KR102409019B1 - 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 - Google Patents

Abstract

금융 거래 위험 평가 시스템은, 이상거래 여부가 라벨링(labeling)된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습에 의하여 분석 모델을 생성하도록 구성된 학습 모듈; 금융 소비자의 금융 거래 데이터를 수신하도록 구성된 통신 모듈; 및 상기 분석 모델을 이용하여 상기 금융 거래 데이터에 대한 위험도를 평가하도록 구성된 위험 평가 모듈을 포함한다. 이때, 상기 분석 모델은 데이터 유사도에 기반하여 생성되는 복수 개의 데이터 군집별 이상거래 탐지 모델을 포함하고, 상기 위험 평가 모듈은, 상기 금융 거래 데이터에 상응하는 데이터 군집의 이상거래 탐지 모델을 이용하여 상기 위험도를 결정하도록 더 구성된다. 상기 금융 거래 위험 평가 시스템을 이용하면, 오픈 뱅킹 및 마이데이터 등의 도입으로 금융 소비자의 주체성과 편의성이 강화되는 금융 환경의 변화에 맞추어, 기계학습을 통한 위험도 분석 모델링 및 위험도 측정을 통해 금융 거래의 위험을 금융 소비자 본인이 관리하도록 할 수 있는 이점이 있다.

Description

금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램{SYSTEM AND METHOD FOR RISK ASSESSMENT OF FINANCIAL TRANSACTIONS AND COMPUTER PROGRAM FOR THE SAME}

실시예들은 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램에 대한 것으로, 보다 구체적으로는, 금융 서비스 이용 채널과 거래 형태가 디지털 방식으로 변화하는 것에 맞추어 기계학습 기반의 위험도 측정을 통해 금융 거래의 위험을 금융 소비자 본인이 관리할 수 있도록 하는 기술에 대한 것이다.

최근 금융 거래 환경은 디지털 기술의 발전과 더불어 다양하게 변화하고 있다. 한국에서 2019년 4월 도입된 오픈 뱅킹은 은행이 아닌 제3자에게 은행 계좌에 대한 접근을 허용하고 결제망을 개방하는 제도로서, 오픈 뱅킹에 모든 금융기관이 참여한 결과 현재 한국에서는 본인이 거래하고 있는 금융기관의 서비스(예컨대, 앱)를 통하지 않더라도 본인 소유의 계좌를 토대로 한 이체, 송금 등 거래가 가능하게 되었다.

또한, 한국에서는 2020년 8월 데이터 3법(개인정보보호법, 정보통신망법, 신용정보법)이 개정된 후 마이데이터 사업(본인신용정보관리업)이 시행되었다. 마이데이터 사업이란 개인이 본인의 데이터에 대한 열람, 제공 범위, 접근 승인 등을 직접 결정하고, 이를 신용관리, 자산관리 등 개인 생활에 능동적으로 활용할 수 있도록 하는 일련의 과정을 의미한다. 마이데이터 사업자를 통하면, 사용자는 은행, 보험, 통신사 등 여러 곳에 흩어져 있는 자신의 데이터를 수집하여 한 눈에 볼 수 있다. 예를 들어, 등록특허공보 제10-2201679호는 마이데이터 공유 서비스 방법을 개시한다.

그러나, 오픈 뱅킹 및 마이데이터와 같은 서비스가 제공하는 금융 거래 편리성의 이면에는 금융 소비자 본인의 관리가 소홀할 경우 모든 금융자산을 제3자가 가져갈 수 있는 위험이 내재되어 있다. 예를 들어, 기존에는 A은행의 계좌에서 자금을 이체(송금)하기 위하여는 A은행이 제공하는 앱(서비스)을 통해서만 가능했으나, 지금은 오픈 뱅킹 제도의 시행으로 A은행 앱에서 B은행의 계좌를 등록하여 B은행 계좌에서 이체(송금) 거래가 가능하다. 따라서, A은행의 앱에 대한 접근수단 및 인증매체가 타인에게 유출될 경우 타인에 의하여 모든 금융회사의 금융자산이 탈취될 수 있는 위험이 있다.

등록특허공보 제10-2201679호

전술한 종래 기술의 문제점을 해결하기 위한 본 발명의 일 측면에 따르면, 오픈 뱅킹 및 마이데이터 등의 도입으로 금융 소비자의 주체성과 편의성이 강화되는 금융 환경의 변화에 맞추어, 기계학습을 통한 위험도 분석 모델링 및 위험도 측정을 통해 금융 거래의 위험을 금융 소비자 본인이 관리할 수 있도록 하는 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램을 제공할 수 있다.

본 발명의 일 측면에 따른 금융 거래 위험 평가 시스템은, 이상거래 여부가 라벨링(labeling)된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습에 의하여 분석 모델을 생성하도록 구성된 학습 모듈; 금융 소비자의 금융 거래 데이터를 수신하도록 구성된 통신 모듈; 및 상기 분석 모델을 이용하여 상기 금융 거래 데이터에 대한 위험도를 평가하도록 구성된 위험 평가 모듈을 포함한다. 이때, 상기 분석 모델은 데이터 유사도에 기반하여 생성되는 복수 개의 데이터 군집별 이상거래 탐지 모델을 포함하고, 상기 위험 평가 모듈은, 상기 금융 거래 데이터에 상응하는 데이터 군집의 이상거래 탐지 모델을 이용하여 상기 위험도를 결정하도록 더 구성된다.

일 실시예에서, 상기 학습 모듈은, 상기 학습 데이터를 데이터 유사도에 기반하여 복수 개의 데이터 군집으로 구분하도록 구성된 클러스터링(clustering)부; 및 상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용하여 상기 복수 개의 데이터 군집별 이상거래 탐지 모델을 생성하도록 구성된 지도 학습(supervised learning)부를 포함한다.

일 실시예에서, 상기 분석 모델은 이상거래 예측 모델을 더 포함하고, 상기 학습 모듈은, 상기 학습 데이터를 이용한 비지도 학습(unsupervised learning)에 의해 상기 이상거래 예측 모델을 생성하도록 구성된 비지도 학습부를 더 포함한다.

