москва, г. Москва и Московская область, Россия
В условиях стремительной цифровизации всех направлений человеческой деятельности, в том числе финансового сектора, ускоренной пандемией COVID-19, проблема мошенничества с кредитными картами приобретает особую актуальность. Данное исследование посвящено комплексному анализу современных технологий обнаружения мошеннических операций, включая методы искусственного интеллекта, обработки больших данных и облачных вычислений. Цель – осветить самые последние и актуальные разработки по обнаружению мошенничества с кредитными картами, влияющие на новые технологии в этой области. Особое внимание уделяется эволюции платежных систем, переходу от традиционных методов к инновационным решениям на основе IoT-устройств и биометрических данных. Рассматриваются ключевые уязвимости существующих систем безопасности, а также перспективные направления развития средств и методов обнаружения мошенничества. Анализируются современные подходы к обработке транзакционных данных, включая распределенные вычисления и машинное обучение, с акцентом на их эффективность в условиях динамично меняющегося поведения пользователей. Исследование подчеркивает необходимость интеграции разнородных источников, данных для повышения точности обнаружения мошеннических операций. Особую значимость приобретает изучение возможностей облачных технологий для создания систем, способных оперативно реагировать на новые виды мошенничества в реальном времени. Предлагаются направления будущих исследований, включающие разработку гибридных моделей на основе данных IoT-устройств и биометрических показателей.
мошенничество, банковские карты, цифровая трансформация, цифровые платежи, токенизация, биометрические системы, транзакции, искусственный интеллект, Интернет вещей (IoT)
1. Liu W., Wang X., Peng W. State of the art: Secure mobile payment. IEEE Access, 2020, 8: 13898–13914. https://doi.org/10.1109/ACCESS.2019.2963480
2. Сумина А. В. Возможности искусственного интеллекта в раскрытии, расследовании и предупреждении преступлений. Актуальные проблемы права и правоприменительной деятельности: региональные аспекты: Всерос. науч.-практ. конф. (Краснодар, 27 октября 2023 г.) Краснодар: Краснодарский университет МВД России, 2024. С. 179–181. https://elibrary.ru/yxcvqr
3. Сумина А. В. Внедрение информационных технологий в правоохранительную деятельность: возможности искусственного интеллекта в раскрытии, расследовании и предупреждении преступлений. Информационные технологии в деятельности органов внутренних дел: Междунар. науч.-практ. конф. (Москва, 18 апреля 2024 г.) М.: Московский университет МВД РФ им. В. Я. Кикотя, 2024. С. 266–268. https://elibrary.ru/hwnxbv
4. Васильева Ю. Д., Сумина А. В. Использование искусственного интеллекта в правоохранительной деятельности: потенциальные возможности применения для раскрытия и расследования преступлений. Право, общество, государство: проблемы истории, теории и практики: Всерос. науч.-практ. конф. (Старотеряево, 12 апреля 2024 г.) М.: Московский университет МВД России им. В. Я. Кикотя, 2024. С. 547–551. https://elibrary.ru/qmfidx
5. Абдурагимова Т. И. Раскрытие и расследование изготовления, сбыта и использования поддельных кредитных и расчетных пластиковых карт: дис. … канд. юрид. наук. М., 2001. 201 с. https://elibrary.ru/nntouz
6. Сучкова Е. А. Исследование личности преступника в ходе расследования неправомерного оборота средств платежей. Научный вестник Орловского юридического института МВД России имени В. В. Лукьянова. 2024. № 3. С. 258–265. https://elibrary.ru/cvztfo
7. Филиппов М. Н. Методика расследования краж и мошенничеств, совершенных с использованием банковских карт и их реквизитов. Ведомости уголовно-исполнительной системы. 2015. № 5. С. 26–30. https://elibrary.ru/uygmnj
