SCWO-SNN:基于雪地织布鸟优化(Snow Carpet Weaver Optimization)的脉冲神经网络(Spiking Neural Network),通过联邦学习(Federated Learning)技术用于检测统一支付接口(UPI)交易中的欺诈行为

《Computational Statistics & Data Analysis》:SCWO-SNN: Snow Carpet Weaver Optimization based Spiking Neural Network for Fraud Detection in UPI Transactions using Federated Learning

【字体: 大 中 小 】 时间:2026年04月17日 来源:Computational Statistics & Data Analysis 1.6

编辑推荐:

  基于联邦学习的UPI欺诈检测模型SCWO-SNN通过数据增强与优化算法提升检测精度

  
作者列表: Chandra Sekhar Kolli Veeraraghavan Jagannathan Dasaradha Ramayya Lanka Ch Rajyalakshmi Vijaya Kumar Reddy Radha Vadisena Venkata Krishna Reddy
印度安得拉邦东戈达瓦里地区苏兰帕莱姆市阿迪蒂亚大学计算机科学与工程系,邮编533437

摘要

在金融交易中,欺诈检测至关重要,因为欺诈行为可能导致经济损失、客户信任度下降以及长期声誉受损。传统系统往往无法在数据量有限的情况下提高检测准确性,这限制了它们适应不断变化的欺诈手段和识别复杂欺诈行为的能力。为了解决这一问题,本文设计了一种基于“Snow Carpet Weaver Optimization”(SCWO)的尖峰神经网络(SCWO-SNN),利用联邦学习(FL)技术来检测统一支付接口(UPI)交易中的欺诈行为。该系统由节点和服务器组成。本地训练过程首先使用本地数据,然后将结果更新到服务器;之后服务器汇总模型并将全局模型下载到各个节点,每个训练周期都会重复这一过程。模型训练期间通过“Comprehensive Normalization”实现输入数据标准化,特征选择则采用SCWO算法。数据增强通过“Borderline-SMOTE”过采样技术完成。最终,由SCWO调优的尖峰神经网络(SNN)负责欺诈检测。在服务器端,采用“Average”方法进行本地更新和数据汇总。SCWO-SNN的评估指标包括损失函数、归一化均方误差(MSE)、归一化均方根误差(RMSE)、精确度、召回率和F值,分别取得了0.119、0.197、0.443、91.400%、91.275%和91.448%的优异结果。

