基于增强型开普勒优化与幽灵对立学习的欺诈检测新方法及其在金融安全中的应用

《Frontiers in Artificial Intelligence》：Tackling fraud detection with an enhanced Kepler optimization and ghost opposition-based learning

本文提出了一种新型二元开普勒优化算法（BKOA），融合幽灵对立学习（GOBL）策略，显著提升高维不平衡数据中的欺诈检测（FD）性能。该方法通过动态模拟行星运动机制（如引力吸引、轨道速度）平衡探索与开发，结合随机欠采样（RUS）处理类别不平衡，并在五个真实数据集（如Australian、CIC-MalMem-2022等）上验证其有效性。实验表明，BKOA-GOBL在分类准确率（最高达99.96%）、特征降维（最高81.82%）及ROC_AUC等指标上均优于12种主流元启发式算法（MHAs），为金融欺诈与恶意软件检测提供了鲁棒、自适应解决方案。

　　

引言

随着在线交易与数字活动的普及，欺诈和恶意软件攻击日益频繁，传统检测系统在应对新型威胁、类别不平衡及高维特征时表现不足。本研究针对这一挑战，提出一种增强型二元开普勒优化算法（BKOA），结合幽灵对立学习（GOBL）策略，以优化特征选择（FS）过程，提升欺诈检测（FD）的准确性与效率。

方法

1. 不平衡数据处理

采用随机欠采样（RUS）技术平衡数据集，解决欺诈数据中多数类（正常交易）与少数类（欺诈交易）的不平衡问题。RUS通过随机剔除多数类样本，降低模型偏差，兼顾计算效率与内存友好性。

2. 开普勒优化算法（KOA）框架

KOA模拟行星绕太阳运动规律，将最优解视为太阳，候选解视为行星，通过引力相互作用更新位置。其核心公式包括：

• •
  行星位置初始化（式1）：X_i,j= X_j^LB+ rand× (X_j^UB? X_j^LB)
• •
  引力计算（式2）：F_i^t= e_i× μ^t× (M?_Best× m?_i) / (R?_i²+ ε) + rand₁
• •
  行星速度更新（式7）：依据距离太阳的远近动态调整，近距离时加速探索，远距离时减速利用。

3. 幽灵对立学习（GOBL）策略

GOBL通过生成当前解的“幽灵对立解”扩大搜索范围，避免陷入局部最优。其位置计算如式24：x_i^*= (UB+ LB)/2 + (UB+ LB)/(2k) ? x_i/k，其中k为动态控制参数。

4. 二进制转换与适应度评估

连续解通过阈值thr_rand转换为二进制特征子集（式25），适应度函数（式26）平衡分类准确率与特征数量：Fitness = w₁× (1 ? 准确率) + w₂× (所选特征数/总特征数)。

实验结果

在五个数据集（Australian、European、Synthetic Financial Transaction Log、Real vs Fake Job Postings、CIC-MalMem-2022）上对比KOA-GOBL与12种MHAs（如HBO、PSO、GA等）：

• •
  分类准确率：BKOA-GOBL结合k-NN分类器在Australian数据集准确率达90.51%，在CIC-MalMem-2022数据集达99.96%；结合Xgb-tree分类器在Australian数据集达91.35%。
• •
  特征降维：在Synthetic Financial Transaction Log数据集中，特征数减少81.82%；在CIC-MalMem-2022中减少80%。
• •
  收敛性：BKOA-GOBL在100代内快速收敛，且曲线平滑稳定（图2、图3）。
• •
  统计显著性：Wilcoxon秩和检验（p< 0.05）证实BKOA-GOBL优于对比算法（表9、表10）。

讨论与展望

BKOA-GOBL通过行星运动机制与GOBL的协同，有效平衡全局探索与局部开发，尤其适用于高维不平衡数据场景。未来工作可聚焦于：

1. 1.
   与深度学习模型（如CNN、LSTM）结合，提升复杂模式识别能力；
2. 2.
   扩展至多目标优化，同时优化准确率、耗时与能耗；
3. 3.
   部署于实时流数据环境，验证其在线检测效率。

本研究为金融安全、恶意软件防治等领域提供了可扩展、自适应的智能检测框架。