일 실시예에서, 상기 위험 평가 모듈은, 상기 금융 거래 데이터에 상응하는 데이터 군집을 결정하도록 구성된 클러스터링부; 및 상기 클러스터링부에 의해 결정된 데이터 군집의 이상거래 탐지 모델을 이용하여 상기 금융 거래 데이터의 이상거래 여부를 결정하도록 구성된 위험 평가부를 포함한다.

일 실시예에서, 상기 분석 모델은 상기 학습 데이터를 이용한 비지도 학습에 의해 생성된 이상거래 예측 모델을 더 포함한다. 또한, 상기 위험 평가부는, 상기 이상거래 탐지 모델에 의해 상기 금융 거래 데이터가 이상거래가 아닌 것으로 결정되는 경우 상기 이상거래 예측 모델을 이용하여 상기 위험도를 산출하도록 더 구성된다.

일 실시예에서, 상기 통신 모듈은, 금융기관 또는 이용기관으로부터 상기 금융 거래 데이터가 수신되는 것에 대한 응답으로, 상기 금융 거래 데이터에 상응하는 금융 거래를 실행하기 전에 상기 위험도에 대한 정보를 금융 소비자의 사용자 장치에 전송하도록 더 구성된다.

본 발명의 일 측면에 따른 금융 거래 위험 평가 방법은, 금융 거래 위험 평가 시스템이, 이상거래 여부가 라벨링된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습에 의하여 분석 모델을 생성하는 단계; 상기 금융 거래 위험 평가 시스템이 금융 소비자의 금융 거래 데이터를 수신하는 단계; 및 상기 금융 거래 위험 평가 시스템이, 상기 분석 모델을 이용하여 상기 금융 거래 데이터에 대한 위험도를 평가하는 단계를 포함한다. 이때, 상기 분석 모델은 데이터 유사도에 기반하여 생성되는 복수 개의 데이터 군집별 이상거래 탐지 모델을 포함하고, 상기 위험도를 평가하는 단계는, 상기 금융 거래 위험 평가 시스템이, 상기 금융 거래 데이터에 상응하는 데이터 군집의 이상거래 탐지 모델을 이용하여 상기 위험도를 결정하는 단계를 포함한다.

일 실시예에서, 상기 분석 모델을 생성하는 단계는, 상기 금융 거래 위험 평가 시스템이, 상기 학습 데이터를 데이터 유사도에 기반하여 복수 개의 데이터 군집으로 구분하는 단계; 및 상기 금융 거래 위험 평가 시스템이, 상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용하여 상기 복수 개의 데이터 군집별 이상거래 탐지 모델을 생성하는 단계를 포함한다.

일 실시예에서, 상기 분석 모델을 생성하는 단계는, 상기 금융 거래 위험 평가 시스템이, 상기 학습 데이터를 이용한 비지도 학습에 의해 이상거래 예측 모델을 생성하는 단계를 더 포함한다.

일 실시예에서, 상기 위험도를 결정하는 단계는, 상기 금융 거래 위험 평가 시스템이, 상기 금융 거래 데이터에 상응하는 데이터 군집을 결정하는 단계; 및 상기 금융 거래 위험 평가 시스템이, 상기 데이터 군집을 결정하는 단계에서 결정된 데이터 군집의 이상거래 탐지 모델을 이용하여 상기 금융 거래 데이터의 이상거래 여부를 결정하는 단계를 더 포함한다.

일 실시예에서, 상기 위험도를 평가하는 단계는, 상기 금융 거래 위험 평가 시스템이, 상기 이상거래 탐지 모델에 의해 상기 금융 거래 데이터가 이상거래가 아닌 것으로 결정되는 경우 상기 학습 데이터를 이용한 비지도 학습에 의해 생성된 이상거래 예측 모델을 이용하여 상기 위험도를 산출하는 단계를 더 포함한다.

일 실시예에 따른 금융 거래 위험 평가 방법은, 상기 금융 거래 위험 평가 시스템이, 금융기관 또는 이용기관으로부터 상기 금융 거래 데이터가 수신되는 것에 대한 응답으로, 상기 금융 거래 데이터에 상응하는 금융 거래를 실행하기 전에 상기 위험도에 대한 정보를 금융 소비자의 사용자 장치에 전송하는 단계를 더 포함한다.

본 발명의 일 측면에 따른 컴퓨터 프로그램은, 하드웨어와 결합되어 전술한 실시예들에 따른 금융 거래 위험 평가 방법을 실행하기 위한 것으로서, 컴퓨터로 판독 가능한 기록매체에 저장될 수 있다.

본 발명의 일 측면에 따른 금융 거래 위험 평가 시스템 및 방법에 의하면, 기계학습 방법을 통하여 이상 금융 거래의 탐지 및 예측 등 금융 거래의 위험도 분석을 위한 분석 모델을 생성하고, 금융 소비자의 금융 거래 발생 시 상기 분석 모델을 통하여 해당 거래의 위험도를 측정하고 금융 소비자에게 안내할 수 있다.

상기 금융 거래 위험 평가 시스템 및 방법을 이용하면, 금융 서비스의 이용 채널과 거래 형태가 변화하는 환경에 맞추어 금융 거래의 위험을 금융 소비자 본인이 관리할 수 있는 이점이 있다. 특히, 금융기관의 종류에 관계없이 사용자의 모든 금융자산으로부터 발생하는 거래에 대한 위험도를 평가함으로써, 금융 소비자 본인 스스로 금융 거래 위험을 관리하여 안전한 금융 거래 환경을 달성할 수 있는 이점이 있다.

도 1은 일 실시예에 따른 금융 거래 위험 평가 시스템의 개략적인 블록도이다.
도 2는 일 실시예에 따른 금융 거래 위험 평가 방법에서 분석 모델을 생성하는 과정의 각 단계를 나타내는 순서도이다.
도 3은 일 실시예에 따른 금융 거래 위험 평가 방법에서 금융 거래에 분석 모델을 적용하여 위험도를 평가하는 과정의 각 단계를 나타내는 순서도이다.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.

