FinSafeNet: Promoción de la seguridad de la banca digital con aprendizaje profundo para la detección de fraudes y la protección de transacciones en tiempo real

Con los rápidos avances tecnológicos y el mayor uso de Internet en las empresas, la ciberseguridad se ha convertido en una importante preocupación mundial, especialmente en la banca y los pagos digitales. Los sistemas digitales ofrecen eficiencia y conveniencia, pero exponen a los usuarios a riesgos de fraude, incluido el robo de identidad y el acceso no autorizado. Los métodos tradicionales luchan por mantenerse al día con tácticas de fraude complejas, lo que empuja a las instituciones financieras a adoptar soluciones basadas en inteligencia artificial. La IA mejora la detección de fraude al analizar una gran cantidad de datos de transacciones, identificar patrones sospechosos y automatizar la detección de amenazas. Sin embargo, los altos costos y los problemas de calidad de los datos plantean desafíos, especialmente para las instituciones más pequeñas, lo que subraya la necesidad de medidas de ciberseguridad equilibradas y efectivas en el sector financiero.

Los sistemas de seguridad bancarios actuales a menudo no son suficientes frente a las avanzadas amenazas cibernéticas actuales debido a tecnologías obsoletas. Las medidas reactivas tradicionales responden sólo después de una infracción, lo que las hace ineficaces contra ataques nuevos o sofisticados. Los sistemas bancarios heredados, que carecen de funciones como monitoreo en tiempo real y autenticación multifactor, son particularmente vulnerables. Esta dependencia de métodos obsoletos expone a los bancos a pérdidas financieras, daños a su reputación y sanciones regulatorias. Los bancos deben adoptar estrategias proactivas impulsadas por la tecnología para abordar estos riesgos, aprovechando la inteligencia artificial, el aprendizaje automático y el análisis del comportamiento. Fomentar la concienciación sobre la ciberseguridad entre los empleados puede fortalecer aún más las defensas contra las ciberamenazas.

Investigadores de la Universidad Majmaah, la Universidad King Saud y la Universidad de Wollongong desarrollaron FinSafeNet, un modelo de aprendizaje profundo para la banca digital segura. Basado en Bi-LSTM, CNN y un mecanismo de atención dual, este modelo aborda la seguridad de las transacciones en tiempo real. Incorpora un algoritmo de optimización mejorado de Snow-Lion (I-SLOA) para una selección eficiente de funciones, combinando optimización jerárquica de enjambre de partículas y evolución diferencial adaptativa. FinSafeNet también emplea PCA multinúcleo con aproximación de Nyström para reducir las demandas computacionales y mejorar el rendimiento. Probado en la base de datos Paysim, logró una precisión del 97,8%, superando los modelos tradicionales y mejorando la seguridad de las transacciones bancarias digitales.

El modelo de ciberseguridad propuesto para la banca digital utiliza el aprendizaje profundo, comenzando con la adquisición de datos de los conjuntos de datos PaySim y Tarjetas de crédito, que simulan transacciones con tarjetas y dinero móvil para estudiar el fraude. Los datos se limpian y normalizan, se completan los valores faltantes y se eliminan las columnas superfluas. Las características clave se extraen mediante Joint Mutual Information Maximization (JMIM), que supera a los métodos estándar al identificar las características más relevantes para la detección de fraude. Además, se selecciona un subconjunto de características optimizadas a través de un I-SLOA, que combina la evolución diferencial adaptativa y la optimización del enjambre de partículas, lo que mejora la precisión de la detección en ambos conjuntos de datos.

El modelo FinSafeNet, implementado en Python, se evaluó utilizando los conjuntos de datos Paysim y Credit Card. En comparación con modelos de última generación como VGGNET, RESNET y CNN, FinSafeNet logró resultados superiores en métricas como exactitud, precisión, sensibilidad y especificidad. Alcanzó una precisión del 97,9% en Paysim y del 98,5% en datos de tarjetas de crédito, con bajas tasas de error (FPR y FNR). Su mecanismo de atención dual, la integración Bi-LSTM y la selección optimizada de funciones lo hicieron muy eficaz para la detección de fraude. Sin embargo, la adaptabilidad de FinSafeNet depende de diversos datos de capacitación y podría enfrentar desafíos de escalabilidad en tiempo real.

En conclusión, el modelo FinSafeNet ofrece un avance importante en la seguridad de la banca digital, aprovechando Bi-LSTM, CNN y un mecanismo de atención dual para una detección precisa del fraude con un tiempo de procesamiento mínimo. Mejorado por I-SLOA, que combina HPSO y ADE para la selección de funciones de alta calidad, el modelo logró una precisión del 97,8 % en el conjunto de datos de Paysim, superando los métodos tradicionales. Al integrar Multi-Kernel PCA (MKPCA) con la aproximación de Nyström, maneja de manera eficiente grandes conjuntos de datos sin comprometer el rendimiento. El éxito de FinSafeNet sugiere su potencial para la implementación en tiempo real en diversos entornos bancarios, y la futura integración de blockchain podría reforzar aún más la seguridad de las transacciones contra las amenazas cibernéticas.

Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.

(Próximo evento en vivo de LinkedIn) ‘Una plataforma, posibilidades multimodales’, donde el director ejecutivo de Encord, Eric Landau, y el director de ingeniería de productos, Justin Sharps, hablarán sobre cómo están reinventando el proceso de desarrollo de datos para ayudar a los equipos a construir rápidamente modelos de IA multimodales innovadores.

A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.