8. Мещеряков В. А. Теоретические основы механизма следообразования в цифровой криминалистике. М.: Проспект, 2022. 176 с. https://elibrary.ru/ejfpkb
9. Al Hashedi K. G., Magalingam P. Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019. Computer Science Review, 2021, 40. https://doi.org/10.1016/j.cosrev.2021.100402
10. Yvan Lucas, Johannes Jurgovsky. Credit card fraud detection using machine learning: A survey. arXiv, 2020. https://doi.org/10.48550/arXiv.2010.06479
11. Popat R., Chaudhary J. A survey on credit card fraud detection using machine learning. 2018 2nd International conference on trends in electronics and informatics (ICOEI): Proc. Conf., Tirunelveli, 11–12 May 2018. IEEE, 2018, 1120–1125. https://doi.org/10.1109/ICOEI.2018.8553963
12. Kanika, Singla J. A survey of deep learning based online transactions fraud detection systems. 2020 International conference on intelligent engineering and management (ICIEM): Proc. Conf., London, 17–19 Jun 2020. IEEE, 2020, 130–136. https://doi.org/10.1109/ICIEM48762.2020.9160200
13. Mittal S., Tyagi S. Computational techniques for real-time credit card fraud detection. Handbook of computer networks and cyber security, eds. Gupta B., Perez G., Agrawal D., Gupta D. Cham: Springer, 2020. https://doi.org/10.1007/978-3-030-22277-2_26
14. Singh A., Jain A. An empirical study of AML approach for credit card fraud detection–financial transactions. International Journal of Computers Communications & Control, 2019, 14(6): 670–690. https://doi.org/10.15837/ijccc.2019.6.3498
15. DiGabriele J., Heitger L., Riley R. A synthesis of non-fraud forensic accounting research. Journal of Forensic Accounting Research, 2020, 5(1): 257–277. https://doi.org/10.2308/JFAR-19-034
16. Hossein Motlagh N. Near field communication (NFC) – A technical overview. Dr. Diss. 2012, 73. https://doi.org/10.13140/RG.2.1.1232.0720
17. Vishwakarma P. P., Tripathy A. K., Vemuru S. Fraud detection in NFC-enabled mobile payments: A comparative analysis. Innovative data communication technologies and application, eds. Raj J. S., Iliyasu A. M., Bestak R., Baig Z. A. Singapore: Springer, 2021, vol. 59, 397–403. https://doi.org/10.1007/978-981-15-9651-3_34
18. Pasquet M., Gerbaix S. The complexity of security studies in NFC payment system. Australian information security management conference: Proc. 8 Conf., Perth, 30 Nov 2010. Pert: Cowan University, 2010, 95–101. https://doi.org/10.4225/75/57b674cb34783
19. Лукинский И. С., Горшенева И. А. Промт-инжиниринг в образовательном процессе и научной деятельности или к вопросу о необходимости обучения работе с искусственным интеллектом. Психология и педагогика служебной деятельности. 2024. № 4. С. 148–154. https://doi.org/10.24412/2658-638X-2024-4-148-154
20. Мирончук В. А., Золкин А. Л., Батищев А. В., Урусова А. Б. Интеграция больших данных и аналитических возможностей в современные системы поддержки принятия решений. Вестник Академии знаний. 2023. № 5. С. 227–230. https://elibrary.ru/decrqv
21. Doko F., Miskovski I. An overview of big data analytics in banking: Approaches, challenges and issues. UBT international conference. 2019, 11–17. URL: https://knowledgecenter.ubt-uni.net/conference/2019/events/270 (accessed 3 May 2025).
22. Laney D. 3D data management: Controlling data volume, velocity and variety. META Group Research. 2001. URL: https://diegonogare.net/wp-content/uploads/2020/08/3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf (accessed 3 May 2025).
23. Schroeck M., Shockley R., Smart J. Analytics: The real-world use of big data: How innovative enterprises extract value from uncertain data, Executive Report. 2012. URL: https://www.researchgate.net/publication/315786855_Analytics_the_real-world_use_of_big_data_How_innovative_enterprises_extract_value_from_uncertain_data_Executive_Report (accessed 13 May 2025).