도 1은 일 실시예에 따른 금융 거래 위험 평가 시스템의 개략적인 블록도이다.

도 1을 참조하면, 본 실시예에 따른 금융 거래 위험 평가 시스템(3)은 이용기관의 서비스를 이용하는 금융 소비자와 연관된 금융 거래 데이터를 수신하고 이를 기계학습 기반의 분석 모델에 적용함으로써 해당 금융 거래의 위험도를 평가하도록 구성된다. 이를 위하여, 금융 거래 위험 평가 시스템(3)은 이용기관 서버(2)와 통신하도록 구성될 수 있다. 또 다른 실시예에서, 금융 거래 위험 평가 시스템(3)은 이용기관의 서비스를 이용하는 금융 소비자의 사용자 장치(1) 및/또는 금융 거래를 실행하기 위한 금융기관 서버(4)와 더 통신하도록 구성될 수도 있다. 이때 금융기관 서버(4)는 서로 상이한 하나 이상의 금융기관(41, 42, ... 4N)에 상응하는 하나 이상의 서버를 포함할 수도 있다.

본 명세서에서 이용기관이란, 하나 이상의 금융기관(41, 42, ? 4n) 과의 통신을 통하여 금융 소비자에게 금융 정보의 조회, 이체 또는 송금과 같은 금융 거래 기능을 제공하는 기업 또는 기관으로서, 예를 들면 이용기관은 핀테크(fintech) 사업자 또는 마이데이터 사업자일 수 있다. 또한 본 명세서에서 금융기관이란 은행, 증권회사, 보험회사, 카드사 등 금융 소비자의 자산 또는 신용에 관련된 정보를 보유하거나 관리하는 기관을 지칭한다.

본 명세서에서 금융 거래는 사용자의 금융 정보를 기반으로 자산의 조회나 이전 등을 수행하는 것을 지칭한다. 본 명세서에서는 이용기관이 금융기관이 아닌 실시예를 기반으로 발명에 대하여 설명하나, 실시예에 따라 이용기관은 은행 등 금융기관일 수도 있다. 예를 들어, 금융 소비자가 제1 은행을 이용기관으로 하여 해당 은행을 통한 오픈 뱅킹 방식으로 제2 은행의 계좌에 접근하는 경우, 제1 은행이 본 명세서의 이용기관에 해당하며 제2 은행이 본 명세서의 금융기관에 해당할 수도 있다.

금융 소비자들은 사용자 장치(1)를 이용하여 이용기관 서버(2)와 통신하는 방식으로 이용기관이 제공하는 핀테크, 마이데이터 또는 오픈 뱅킹과 같은 서비스를 이용할 수 있다. 예를 들어, 사용자들은 자신의 스마트폰(smartphone)과 같은 단말기에서 이용기관이 제공하는 금융 거래 서비스를 위한 애플리케이션(또는, 앱(app))을 실행함으로써 자산 또는 신용 등 금융 정보의 조회나 자금의 이체 또는 대출 등을 수행할 수 있다. 이때, 금융 거래 위험 평가 시스템(3)은 이용기관을 통한 금융 거래가 실행되기 전 및/또는 후에 금융 거래 데이터에 대한 분석을 통하여 해당 금융 거래의 위험도를 평가할 수 있다.

이상의 동작을 위하여, 금융 거래 위험 평가 시스템(3)은 유선 및/또는 무선 네트워크를 통하여 이용기관 서버(2), 사용자 장치(1) 및/또는 금융기관 서버(4)에 통신 가능하게 연결될 수 있다. 본 명세서에서 유선 및/또는 무선 네트워크를 통한 통신 방법은 객체와 객체가 네트워킹 할 수 있는 임의의 통신 방법을 이용하여 구현된 것일 수 있으며, 유선 통신, 무선 통신, 3G, 4G, 혹은 그 이외의 방법에 의한 것으로 제한되지 않는다.

또한, 본 명세서에 기재된 장치들은 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 금융 거래 위험 평가 시스템(3) 및 이와 통신하는 각각의 시스템, 장치, 서버 및 이에 포함된 각 부(unit)는, 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "서버", "시스템", "플랫폼", "장치" 또는 "단말" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 여기서 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.

일 실시예에서, 금융 거래 위험 평가 시스템(3)은 통신 모듈(31), 학습 모듈(33) 및 위험 평가 모듈(34)을 포함한다. 학습 모듈(33)은 클러스터링(clustering)부(331) 및 지도 학습(supervised learning)부(332)를 포함할 수 있다. 또한, 학습 모듈(33)은 비지도 학습(unsupervised learning)부(333)를 더 포함할 수도 있다. 나아가, 위험 평가 모듈(34)은 클러스터링부(341) 및 위험 평가부(342)를 포함할 수 있다. 일 실시예에서, 금융 거래 위험 평가 시스템(3)은 데이터 전처리 모듈(32)을 더 포함한다.

본 명세서에서 금융 거래 위험 평가 시스템(3)을 구성하는 각각의 모듈 또는 부(unit)는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 즉, 도 1에서 금융 거래 위험 평가 시스템(3)을 구성하는 각 모듈(31-34)과 각 모듈을 구성하는 각 부(331-333, 341-342)는 서로 구분되는 별개의 블록으로 도시되었으나, 이는 금융 거래 위험 평가 시스템(3)을 이에 의해 실행되는 동작에 의해 기능적으로 구분한 것이다. 실시예에 따라서는 전술한 각 모듈 또는 부 중 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있으며, 또는 하나 이상의 모듈 또는 부가 다른 모듈 또는 부와 물리적으로 구분되는 별개의 장치로 구현될 수도 있다. 예컨대, 금융 거래 위험 평가 시스템(3)의 각 모듈은 분산 컴퓨팅 환경 하에서 서로 통신 가능하게 연결된 컴포넌트들일 수도 있다.

