تشخیص پولشویی الکترونیکی در تراکنش های تامین کنندگان خدمات پرداخت

مجرمان پولشویی در پوشش کسب و کارهای قانونی با سوء استفاده از خدمات شرکت های ارائه کننده خدمات پرداخت (psp) اقدام به پولشویی الکترونیکی می نمایند. به منظور فورنسیک پولشویی در تراکنش های مالی شرکت های psp ،روشی توسط حجتی و همکاران ارائه شده است که از طریق تشخیص تراکنش های خارج از الگوی صنف فروشندگان و با روش تحلیل درون گروهی انجام می گردد. بررسی های ما نشان می دهد که استفاده از روش مطرح شده در تشخیص تراکنش های خارج از الگوی صنف، نرخ اعلام های مثبت نادرست حدوداً ٪13 را در تشخیص پولشویی نتیجه می دهد. ما در این مقاله با اصلاح راه حل مطرح شده، نرخ اعلام های مثبت نادرست را ٪12 درصد کاهش داده و به کمتر از ٪1 رساندیم. برای این منظور در تحلیل درون گروهی، حجم تراکنش های مالی فروشندگان را در کنار حجم بازدیدکنندگان وب سایت های آنها مورد تحلیل قرار دادیم و بر اساس تعداد بازدیدکنندگان وب سایت های صنف مربوطه، حجم تراکنش های هر فروشنده را تخمین زدیم و حجم فروش بیش از تخمین را نامتعارف در نظر گرفتیم. با استفاده از ماشین بولتزمن محدود دقت تشخیص تراکنش های خارج از الگوی صنف را ارتقاء دادیم و با کمک استدلال مبتنی بر مورد، نرخ اعلام های منفی نادرست را کاهش دادیم. سیستم پیشنهادی ما، از یک پنجره لغزان چهارهفته ای برای تشخیص برخط پولشویی استفاده می نماید. نتایج ارزیابی ها نشان داد که راه حل پیشنهادی ما دارای دقت تشخیص ٪99 می باشد.

electronic money laundering detection in transactions of payment service providers

under the coverage of legitimate commerce, criminals money-launder their illicit incomes through the payment gateways provided by payment service providers (psp). in order to do money-laundering forensics in transactions of psp companies, a new method was proposed by hojati et al which is done through detecting deviations from class behavior based on peer group analysis (pga) method. our experiments showed that using the proposed method for money laundering detection leads to a false positive rate of about 13%. in this paper, we improved the proposed method and reduced the false positive rate to less than 1%. to achieve this, we analyzed the amount of financial transactions of sellers along with the number of visitors to their websites in pga. based on the number of visitors, we estimated the volume of transactions for each seller. if the volume of sales was much higher than expected, we considered it abnormal. we achieved a higher detection accuracy by using a restricted boltzmann machine to separate out-of-class transactions. we also reduced rate of false negative alarms by the help of cbr method. our proposed system detects money laundering online using a four-week sliding window. the experimental results confirmed the detection accuracy of 99% for our proposed system.