Ученые-компьютерщики разработали новый инструмент , который позволяет быстрее и точнее обнаруживать отмывание денег, позволяя сканировать 50 миллионов транзакций менее чем за секунду.

Исследователи из Департамента информатики разработали совершенно новый подход к обнаружению отмывания денег , основанный на алгоритмах, которые быстро определяют, когда преступники делят большую сумму денег на несколько более мелких транзакций между множеством банковских счетов — метод, известный как «смурфинг».

Алгоритмы работают на данных, взятых с нескольких банковских счетов , которые представлены в виде узлов на большом сложном графике, а программное обеспечение запрограммировано так, чтобы сосредоточиться на той части графика, где оно обнаруживает наиболее подозрительную активность.

Например, если имеется депозит в один миллион фунтов, программа может отслеживать, куда переводится именно эта сумма денег — она способна идентифицировать все комбинации связанных транзакций, которые происходят, даже если деньги разделены между различными счета и расходы.

Как подробно описано в статье, опубликованной в материалах Международной конференции SIAM 2023 по интеллектуальному анализу данных , ведущие исследователи д-р Хуэйпин Чен и д-р Григориос Лукидес вместе с д-ром Робертом Гвадерой и д-ром Солоном Писсисом говорят, что новому программному обеспечению более трех лет. раз более эффективны, чем существующие методы обнаружения, а также могут анализировать большие объемы данных.

Текущие методы обнаружения отмывания денег основаны на правилах или машинном обучении (ML), которые включают в себя автоматические сигналы обнаружения отмывания денег, запускаемые «подозрительными» сценариями транзакций, такими как чрезмерные депозиты наличных, или обработку больших наборов историй транзакций для выявления возможного отмывания денег. деятельность по заранее заданным направлениям. Эти методы могут быть неэффективными или медленными в раскрытии случаев преступления, особенно с учетом практики смурфинга.

Оба существующих метода также требуют знания предметной области — например, банк должен был успешно перехватывать атаки в прошлом и использовать их для обнаружения других атак. Если у организации нет таких данных, что может иметь место при использовании новых или развивающихся методов отмывания денег, то это означает снижение точности.

Доктор Чен, доктор философии. Студент факультета информатики сказал: «Отмывание денег представляет собой серьезную глобальную проблему. Разработка более быстрого и эффективного подхода к обнаружению этой преступной деятельности сигнализирует о важном шаге в правильном направлении для решения этой проблемы и обеспечения уверенности для финансовых учреждений».

По оценкам Управления ООН по наркотикам и преступности (УНП ООН), ежегодно отмывается от 2% до 5% мирового ВВП, примерно от 632 миллиардов фунтов до более 1,5 триллионов фунтов стерлингов.

Доктор Лукидес заявляет: «Мы разработали оптимальный метод, который может найти наилучшее возможное решение для обнаружения общих классификаций смурфинг-атак на миллионах объемов данных, что в среднем в 3,2 раза эффективнее, чем самые современные методы, используемые в настоящее время. использовал.

«Наш инструмент также более автоматизирован и позволяет гораздо быстрее анализировать данные, чем те, которые доступны в настоящее время. Позволяя экспертам по отмыванию денег исследовать огромные объемы данных быстрее, чем когда-либо прежде, мы можем дать им возможность выявлять субъектов с плохими намерениями».

«Сейчас мы работаем над дальнейшим улучшением этого инструмента с целью обеспечить более высокую скорость, чем традиционные подходы, но с еще большей точностью».

Программное обеспечение для нового инструмента имеет открытый исходный код и находится в свободном доступе. Поскольку его можно использовать с гораздо большими объемами данных, чем традиционные методы обнаружения , исследователи говорят, что он может анализировать большие объемы данных в течение длительных периодов времени, фильтруя и подавая сигнал тревоги, чтобы указать банку при обнаружении подозрительной активности .

Подход был протестирован на реальных данных анонимного чешского банка, а также на вымышленных случаях, основанных на прогнозах общих закономерностей и действий, присутствующих в случаях реального отмывания денег . В обоих случаях алгоритмы смогли обнаружить все подозрительные закономерности в транзакциях.

Исследователи говорят, что новый инструмент также имеет потенциальное применение, помимо обнаружения подозрительной финансовой деятельности, поскольку он может оптимизировать маркетинговые кампании , позволяя ритейлерам находить и обнаруживать наиболее прибыльные наборы продуктов; быстрое повышение точности розничных данных.