금융 거래 위험 평가 시스템(3)의 학습 모듈(33)은 기계학습에 기반한 이상 거래 탐지 및 예측을 위하여, 이상 거래 여부가 사전에 라벨링(labeling)된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습을 통해 모델을 생성하는 역할을 한다. 일 실시예에서, 학습 모듈(33)은 학습 데이터를 데이터 유사도에 기반하여 복수 개의 데이터 군집으로 구분하기 위한 클러스터링부(331)를 포함한다. 클러스터링부(331)는 K-평균(K-means) 알고리즘, 가우시안 혼합 모델(Gaussian Mixture Model), HDBSCAN, 병합 군집(agglomerative clustering) 등 공지된 또는 향후 개발될 임의의 클러스터링 알고리즘을 적용하여 데이터 군집을 구분할 수 있다.

일 실시예에서, 학습 모듈(33)은 전술한 것과 같이 생성된 복수 개의 데이터 군집 각각에 상응하는 학습 데이터를 이용하여 데이터 군집별 이상거래 탐지 모델을 생성하도록 구성된 지도 학습부(332)를 포함한다. 즉, 클러스터링부(331)에 의해 생성된 데이터 군집의 개수만큼 지도 학습부(332)에 의한 이상거래 탐지 모델이 생성될 수 있다. 이상거래 탐지 모델의 생성에는 심층 신경망(Deep Neural Network; DNN) 등 딥러닝 알고리즘이 이용될 수 있으나, 이에 한정되는 것은 아니다.

또한 일 실시예에서, 학습 모듈(33)은 학습 데이터를 이용한 비지도 학습에 의해 이상거래 예측 모델을 생성하도록 구성된 비지도 학습부(333)를 더 포함한다. 비지도 학습부(333)는 데이터 유사도 기반의 비지도 학습 방식의 알고리즘을 이용하여 금융 거래의 정산도를 학습하고 이상 거래 예측을 위한 임계치를 산출할 수 있으며, 예를 들어 오토인코더(AutoEncoder) 알고리즘이 이용될 수 있으나, 이에 한정되는 것은 아니다.

일 실시예에서, 데이터 전처리 모듈(32)은 학습 데이터를 기반으로 학습 모듈(33)이 이상거래 탐지 및 예측을 위한 분석 모델을 생성할 수 있도록 학습 데이터에 대한 전처리를 수행할 수 있다. 데이터에 대한 전처리란 예를 들어 결측치(missing value)의 제거, 이상치(outlier) 처리, 표준화(standardization), 차원 축소(dimensionally reduction), 데이터 변환, 변수 선택(feature selection), 불균형 보완 등 금융 거래를 포함하는 데이터로부터 기계학습을 위한 입력값을 생성하는 데 필요한 임의의 데이터 가공 또는 변환 과정을 지칭할 수 있고, 전처리 과정에 대해서는 상세히 후술한다.

통신 모듈(31)은 금융 소비자의 금융 거래 데이터에 대한 분석을 위하여 이용기관 서버(2)와 통신함으로써 금융 거래 데이터를 수신하는 역할을 한다. 그러나 다른 실시예에서, 통신 모듈(31)은 이용기관의 서비스를 이용하는 사용자 장치(1) 및/또는 금융기관 서버(4)로부터 금융 거래 데이터를 수신할 수도 있다. 또한, 통신 모듈(31)은 수신된 금융 거래 데이터에 대한 위험도 평가 결과를 금융 소비자 또는 이용기관에 제공할 수 있다. 예를 들어, 통신 모듈(31)은 분석된 금융 거래가 실행되기 전에 해당 금융 거래의 위험도를 금융 소비자에게 통지하도록 구성될 수도 있다.

위험 평가 모듈(34)은, 통신 모듈(31)을 통해 수신된 금융 거래 데이터에, 학습 모듈(33)에 의해 생성된 기계학습 기반의 분석 모델을 적용함으로써 해당 금융 거래의 위험도를 평가하는 역할을 한다. 학습 데이터와 마찬가지로, 위험도 평가를 위한 금융 거래 데이터에도 데이터 전처리 모듈(32)에 의한 전처리 과정이 적용될 수도 있다.

일 실시예에서, 위험 평가 모듈(34) 금융 거래 데이터에 상응하는 데이터 군집을 결정하도록 구성된 클러스터링부(341)와, 클러스터링부(341)에 의해 결정된 데이터 군집의 이상거래 탐지 모델을 이용하여 금융 거래가 이상거래인지 여부를 결정하도록 구성된 위험 평가부(342)를 포함한다. 또한 일 실시예에서, 위험 평가부(342)는 이상거래 탐지 모델에 의해 이상거래가 아닌 것으로 탐지되는 금융 거래에 대하여 비지도 학습 방식의 이상거래 예측 모델을 더 적용하여 위험도를 산출할 수도 있다.

도 2는 일 실시예에 따른 금융 거래 위험 평가 방법에서 분석 모델을 생성하는 과정의 각 단계를 나타내는 순서도이다. 설명의 편의를 위하여, 도 1 및 도 2를 참조하여 본 실시예에 따른 금융 거래 위험 평가 방법의 각 단계에 대하여 설명한다.

먼저, 금융 거래 위험 평가 시스템(3)에 학습 데이터가 수신되면, 데이터 전처리 모듈(32)은 학습 데이터를 기계학습에 적용하기 위한 전처리를 수행할 수 있다(S11). 학습 데이터는 이상 거래 여부가 라벨링되어 있는 금융 거래들을 포함하는 것으로서, 이상 거래란 해킹 및 보이스 피싱 사고 등에 관련된 거래를 지칭할 수 있으나, 이에 한정되는 것은 아니다. 학습 데이터는 금융 거래 위험 평가 시스템(3)에 직접 입력되거나, 또는 다른 장치 또는 서버 등으로부터 네트워크를 통한 통신 방식으로 금융 거래 위험 평가 시스템(3)의 통신 모듈(31)에 수신될 수도 있다.

