综述：信用卡欺诈检测与防范系统安全的深度审查：对抗性机器学习攻击、防御措施与区块链技术的整合

《Computers and Electrical Engineering》：In-depth review of the credit card fraud detection and prevention systems security: Adversarial machine learning attacks, defenses and blockchain technologies integration

　　

摘要

信用卡欺诈检测与预防系统（CCFDPS）对于保护金融行业至关重要。基于机器学习（ML）方法和区块链技术的现代 CCFDPS 具有增强安全交易并提供高效、安全、分布式且透明的 CCFDPS 的潜力。然而，ML 的整合带来了一些挑战，包括对抗性攻击和数据隐私。在本研究中，我们将专注于源自表格数据的对抗性攻击，以及区块链如何与其他技术整合结合以应对这类挑战。与现有的调查不同，本工作首次引入了以安全为中心的 CCFDPS 分析见解。本文提出了一项关于与 CCFDPS 相关的对抗性攻击、安全威胁和防御的深入分析。我们的综述是 CCFDPS 领域首个关注系统整体安全部分而非重点关注类别不平衡问题等常规挑战的研究。本研究强调了 CCFDPS 安全领域的研究空白，并提出了有希望的未来方向以解决这些当前差距。

引言

在技术时代，机器学习（ML）方法改变了人们对金融服务（包括信用卡欺诈领域）的感知，并影响了日常生活中的客户体验。信用卡欺诈检测与预防系统（CCFDPS）被认为是保护信用卡交易免受欺诈的第一道安全屏障。通常，它旨在首先防止欺诈的发生。预防机制应限制、控制、消除并停止任何欺诈实例。大多数新的信用卡欺诈预防系统基于区块链技术（BT），因为它们可以改善不可篡改性和透明度，从而在记录交易时改进预防机制。

在 CCFDPS 领域，可以集成 BT 来构建安全的欺诈检测系统，从而产生积极影响。最新的文章和论文探讨了在 CCFDPS 中使用 ML 和 BT 以增强安全方面。

使用 ML 和 BT 的 CCFDPS 能够在早期阶段检测和预防异常，为金融机构提供主动策略以防止欺诈并减少由信用卡欺诈导致的财务影响。使用 BT，所有信用卡交易都可以被捕获在去中心化且可验证的账本中，使欺诈者更难篡改或操纵数据 [1]。这种集成还可以为客户提供更安全、高效和可信的支付系统。事实上，ML 模型可以处理和 analyzes 许多交易数据以准确检测非法模式；与此同时，BT 保证了这些数据的一致性和安全性。结合而言，具有预测能力的 ML 方法与 BT 可以改善 CCFDPS，最小化财务损失并改善客户服务 [1]。图 1 展示了智能、健壮且可扩展的 CCFDPS 的分类。事实上，最当代的 CCFDPS 已证明其在检测欺诈交易方面的有效性。然而，最近的研究表明，ML 算法容易受到关键漏洞的影响，这可能欺骗现有系统进行错误分类。

与将 ML 性能、类别不平衡问题、对抗机器学习攻击 [2]、防御机制或基于区块链和联邦学习（FL）的解决方案集成作为独立方法而不考虑组件间交互的现有工作不同，本综述首次引入了以安全为中心的 CCFDPS 分析见解。

以下工作对 CCFDPS 领域的对抗机器学习（AML）攻击进行了综合分析，重点强调了文献中引入的不同防御控制。此外，它突出了 BT 在 CCFDPS 中的应用如何增强整体安全。主要焦点在于利用这两种技术以提高 CCFDPS 安全性和透明度的前沿和新颖方法。我们的目标是呈现对 2019 年至 2026 年间发表的最新工作的全面且深入的调查，以为未来研究人员提供相关指导，因为过去七年在 CCFDPS 领域涌现了大量各种新的研究。本综述的主要贡献如下：

• •
  提供关于最近研究的联合分析概述，这些研究重点关注 CCFDPS 中的 AML 攻击、防御、FL 和 BT 集成。为实现这一目标，我们的方法包括以下内容：

  • –
    详细分析 AML 攻击并将其与其相应的最新防御机制联系起来，以及它们在 CCFDPS 环境中的有效性、限制和实际部署。
  • –
    BT 集成的优势作为安全层，以提高 CCFDPS 的稳健性、数据完整性、信任和透明度。
  • –
    对纳入 ML、FL 和 BT 以改善 CCFDPS 安全性和稳健性的最新工作及其限制进行深入批判性审查。
• •
  梳理所有与 CCFDPS 安全方面相关的公开研究挑战，以及可能的研究方向，以帮助研究人员和开发人员提供更具稳健性和对抗感知能力的解决方案，以解决 CCFDPS 安全问题。

为此，本文结构如下：第 2 节详细说明了我们的方法论。第 3 节介绍了 CCFDPS 中使用的不同 ML 类型。第 4 节表示针对 CCFDPS 最常见的对抗 ML 攻击；在第 5 节中，我们介绍了基于 ML 和 BT 在信用卡欺诈检测与预防中的应用的相关工作。之后，我们在第 6 节中强调了研究空白。最后，我们在第 7 节中总结全文并概述未来方向。

章节摘录

方法论

本综述旨在对 2019 年至 2026 年 4 月期间 CCFDPS 中评估和改进模型安全性的最新研究进行梳理。在接下来的章节中，我们将展示所遵循的方法论。

用于信用卡欺诈检测与预防方法的机器学习算法

在 CCFDPS 背景下，ML 方法可分为三个主要领域：传统 ML、深度学习和混合学习方法。在以下小节中，我们将详细介绍每种类型的不同特征。

针对 CCFDPS 的常见对抗机器学习

最近关于信用卡欺诈检测与预防中 AML 攻击的研究揭示了影响所提系统性能的重大漏洞。事实上，对抗机器学习（AML）旨在生成恶意样本以欺骗现有模型。不可预测的扰动可能导致错误分类，影响所提模型的整体性能，敏感数据泄露，或确定性的服务拒绝。大多数基于传统的所提模型

基于增强 BT 的 CCFDPS 的相关工作

本节描述了 BT 的技术背景，并提出了其对提高 CCFDPS 稳健性的影响，以及该研究领域最新方案概述。我们的主要目标是突出 BT 在检测信用卡欺诈方面的强大作用。

CCFDPS 环境下的 AML 攻击

通过分析选定的不同研究，我们观察到准确率的微小下降可能会带来重大的经济损失。CCFDPS 的质量可能会因 AML 攻击影响模型性能而严重下降，导致性能降低超过 50%，并使敏感数据面临关键风险。在本综述中，我们观察到大多数研究专注于白盒攻击，如 FGSM [18]、[19]、[23]、[25]、[51]、[52]、CW [51]、[52]、Deepfool [23]、[51]、[52]、LowProFool [22]，

结论

在金融服务安全方面，人工智能引起了重要关注，尤其是在 CCFDPS 背景等关键领域。已经进行了多项研究以基于 ML 和 DL 算法提高 CCFDPS 的整体性能。然而，AML 攻击已成为这些系统的威胁。因此，几项研究表明，这些系统对生成关键安全风险的特征和结构中的扰动很脆弱。在本综述中，我们

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些可能被认为影响了本论文中报告的工作。

卡里玛·埃尔哈基米 | 吉兹兰·奥尔哈努 | 拉胡辛·巴利希

摩洛哥拉巴特穆罕默德五大学科学学院 LabMiA-SI 实验室