KR102529027B1 - 이상 선불 금융 거래를 검출하는 시스템 및 그의 동작 방법 - Google Patents
이상 선불 금융 거래를 검출하는 시스템 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR102529027B1 KR102529027B1 KR1020220096769A KR20220096769A KR102529027B1 KR 102529027 B1 KR102529027 B1 KR 102529027B1 KR 1020220096769 A KR1020220096769 A KR 1020220096769A KR 20220096769 A KR20220096769 A KR 20220096769A KR 102529027 B1 KR102529027 B1 KR 102529027B1
- Authority
- KR
- South Korea
- Prior art keywords
- transaction
- information
- financial transaction
- prepaid financial
- prepaid
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims description 30
- 238000011017 operating method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/28—Pre-payment schemes, e.g. "pay before"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/403—Solvency checks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
전자 장치의 동작 방법은, 선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지하는 단계; 상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 단계 - 상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성됨 -; 및 상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하는 단계를 포함할 수 있다.
Description
이상 선불 금융 거래를 검출하는 시스템에 관한 것이다.
최근 금융사의 송금 및 클라우드 펀딩 등 선불 금융 파생사업으로 거래액과 건수는 날로 증가하고 있다. 기존에 범용적으로 사용되었던 선불카드는 무기명 NFC 교통카드로 대표되는 오프라인 카드였으나, 온라인으로 충전 및 결제, 환불, 잔액조회까지 할 수 있다.
모바일 앱 사용자가 선불 서비스를 사용하기 위해서, 사용자는 충전을 위한 충전대금을 먼저 결제한다. 충전대금 지급수단의 종류는, 개인 여신 기반의 신용카드와 은행을 통한 계좌이체가 주로 이용되며, 사용자가 금융정보를 미리 등록해 놓고 편하게 사용할 수 있는 간편결제수단이 사용되고 있다.
이러한 선불 서비스 과정에서, 자금 세탁, 보이스 피싱 등의 비정상적인 거래도 증가하고 있다. 따라서, 선불 금융 서비스에서 비정상적인 이상 거래를 검출하고 사용자의 금융 잔액을 안전하게 보호하는 시스템의 개발이 요구된다.
선불 금융 거래가 발생됨에 따라, 선불 금융 거래가 비정상적인 거래인지 능동적으로 감지하고, 자동으로 비정상적인 거래를 방지하고자 한다.
선불 금융 서비스를 이용하는 사용자가 안전하게 충전 및 결제 서비스를 이용할 수 있는 서비스를 제공하고자 한다.
일측에 따르면, 선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지하는 단계; 상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 단계 - 상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성됨 -; 및 상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하는 단계를 포함하는, 전자 장치의 동작 방법이 제공된다.
다른 일측에 따르면, 외부 장치와 통신을 수행하는 통신 장치; 사용자 인터페이스 장치; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지하고, 상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하고, 상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하고, 상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성된 것을 특징으로 하는, 전자 장치가 제공된다.
또 다른 일측에 따르면, 컴퓨터 판독 가능 저장 매체에 저장되고, 하나 이상의 프로세서에 의해 실행되도록 구성되는 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은, 제1 선불 금융 거래를 감지하는 명령어; 상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 명령어; 및 상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하는 명령어를 포함하고, 상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성된 것을 특징으로 하는, 컴퓨터 프로그램이 제공된다.
일측에 따르면, 외부 장치와 통신을 수행하는 통신 장치; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 사용자에 대한 복수의 금융 거래에 대응하는 복수의 거래 정보를 획득하고, 상기 복수의 거래 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성하고, 상기 복수의 거래 정보 및 상기 복수의 가상 거래 정보에 기초하여 상기 이상 금융 거래를 검출하는 학습 모델을 생성하고, 상기 사용자의 전자 장치로부터 제1 선불 금융 거래의 검증 요청을 수신하고, 상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 상기 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하고, 상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 선불 금융 서버로 상기 제1 선불 금융 거래의 승인 거절을 요청하는, 서버가 제공된다.
선불 금융 거래가 발생됨에 따라, 선불 금융 거래가 비정상적인 거래인지 능동적으로 감지하고, 자동으로 비정상적인 거래를 방지할 수 있다.
선불 금융 서비스를 이용하는 사용자가 안전하게 충전 및 결제 서비스를 이용할 수 있는 서비스를 제공할 수 있다.
본 개시는, 다음의 자세한 설명과 그에 수반되는 도면들의 결합으로 쉽게 이해될 수 있으며, 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미한다.
도 1은 일실시예에 따라, 이상 선불 금융 거래를 검출하는 시스템을 설명하기 위한 개념도이다.
도 2는 일실시예에 따라, 전자 장치의 동작 방법을 나타낸 흐름도이다.
도 3은 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 나타낸 흐름도이다.
도 4는 일실시예에 따라, 복수의 거래 정보에 기초하여 복수의 가상 거래 정보를 생성하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 6은 일실시예에 따라, 복수의 거래 정보 및 복수의 가상 거래 정보를 학습하는 인공 신경망을 개략적으로 도시한 도면이다.
도 7은 일실시예에 따라, 학습 모델을 이용하여 이상 선불 금융 거래를 검출하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따라, 선불 금융 거래가 비정상적인 거래로 검출됨에 따라 알림 메시지를 표시하고, 사용자의 입력 정보에 따라 선불 금융 거래의 승인 여부를 결정하는 과정을 설명하기 위한 도면이다.