일 실시예에서, 전처리 과정은 결측치(missing value) 처리를 포함한다. 예를 들어, 금융 거래를 포함하는 학습 데이터는 변수에 상응하는 열과 데이터 값에 상응하는 행으로 구성되는데, 전처리 과정에서 전체 데이터 중 일정 수준(예컨대, 70%) 이상이 결측인 열이 있을 경우 해당 열의 데이터는 제거할 수 있다. 또는, 변수의 의미를 파악할 수 없는 경우 결측값이 존재하는 데이터 행을 제거할 수 있다. 또는, 변수의 의미를 파악할 수 있는 경우 결측값을 변수의 종류에 따라 0이나 전체 데이터의 중앙값 또는 평균값으로 대체할 수도 있다.

또한 일 실시예에서, 전처리 과정은 이상치(outlier) 처리를 포함한다. 예를 들어, 전체 데이터의 평균에서 미리 설정된 수준 이상으로 벗어난 데이터는 제거하거나 또는 표준화할 수 있다.

또한 일 실시예에서, 전처리 과정은 표준화(standardization)를 포함한다. 이는 수치 데이터의 단위에 따라 값의 차이가 크기 때문에 학습 데이터가 전체적으로 동일한 분포를 이루도록 데이터 단위를 통일하는 과정을 지칭할 수 있다. 후술하는 클러스터링 특성상 표준화 과정이 중요하므로, 데이터의 분포와 변수에 따라 표준 스케일링 또는 로버스트 스케일링(robust scaling) 방법을 사용할 수 있다.

또한 일 실시예에서, 전처리 과정은 차원 축소(dimensionality reduction)를 포함한다. 이는 학습 데이터의 각 변수에서 상관관계가 미리 설정된 수준(예컨대, 70%) 이상인 변수들을 대상으로 주성분분석(Principle Component Analysis; PCA)을 진행하고, PCA를 통한 변수의 설명력이 높은 주성분 개수의 변수들을 선택하고 나머지 변수는 제외함으로써 데이터 차원을 줄이는 것을 지칭한다.

또한 일 실시예에서, 전처리 과정은 데이터 변환을 포함하며, 이는 변수의 의미에 따라 숫자형 및/또는 문자형 등 변수의 형태를 조정하는 과정을 지칭한다. 또한 이때, 문자형 변수의 경우 분석에 사용할 수 있도록 단어 집합을 벡터의 차원으로 변환하는 원-핫 인코딩(one-hot encoding)을 수행할 수도 있다.

또한 일 실시예에서, 전처리 과정은 학습 데이터의 변수 중 특징값으로 사용될 일부를 선택하는 변수 선택(feature selection)을 포함할 수도 있다. 예를 들어, 트리 기반의 학습 알고리즘인 LightGBM 등의 알고리즘을 이용하여 각 변수의 중요도를 계산하고, 해당 모델을 활용하여, RFECV(Recursive Feature Elimination with Cross Validation) 등의 방법으로 모델을 가장 잘 설명할 수 있는 중요한 변수를 선택할 수 있다. 이때, 사용 가능한 모든 조합을 시도하여 최적의 조합을 찾는 GridSearchCV 등의 방법으로 최적의 하이퍼 파라미터 조합(예컨대, max_depth(최대 트리 깊이), num_leaves(전체 트리의 리프 수), min_data_in_leaf(리프가 가지고 있는 최소한의 레코드 수), learning_rate(학습률) 등)을 찾음으로써 LightGBM과 같은 알고리즘의 과적합을 방지할 수 있다. 그러나, 특징값으로 사용할 변수를 선택하기 위한 알고리즘은 전술한 것에 제한되는 것은 아니다.

또한 일 실시예에서, 전처리 과정은 불균형 보완을 포함한다. 이는 이상 거래 데이터는 특성상 불균형 데이터를 이루기에, 오버샘플링(over sampling)을 통해 학습 데이터를 원본으로 한 인접 데이터를 생성함으로써 이상 거래의 분포를 정밀하게 학습할 수 있도록 하는 것을 의미한다. 이때 오버샘플링 방법으로는 SMOTE(Synthetic Minority Over-Sampling TEchnique) 등을 사용하여 원본과 완전히 동일하지는 않지만 근접한 거리에 있는 데이터를 생성할 수 있으나, 이에 한정되는 것은 아니다.

다음으로, 금융 거래 위험 평가 시스템(3)의 학습 모듈(33)은 전처리된 학습 데이터에 대한 클러스터링을 통하여 학습 데이터를 복수 개의 데이터 군집들로 구분할 수 있다(S12). 학습 모듈(33)은 학습 데이터 전체의 분포 및 패턴을 분석하여 학습 데이터의 유의미한 개수의 군집으로 클러스터링할 수 있으며, 무작위로 분포되어 있는 데이터를 비슷한 특성을 가진 데이터 군집으로 분류하기 위하여 비지도 학습의 클러스터링 알고리즘을 사용할 수 있다.

클러스터링 과정에는 데이터간 거리에 기반하여 군집을 생성하는 K-평균(K-means) 알고리즘, 전체 집단 내의 하위 집단을 식별하기 위한 확률 모델인 가우시안 혼합 모델(Gaussian Mixture Model), 각 데이터에 대해 이웃 데이터와의 밀도를 기반으로 군집을 생성하는 HDBSCAN 알고리즘, 각 데이터를 하나의 군집으로 지정하고 설정된 군집 개수에 도달할 때까지 인접한 군집을 병합하는 병합 군집(agglomerative clustering) 알고리즘 등이 이용될 수 있으나, 이에 한정되는 것은 아니며 클러스터링 알고리즘은 실시예에 따라 적절히 선택될 수 있다.

다음으로, 금융 거래 위험 평가 시스템(3)의 학습 모듈(33)은 클러스터링에 의해 생성된 각 데이터 군집별로 학습 데이터를 이용한 이상 거래에 대한 지도 학습을 수행하여(S13), 각 데이터 군집별 이상거래 탐지 모델을 생성할 수 있다(S14). 즉, 클러스터링 과정(S12)에서 생성된 데이터 군집의 개수와 동일한 개수의 이상거래 탐지 모델이 생성된다. 이상거래 탐지 모델을 생성하기 위한 기계학습에는 DNN 등 딥러닝 알고리즘이 이용될 수 있다.