24. Gandomi A., Haider M. Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 2015, 35(2): 137–144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007
25. Jeffrey Dean, Sanjay Ghemawat. MapReduce: Simplified data processing on large clusters. Communications of the ACM, 2008, 51(1): 107– 113. https://doi.org/10.1145/1327452.1327492
26. Nawsher Khan, Ibrar Yaqoob, Ibrahim Abaker Targio Hashem, Zakira Inayat, Waleed Kamaleldin Mahmoud Ali, Muhammad Alam, Muhammad Shiraz, Abdullah Gani. Big Data: Survey, technologies, opportunities, and challenges. The Scientific World Journal, 2014, 2014(1): 1–18. https://doi.org/10.1155/2014/712826
27. Dean J., Ghemawat S. MapReduce: A flexible data processing tool. Communications of the ACM, 2019, 53(1): 72–77. https://doi.org/10.1145/1629175.1629198
28. Shvachko K. V., Kuang H., Radia S. R., Chansler R. J. The hadoop distributed file system. 2010 IEEE 26th Symposium on mass storage systems and technologies (MSST): Proc. Conf., Incline Village, NV, 3–7 May 2010. IEEE, 2010, 1–10. https://doi.org/10.1109/MSST.2010.5496972
29. Vavilapalli V. K., Murthy A. C., Douglas C., Agarwal S., Konar M., Evans R., Graves T., Lowe J., Shah H., Seth S., Saha B., Curino C., O’Malley O., Radia S., Reed B., Baldeschwieler E. Apache Hadoop YARN: Yet another resource negotiator. SOCC '13: ACMsymposium on cloud computing: Proc. conf., California, 1–3 Oct 2013. NY: Association for Computing Machinery, 2013, 1–16. https://doi.org/10.1145/2523616.2523633
30. Madhavi A., Sivaramireddy T. Real-Time credit card fraud detection using spark framework. Machine learning technologies and applications, eds. Kiran Mai C., Brahmananda Reddy A., Srujan Raju K. Springer, 2021, 287–298. https://doi.org/10.1007/978-981-33-4046-6_28
31. Zhou H., Sun G., Fu S., Wang L., Hu J., Gao Y. Internet financial fraud detection based on a distributed big data approach with Node2vec. IEEE Access, 2021, 9: 43378–43386. https://doi.org/10.1109/ACCESS.2021.3062467
32. Мирончук В. А., Золкин А. Л., Мекшенева Ж. В., Поскряков И. А. Современные компьютерные системы поддержки принятия решений. Естественно-гуманитарные исследования. 2023. № 4. С. 228–231. https://elibrary.ru/ebeehk
33. Wischik D., Handley M., Braun M. B. The resource pooling principle. ACM SIGCOMM Computer Communication Review, 2008, 38(5): 47–52. https://doi.org/10.1145/1452335.1452342
34. Galante G., de Bona L. C. E. A survey on cloud computing elasticity. 2012 IEEE fifth international conference on utility and cloud computing: Proc. conf., Chicago, 5–8 Nov 2012. IEEE, 2012, 263–270. https://doi.org/10.1109/UCC.2012.30
35. Kumari P., Mishra S. P. Analysis of credit card fraud detection using fusion classifiers. Computational intelligence in data mining, eds. Behera H., Nayak J., Naik B., Abraham A. Singapore: Springer, 2019, vol. 711, 111–122. https://doi.org/10.1007/978-981-10-8055-5_11
36. Wiścicka-Fernando M. 2021. The use of mobile technologies in online shopping during the covid-19 pandemic – an empirical study. Procedia Computer Science, 2021, 192: 3413–3422. https://doi.org/10.1016/j.procs.2021.09.114
37. Лукинский И. С. Типология промышленных революций и их классификаций через призму инноваций в области технико-криминалистического обеспечения. Вестник Кемеровского государственного университета. Серия: Гуманитарные и общественные науки. 2023. Т. 7. № 4. С. 505–511. https://doi.org/10.21603/2542-1840-2023-7-4-505-511