引言

随着数字银行业的发展,确保金融交易的完整性比以往任何时候都更加重要。虽然这种变革带来了前所未有的便利,但也使用户面临网络威胁,尤其是银行账户欺诈的风险。在线银行和信用卡交易中的金融欺诈对全球经济、金融机构的信誉以及个人财务安全构成了严重威胁[1]。为了开发能够检测银行账户欺诈的新机制,通常采用机器学习(ML),因为它能根据输入数据高效优化系统以提供准确预测[2,3]。特定ML方法的质量取决于数据特征和欺诈类型,其中某些欺诈类型难以识别[[4], [5], [6]]。近年来,联邦学习(FL)在金融领域得到了广泛应用,这主要归功于其处理海量数据和识别潜在模式的能力[7]。然而,集中式方法的一个缺点是银行需要应对多种欺诈模式,这可能影响其快速识别新欺诈行为的能力。因此,联邦学习被视为解决这一问题的有效途径。FL是一种保护隐私的去中心化ML技术[[8], [9], [10], [11]],它通过在本地设备上训练模型并共享汇总结果来实现高效检测和响应威胁[12,13]。由于FL是端到端的学习框架,因此天然具备保密性、完整性和隐私保护能力,因为终端设备不会传输原始数据[14,15]。集中式方法与FL的主要区别在于数据保护和协作方式:前者仅限于单一银行,而后者涉及多家银行的合作[1,16]。
在欺诈检测领域,FL作为一种创新的技术系统脱颖而出,提供了协作和保密的框架来应对欺诈行为。这种方法的重要性日益凸显,因为它无需直接交换数据即可整合来自不同组织的信息。此外,FL侧重于共享技术的更新而非大规模数据处理,从而提高了处理速度,并确保客户数据的安全性[1]。数字支付软件改变了人们的消费方式,推动了交易流程的重大变革。近年来,印度的数字交易量稳步增长,尤其是UPI应用程序的普及,使得支付更加便捷[17,18]。因此,UPI已成为全球数字支付领域的主导力量,重塑了金融交易的模式并影响了各国的经济格局[19,20]。UPI系统通过简化个人与金融机构之间的资金转移,大大加快了交易速度。尽管UPI取得了广泛的应用和显著的成功,但其快速的发展也带来了新的挑战,如欺诈活动的增加,这些活动威胁到用户安全、机构信任和金融完整性[[21], [22], [23], [24], [25]]。由于UPI的易用性和即时支付功能,它迅速普及,但同时也吸引了利用系统漏洞的欺诈者,导致财务损失和用户信任度下降[[26], [27], [28], [29]]。随着UPI交易的快速增长,欺诈者也在开发更复杂的欺诈手段。
常见的欺诈手段包括未经授权的账户访问、网络钓鱼攻击以及窃取个人信息的恶意应用程序。这些行为导致了财务损失并削弱了用户对数字支付的信任[30]。交易和银行账户信息属于高度敏感的数据,因此学习相关模块需要具备隐私保护的协作学习能力。随着对分布式数据学习的日益重视以及法律规定的出台(允许在不直接共享数据的情况下进行学习),FL模块受到了数据挖掘和机器学习社区的广泛关注[31]。最常见的FL类型是水平联邦学习(horizontal FL),其中中央服务器在每次迭代中从用户那里获取更新后的技术,并将其发送给所有节点进行重复更新[32];另一种是垂直联邦学习(vertical FL),适用于用户数据具有不同特征的情况[22]。然而,数据的分布式和私密特性使得大多数传统学习系统难以应用于欺诈预测任务。除了学习阶段外,推理阶段也需要来自各方的隐私信息。利用FL优化欺诈检测技术能够高效且保护隐私地识别欺诈行为,同时具备可扩展性和实时学习能力[18]。
尽管存在各种欺诈风险,UPI的出现改变了印度的数字交易格局。现有研究采用了随机森林(RF)、结构化数据变换器(SDT)、联邦学习(FL)、深度学习(DL)和大型语言模型(LLM)等方法来检测UPI交易中的欺诈[33, 34, 35, 36],但仍存在许多不足。许多方法未能整合有效的优化策略来保护隐私和防止恶意数据注入[33],也未在具有挑战性的数据集上进行验证[34],且缺乏对不断变化的欺诈模式的持续监控和适应性[35]。此外,这些方法通常不结合基于图的模型或混合优化来提高预测准确性,也不经常更新以应对新的欺诈手段[37, 38]。为克服这些限制,本文提出了一种在FL框架内使用SCWO算法调优的SNN方法。这种混合方法通过优化模型参数、提高对复杂数据的泛化能力以及动态响应新欺诈策略,实现了安全、隐私保护和高度适应性的欺诈检测,提升了UPI欺诈检测的准确性和鲁棒性。
本文的重点是介绍利用FL进行UPI交易欺诈检测的SCWO-SNN方法。FL框架以节点和服务器为核心实体,包括本地训练、数据更新、模型汇总和全局模型训练。训练过程中对输入数据进行标准化处理,然后使用SCWO选择合适的特征。数据增强采用“Borderline-SMOTE”过采样技术。最终,通过SCWO调优的SNN来检测UPI交易中的欺诈行为,其中参数由Snow Ablation Optimizer(SAO)和Carpet Weaver Optimization(CWO)共同形成[39]。最后,通过平均模型完成本地更新和服务器汇总。
  • ?
    用于UPI交易欺诈检测的SCWO-SNN:本文的创新之处在于提出了一种基于FL的UPI欺诈检测方法。该方法利用UPI进行交易并检测欺诈行为,通过结合SAO和CWO优化SNN参数来实现高效检测。该系统采用保护隐私的FL框架,在多个节点间进行模型训练,确保敏感交易数据的安全性,并利用Borderline-SMOTE过采样有效处理不平衡的UPI欺诈数据集。通过将特征选择、优化后的SNN和联邦学习集成到一个统一框架中,该方案在准确性和鲁棒性方面均优于现有ML、FL和LLM方法。
SCWO-SNN的结构如下:第2部分回顾了传统方法;第3部分详细解释了SCWO-SNN的工作原理;第4部分展示了实验结果;第5部分总结了未来研究方向。

参考文献

文献综述

Abdul Salam等人[33]提出了基于RF的信用卡欺诈检测方法,有效缓解了类别不平衡问题并提高了分类效率。然而,该方法未采用更先进的优化技术来保护梯度数据的安全性。Tang和Liu[34]提出了SDT和FL模块用于信用卡欺诈检测,有效处理了相关挑战。

基于FL的SCWO-Spike Neural Network用于UPI欺诈检测

该模型旨在利用FL检测UPI交易中的欺诈行为。系统中包含节点和服务器,每个节点对其可用数据进行本地训练,然后将结果模型更新发送到服务器。服务器汇总模型后,将全局模型下载到各个节点,每个训练周期都结合全局和本地模型进行迭代。训练过程中对输入数据进行标准化处理。

结果与讨论

本节对SCWO-SNN的结果进行了解释和评估,并与现有方法进行了比较。

结论

本研究旨在解决在线交易(尤其是UPI交易)带来的欺诈检测复杂性问题。因此,提出了基于FL的SCWO-SNN模型用于检测UPI交易中的欺诈行为。实验结果表明,该模型在准确性和鲁棒性方面均优于现有方法(如RF、XFL、Federated SDT、ML、基于LLM的分类器等)。

作者贡献声明

Chandra Sekhar Kolli:验证、监督、概念设计。 Veeraraghavan Jagannathan:监督。 Dasaradha Ramayya Lanka:写作——审稿与编辑、初稿撰写、方法论设计。 Ch Rajyalakshmi:可视化设计。 Vijaya Kumar Reddy Radha:形式化分析。 Vadisena Venkata Krishna Reddy:项目管理工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号