한편, 학습 모듈(33)은 학습 데이터를 비지도 학습 방식으로 학습하고(S15), 금융 거래의 이상 여부를 결정하기 위한 임계치 값을 산출할 수 있다(S16). 이를 위하여, 학습 모듈(33)은 라벨링된 학습 데이터에서 이상 거래에 해당하는 금융 거래의 데이터를 이용하고, 이상 거래 데이터와의 유사도를 기반으로 이상 여부를 결정하기 위한 임계치 값을 생성할 수 있다. 비지도 학습에는, 인코더를 통해 입력 데이터의 특징을 추출하고 디코더를 통해 원본 데이터를 재구성함으로써 출력값을 입력값의 근사로 하는 함수를 학습하는 오토인코더(AutoEncoder) 알고리즘이 이용될 수 있으나, 이에 한정되는 것은 아니다. 이러한 학습 결과를 통해 이상거래 예측 모델이 생성될 수 있다(S17).

전술한 과정에 의하여 데이터 군집의 개수별로 생성된 이상거래 탐지 모델 및 이상거래 예측 모델은 실시간 금융 거래 데이터에 적용되기 위한 분석 모델로서 금융 거래 위험 평가 시스템(3)에 저장될 수 있다.

도 3은 일 실시예에 따른 금융 거래 위험 평가 방법에서 금융 거래에 분석 모델을 적용하여 위험도를 평가하는 과정의 각 단계를 나타내는 순서도이다. 도 1 및 도 3을 참조하여 본 실시예에 따른 금융 거래 위험 평가 방법의 각 단계에 대하여 설명한다.

금융 거래 위험 평가 시스템(3)의 통신 모듈(31)은, 이용기관 서버(2)로부터 금융 소비자의 금융 거래 데이터를 전송받을 수 있다(S21). 예를 들어, 금융 소비자가 이용기관이 제공하는 핀테크 서비스나 마이데이터 서비스 등을 이용하는 경우, 이용기관을 통한 금융 정보의 조회 또는 금융 자산을 기반으로 한 송금 등과 같은 거래가 사용자에 의해 요청되면 이용기관 서버(2)에서는 금융 거래 데이터를 금융 거래 위험 평가 시스템(3)에 전송할 수 있다. 또는, 다른 실시예에서 금융 거래 위험 평가 시스템(3)은 이미 금융 거래가 실행된 후 사후적으로 금융 거래 데이터를 제공받을 수도 있다.

한편, 다른 실시예에서 금융 거래 위험 평가 시스템(3)은 금융 거래 데이터를 이용기관 서버(2)가 아니라 이용기관의 서비스를 이용하는 금융 소비자 본인의 사용자 장치(1) 또는 해당 금융 거래를 실행할 금융기관 서버(4)로부터 수신하도록 구성될 수도 있다.

금융 거래 데이터를 수신한 금융 거래 위험 평가 시스템(3)에서는, 분석 모델에 금융 거래 데이터를 적용하여 위험도를 평가할 수 있다. 이를 위하여, 금융 거래 위험 평가 시스템(3)의 데이터 전처리 모듈(32)은 금융 거래 데이터로부터 분석 모델에 적용하기 위한 입력값을 생성하기 위한 데이터 전처리 과정을 수행할 수도 있다(S22). 데이터 전처리 과정은 도 2를 참조하여 전술한 실시예의 전처리 과정(S11)과 동일하므로 설명의 중복을 피하기 위하여 자세한 설명은 생략한다.

다음으로, 금융 거래 위험 평가 시스템(3)의 위험 평가 모듈(34)은 전처리된 금융 거래 데이터에 대한 클러스터링을 통하여 해당 금융 거래가 속하는 데이터 군집을 결정할 수 있다(S23). 금융 거래 데이터를 클러스터링하는 과정은 도 2를 참조하여 전술한 실시예의 클러스터링 과정(S12)과 동일하므로 설명의 중복을 피하기 위하여 자세한 설명은 생략한다.

다음으로, 위험 평가 모듈(34)은 클러스터링된 결과를 기반으로 금융 거래 데이터를 분석 모델, 즉, 이상거래 탐지 모델 및/또는 이상거래 예측 모델에 적용함으로써 해당 금융 거래의 위험도를 평가할 수 있다(S24). 구체적으로, 일 실시예에서 위험 평가 모듈(34)은 클러스터링을 통하여 결정된, 금융 거래 데이터가 속하는 데이터 군집을 기반으로, 해당 군집에 대하여 생성된 이상거래 탐지 모델에 금융 거래 데이터를 적용함으로써 금융거래의 위험도를 판단할 수 있다. 즉, 이상거래 탐지 모델에 금융 거래 데이터를 적용하여 금융 거래가 이상 거래로 분류되는지 여부를 확인할 수 있다.

또한 일 실시예에서, 위험 평가 모듈(34)은 이상거래 탐지 모델에 적용한 결과 이상 거래로 판단되지 않은 금융 거래 데이터를 대상으로, 이상거래 예측 모델을 통하여 위험도를 산출할 수 있다. 이상거래 예측 모델은 도 2를 참조하여 전술한 것과 같이 금융 거래의 정상도를 결정하기 위한 임계치 값을 이용하며, 임계치 값을 초과하는 경우 이상 거래일 확률이 높을 것으로 예측하기 위한 것이다. 위험 평가 모듈(34)은 금융 거래 데이터를 이상거래 예측 모델에 적용하여 이상 거래와의 유사도를 나타내는 결과 값을 산출하고, 결과 값이 임계치 값을 초과할 경우 이상 거래로 예측하고 초과 범위에 따라 위험도를 산출할 수 있다.

