij 29 de 54

30 4. Networks and parenclitic networks La anormalidad del individuo (o transacción) respecto del grupo patrón viene representada por esa red. 30 de 54

31 4. Networks and parenclitic networks El análisis de la estructura (topología) de la red obtenida nos proporciona información relevante: Por una parte, si los datos corresponden a una PERSONA SALUDABLE (TRANSACCIÓN LÍCITA), es esperable que cada par de valores correspondientes a las características estén próximas a los valores de los correspondientes ajustes lineales obtenidos para el grupo de control. Por consiguiente, la red correspondiente a este sujeto (transacción) tendrá pocas aristas, más debidas al ruido en la medida que a una diferencia propiamente dicha, y por consiguiente, nos dará una topología aleatoria (random). 31 de 54

32 4. Networks and parenclitic networks Por el contrario, si la PERSONA ESTÁ ENFERMA (o se trata de una transacción ILÍCITA) obtendremos valores anormales en algunas de estas relaciones; las topologías resultantes serán fácilmente identificables por un nº anormalmente alto de aristas, y por estructuras tipo estrella, cuyos centros señalarán las características responsables de la enfermedad. La topología de la red se puede estudiar también a partir de parámetros globales de la misma: densidad de aristas, clustering coefficient,. 32 de 54

33 Extraido del artículo de M. Zanin et al Knowledge Discovery in Spectral Data by Means of Complex Networks Metabolites 2013, 3(1), ; doi: /metabo de 54

34 Meta-Networks 34 de 54

35 5. Meta-Networks Desarrollo de la metodología de meta-redes Transacciones fraudulentas Bajo número de características: El número de parámetros disponibles para describir cada transacción es muy bajo, menor de 10. Presencia de relaciones de orden superior 35 de 54

36 5. Meta-Networks Meta META-REDES: Cómo añadir nuevos links para mejorar la capacidad de predicción? VER VIDEO 36 de 54

37 5. Meta-Networks Rationale for binning: Low-weighted links do not represent significant facts Reduction of noise Reduced computational cost 37 de 54

38 Selección del umbral para binarizar 45% de links más fuertes (binarizamos con ellos) Medimos: 5. Meta-Networks 38 de 54

39 5. Meta-Networks Multiple instances (subjects) 39 de 54

40 5. Meta-Networks 1/ /4 Multiple instances (subjects) 40 de 54

41 5. Meta-Networks New subject 41 de 54

42 5. Meta-Networks -En este punto: Medidas estructurales sobre la red (grado, ) para clasificar. - Selección de métricas por fuerza bruta o por feature selection (tendremos una por cada dimensión). - Algoritmos de clasificación estándar para obtener una única métrica (varios procedimientos). 42 de 54

43 Matriz pesada (148x148 sensores) de correlaciones entre pares de nodos (sensores) (ejemplo de persona con formación superior). 43 de 54

44 Matriz (binarizada) 148x148 sensores) de correlaciones entre pares de nodos (sensores) (pares de sensores con correlación significativa) 44 de 54

45 Red binarizada representada (red funcional asociada A la tarea) (representación binarizada) Pesada-> binarizada-> matriz de adyacencia-> rep. simple 45 de 54

46 46 de 54

47 links que han participado en una clasificacion decente 47 de 54

48 Datos de magnetoencefalografia, 148 sensores, Miden el campo magnético generado por las neuronas al resolver ciertos problemas (tarea de memoria: 5 letras, te van presentando letras y tienes que presionar un botón cuando aparece una de las 5 Iniciales. Ante una única aparición de una de las 5 letras, cuales sensores se activan. Queda grabado cuando la persona esta procesando (va a dar al botón). 48 de 54

49 Los dos grupos de personas son sanos, pero en el primer grupo son personas mayores con estudios superiores, y el otro personas mayores sin estudios superiores. HIPÓTESIS: Reserva cognitiva si ha ido a la universidad. Enfermedad neurodegenerativa-> a la enfermedad le cuesta atacarte (pero es una hípótesis). Los datos muestran que efectivamente existe una reserva cognitiva. 49 de 54

50 Aplicación al fraude con tarjetas 50 de 54

51 6. Aplicación al fraude con tarjetas Número limitado de variables significativas: 1. Tiempo entre transacciones 2. Dinero 3. Tipo de tarjeta (crédito, débito) 4. nº de operaciones/mes del usuario de la tarjeta 5. Gastos mensuales del usuario de la tarjeta 6. Tipo de tienda o comercio 7. Tipo de autorización (firma/pin) 8. Si es on line. Ubicación geográfica. 51 de 54

52 6. Aplicación al fraude con tarjetas Aplicación de meta-redes a datos de fraude Para el análisis de cada transacción, serán realizados los siguientes pasos : 1. Creación de una red parenclítica para cada operación disponible; 2. Creación de una meta-red desde cada red parenclítica; 3. Extracción de métricas topológicas; 4. Aplicación de algoritmos de data mining para la creación de un modelo predictivo. Resultado: Descripción del modelo predictivo, y de su eficiencia. 52 de 54

53 OTRAS PUBLICACIONES PREVISTAS Mejora de los modelos existentes de Money flow. Meta-redes: Paper teórico y aplicación a detección precoz de enfermedades. Meta-redes: Aplicación a datos de fraude. Descripción del modelo predictivo y de su eficiencia. Data-set público: principales características (previa anonimización) 53 de 54