일 실시예에서, 금융 거래 위험 평가 시스템(3)의 통신 모듈(31)은 전술한 과정에 의하여 평가된 금융 거래의 위험도를 해당 금융 거래를 실행하는 금융 소비자에 상응하는 사용자 장치(1)에 전송할 수 있다(S25). 예를 들어, 금융 거래 위험도에 대한 정보는 사용자 장치(1)에서 확인 가능한 문자 메시지, 이메일 또는 사용자 장치(1) 상에서 실행되는 애플리케이션을 통한 푸시 알림(push notification) 등 다양한 형태로 전송될 수 있고, 특정 형태로 한정되지 않는다.

금융 거래 위험도를 통지받기 위한 사용자 장치(1)의 식별 정보는, 이용기관 서버(2)로부터 금융 거래 데이터와 함께 금융 거래 위험 평가 시스템(3)에 전송될 수 있다. 또는, 금융 소비자 본인의 금융 거래 위험 평가 시스템(3)에 대한 회원 가입 등에 의하여 사용자 장치(1)의 식별 정보가 금융 거래 위험 평가 시스템(3)에 회원 정보로서 수신되고, 금융 거래 위험 평가 시스템(3)에서는 이용기관 서버(2)로부터 수신된 금융 소비자의 식별 정보를 금융 거래 위험 평가 시스템(3)의 회원 정보와 매칭시켜 사용자 장치(1)의 식별 정보를 획득할 수도 있다.

일 실시예에서, 금융 거래 위험 평가 시스템(3)은 금융 거래가 실행되기 전에 해당 금융 거래의 위험도를 금융 소비자의 사용자 장치(1)에 통지함으로써, 금융 소비자가 해당 금융 거래의 실행 여부를 결정할 수 있도록 할 수 있다. 본 실시예에서, 위험도를 통지받은 금융 소비자가 해당 금융 거래를 승인하는 응답을 하면(S26), 금융 거래 위험 평가 시스템(3)의 통신 모듈(31)은 금융 소비자가 금융 거래를 승인하였음을 나타내는 정보를 이용기관 서버(2)에 통지함으로써 이용기관이 해당 금융 거래를 진행하도록 할 수 있다(S27). 다른 실시예에서, 금융 거래 위험 평가 시스템(3)은 금융 거래 승인에 대한 정보를 해당 금융 거래를 실행할 금융기관 서버(4)에 통지할 수도 있다.

또한 일 실시예에서, 금융 거래 위험 평가 시스템(3)은 금융 거래 데이터에 대한 이상 거래 탐지 형태에 따라 위험도 통지 및 승인 요청의 대상과 범위를 서로 상이하게 할 수도 있다.

예를 들어, 금융 거래 위험 평가 시스템(3)은 이상거래 탐지 모델에 금융 거래 데이터를 적용하여 이상 거래로 결정된 금융 거래에 대해서는 금융 소비자에게 위험도를 통지하는 동시에 해당 금융 거래를 요청한 이용기관 및/또는 해당 금융 거래를 실행할 금융기관의 서버에도 위험도를 통지하되, 이상거래 탐지 모델에서 이상 거래로 판단되지 않았으나 이상거래 예측 모델의 임계치에 의해 이상 거래로 평가된 금융 거래에 대해서는 금융 소비자 본인에게만 위험도를 통지하도록 위험도 통지의 대상을 결정할 수 있다.

또한, 금융 거래 위험 평가 시스템(3)은 이상거래 탐지 모델에 금융 거래 데이터를 적용하여 이상 거래로 결정된 금융 거래에 대해서는 위험도를 통지하는 동시에 금융 소비자로부터 거래에 대한 승인을 요청하되, 이상거래 탐지 모델에서 이상 거래로 판단되지 않았으나 이상거래 예측 모델의 임계치에 의해 이상 거래로 평가된 금융 거래에 대해서는 위험도 통지만을 수행하고 별도의 승인을 요청하지 않도록 승인 요청의 범위를 결정할 수 있다.

또는, 금융 거래 위험 평가 시스템(3)은 이상거래 탐지 모델에 금융 거래 데이터를 적용하여 이상 거래로 결정된 금융 거래에 대해서도 이상거래 탐지 모델이 적용된 데이터 군집의 종류별로 사전 위험도를 설정하여 금융 거래가 해당하는 데이터 군집의 위험도에 따라 위험도 통지의 대상이나 승인 요청의 범위를 달리할 수 있다. 예를 들어, 금융 거래 데이터가 사전 위험도가 상대적으로 낮은 제1 데이터 군집에 속하면서 이상 거래로 판단된 경우에 비해, 사전 위험도가 상대적으로 높은 제2 데이터 군집에 속하면서 이상 거래로 판단된 경우에 한하여 위험도 통지의 대상을 이용기관 및/또는 금융기관까지 확장하거나, 또는/또한 단순 통지를 넘어 거래의 승인을 요구하도록 각 데이터 군집별 사전 위험도를 관리할 수 있다.

이상에서 설명한 실시예들에 따른 금융 거래 위험 평가 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 방법에 의한 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.

또한, 본 명세서의 순서도들에 도시된 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능하다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims (13)

1. 이상거래 여부가 라벨링된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습에 의하여 분석 모델을 생성하도록 구성된 학습 모듈;
   금융 소비자의 금융 거래 데이터를 수신하도록 구성된 통신 모듈; 및
   상기 분석 모델을 이용하여 상기 금융 거래 데이터에 대한 위험도를 평가하도록 구성된 위험 평가 모듈을 포함하되,
   상기 분석 모델은, 데이터 유사도에 기반하여 생성되는 복수 개의 데이터 군집별 이상거래 탐지 모델 및 상기 학습 데이터를 이용한 비지도 학습에 의해 생성되는 이상거래 예측 모델을 포함하고,
   상기 학습 모듈은,
   상기 학습 데이터를 복수 개의 데이터 군집으로 구분하고, 상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용하여 상기 복수 개의 데이터 군집의 개수와 동일한 개수의 상기 이상거래 탐지 모델을 생성하며,
   이상 거래 데이터와의 유사도를 기반으로 금융 거래의 이상 여부를 결정하기 위한 임계치 값을 포함하도록 상기 이상거래 예측 모델을 생성하도록 더 구성되고,
   상기 위험 평가 모듈은,
   상기 금융 거래 데이터에 상응하는 상기 데이터 군집을 결정하도록 구성된 클러스터링부; 및
   상기 클러스터링부에 의해 결정된 상기 데이터 군집에 상응하는 상기 이상거래 탐지 모델에 상기 금융 거래 데이터를 적용함으로써 상기 금융 거래 데이터의 이상거래 여부를 결정하고, 상기 이상거래 탐지 모델에 의해 상기 금융 거래 데이터가 이상거래가 아닌 것으로 결정되는 경우, 상기 금융 거래 데이터를 상기 이상거래 예측 모델에 적용하여 상기 금융 거래 데이터와 상기 이상 거래 데이터의 유사도를 나타내는 결과 값을 산출하고, 상기 결과 값이 상기 임계치 값을 초과한 범위에 기초하여 상기 위험도를 산출하도록 구성된 위험 평가부를 포함하는 금융 거래 위험 평가 시스템.
   
2. 제1항에 있어서,
   상기 학습 모듈은,
   상기 학습 데이터를 데이터 유사도에 기반하여 상기 복수 개의 데이터 군집으로 구분하도록 구성된 클러스터링부; 및
   상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용하여 상기 복수 개의 데이터 군집별 이상거래 탐지 모델을 생성하도록 구성된 지도 학습부를 포함하는 금융 거래 위험 평가 시스템.
   
3. 삭제
4. 삭제
5. 삭제
6. 제1항에 있어서,
   상기 통신 모듈은, 금융기관 또는 이용기관으로부터 상기 금융 거래 데이터가 수신되는 것에 대한 응답으로, 상기 금융 거래 데이터에 상응하는 금융 거래를 실행하기 전에 상기 위험도에 대한 정보를 금융 소비자의 사용자 장치에 전송하도록 더 구성된 금융 거래 위험 평가 시스템.
   
7. 금융 거래 위험 평가 시스템이, 이상거래 여부가 라벨링된 금융 거래들을 포함하는 학습 데이터를 이용한 기계학습에 의하여 분석 모델을 생성하는 단계;
   상기 금융 거래 위험 평가 시스템이 금융 소비자의 금융 거래 데이터를 수신하는 단계; 및
   상기 금융 거래 위험 평가 시스템이, 상기 분석 모델을 이용하여 상기 금융 거래 데이터에 대한 위험도를 평가하는 단계를 포함하되,
   상기 분석 모델은 데이터 유사도에 기반하여 생성되는 복수 개의 데이터 군집별 이상거래 탐지 모델 및 상기 학습 데이터를 이용한 비지도 학습에 의해 생성되는 이상거래 예측 모델을 포함하고,
   상기 분석 모델을 생성하는 단계는,
   상기 금융 거래 위험 평가 시스템이, 상기 학습 데이터를 복수 개의 데이터 군집으로 구분하고, 상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용하여 상기 복수 개의 데이터 군집의 개수와 동일한 개수의 상기 이상거래 탐지 모델을 생성하는 단계; 및
   상기 금융 거래 위험 평가 시스템이, 이상 거래 데이터와의 유사도를 기반으로 금융 거래의 이상 여부를 결정하기 위한 임계치 값을 포함하도록 상기 이상거래 예측 모델을 생성하는 단계를 포함하며,
   상기 위험도를 평가하는 단계는,
   상기 금융 거래 위험 평가 시스템이, 클러스터링에 의해 상기 금융 거래 데이터에 상응하는 상기 데이터 군집을 결정하는 단계;
   상기 금융 거래 위험 평가 시스템이, 상기 데이터 군집을 결정하는 단계에서 결정된 상기 데이터 군집에 상응하는 상기 이상거래 탐지 모델에 상기 금융 거래 데이터를 적용함으로써 상기 금융 거래 데이터의 이상거래 여부를 결정하는 단계; 및
   상기 금융 거래 위험 평가 시스템이, 상기 이상거래 여부를 결정하는 단계에 의해 상기 금융 거래 데이터가 이상거래가 아닌 것으로 결정되는 경우, 상기 금융거래 데이터를 상기 이상거래 예측 모델에 적용하여 상기 금융 거래 데이터와 상기 이상 거래 데이터의 유사도를 나타내는 결과 값을 산출하고, 상기 결과 값이 상기 임계치 값을 초과한 범위에 기초하여 상기 위험도를 산출하는 단계를 포함하는 금융 거래 위험 평가 방법.
   
8. 제7항에 있어서,
   상기 이상 거래 탐지 모델을 생성하는 단계는,
   상기 금융 거래 위험 평가 시스템이, 상기 학습 데이터를 데이터 유사도에 기반한 클러스터링에 의해 상기 복수 개의 데이터 군집으로 구분하는 단계; 및
   상기 금융 거래 위험 평가 시스템이, 상기 복수 개의 데이터 군집 각각에 상응하는 상기 학습 데이터를 이용한 지도 학습에 의하여 상기 복수 개의 데이터 군집별 이상거래 탐지 모델을 생성하는 단계를 포함하는 금융 거래 위험 평가 방법.
   
9. 삭제
10. 삭제
11. 삭제
12. 제7항에 있어서,
    상기 금융 거래 위험 평가 시스템이, 금융기관 또는 이용기관으로부터 상기 금융 거래 데이터가 수신되는 것에 대한 응답으로, 상기 금융 거래 데이터에 상응하는 금융 거래를 실행하기 전에 상기 위험도에 대한 정보를 금융 소비자의 사용자 장치에 전송하는 단계를 더 포함하는 금융 거래 위험 평가 방법.
    
13. 하드웨어와 결합되어 제7항, 제8항 및 제12항 중 어느 한 항에 따른 금융 거래 위험 평가 방법을 수행하도록 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.

Images