도 9는 일실시예에 따라, 선불 금융 거래의 승인 여부를 결정하는 전자 장치의 동작 방법을 나타낸 흐름도이다.
도 10은 일실시예에 따라, 전자 장치의 구성을 도시한 블록도이다.
도 11은 일실시예에 따라, 서버의 동작 방법을 나타낸 흐름도이다.
도 12는 일실시예에 따라, 서버의 구성을 도시한 블록도이다.
도 13은 일실시예에 따라, 이상 선불 금융 거래를 검출하기 위한 전자 장치와 서버의 동작 방법을 나타낸 흐름도이다.
도 1은 일실시예에 따라, 이상 선불 금융 거래를 검출하는 시스템을 설명하기 위한 개념도이다.
도 2는 일실시예에 따라, 전자 장치의 동작 방법을 나타낸 흐름도이다.
도 3은 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 나타낸 흐름도이다.
도 4는 일실시예에 따라, 복수의 거래 정보에 기초하여 복수의 가상 거래 정보를 생성하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 6은 일실시예에 따라, 복수의 거래 정보 및 복수의 가상 거래 정보를 학습하는 인공 신경망을 개략적으로 도시한 도면이다.
도 7은 일실시예에 따라, 학습 모델을 이용하여 이상 선불 금융 거래를 검출하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따라, 선불 금융 거래가 비정상적인 거래로 검출됨에 따라 알림 메시지를 표시하고, 사용자의 입력 정보에 따라 선불 금융 거래의 승인 여부를 결정하는 과정을 설명하기 위한 도면이다.
도 9는 일실시예에 따라, 선불 금융 거래의 승인 여부를 결정하는 전자 장치의 동작 방법을 나타낸 흐름도이다.
도 10은 일실시예에 따라, 전자 장치의 구성을 도시한 블록도이다.
도 11은 일실시예에 따라, 서버의 동작 방법을 나타낸 흐름도이다.
도 12는 일실시예에 따라, 서버의 구성을 도시한 블록도이다.
도 13은 일실시예에 따라, 이상 선불 금융 거래를 검출하기 위한 전자 장치와 서버의 동작 방법을 나타낸 흐름도이다.
이하에서는 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 이하에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략한다.
한편, 본 명세서에서 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 다른 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들 더 포함할 수도 있다는 것을 의미한다.
또한, 본 명세서에서 사용되는 '제 1' 또는 '제 2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.
본 명세서에서, "선불 금융 거래"는 미리 충전 대금이 충전된 선불 수단으로 발생되는 금융 거래를 의미할 수 있다. 선불 수단은, 오프라인 카드, 온라인 카드, 모바일 카드 등일 수 있다.
본 명세서에서, "선불형 금융 서비스를 제공하는 애플리케이션"은, 사용자가 선불 금융 거래를 수행할 수 있도록, 충전, 결제, 환불 및 잔액 조회 등의 서비스를 제공하는 애플리케이션을 의미할 수 있다. 선불형 금융 서비스를 제공하는 애플리케이션에는, 비정상적인 선불 금융 거래를 검출하는 학습 모델이 포함될 수 있다. 예를 들면, 학습 모델은, 임베디드 소프트웨어 형태로 탑재되어 배포될 수 있다.
본 명세서에서, "전자 장치"는, 스마트폰, 태블릿 PC, PC, TV, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 또는 비모바일 컴퓨팅 장치 등일 수 있으나, 이에 제한되지 않는다. 전자 장치에는, 애플리케이션이 배포되어 설치될 수 있다. 전자 장치는 선불형 금융 서비스를 제공하는 애플리케이션을 실행하고, 애플리케이션에 탑재된 학습 모델을 통해 비정상적인 선불 금융 거래를 검출할 수 있다.
본 명세서에서, "서버"는, 선불 금융 거래를 모니터링하며, 비정상적인 선불 금융 거래를 검출하는 동작을 수행하는 장치를 의미할 수 있다. 서버는, 비정상적인 선불 금융 거래를 검출하는 학습 모델을 생성, 배포, 관리할 수 있다. 또한, 서버는, 전자 장치로부터 선불 금융 거래의 검증 요청이 있으면, 선불 금융 거래가 정상적인 거래인지를 학습 모델을 통해 판별할 수 있다.
도 1은 일실시예에 따라, 이상 선불 금융 거래를 검출하는 시스템을 설명하기 위한 개념도이다.
도 1을 참고하면, 전자 장치(10)에는 선불형 금융 서비스를 제공하는 애플리케이션(15)이 설치될 수 있다. 선불형 금융 서비스를 제공하는 애플리케이션(15)에는 이상 선불 금융 거래를 검출하는 학습 모델이 탑재될 수 있다. 학습 모델은, 선불 금융 거래가 발생될 때마다, 학습 모델은 선불 금융 거래가 정상적인 거래인지 여부를 판단하고, 비정상적인 거래를 검출할 수 있다. 학습 모델은, 서버(20)에서 생성되어 전자 장치(10)로 배포되거나, 전자 장치(10)에서 생성될 수 있다.
전자 장치(10)의 동작 120에서, 전자 장치(10)는 제1 선불 금융 거래를 감지할 수 있다. 전자 장치(10)는 감지된 제1 선불 금융 거래에 대응하는 거래 정보(101)를 획득할 수 있다. 도 1에 도시된 바와 같이, 거래 정보(101)에는, 선불 금융 거래가 발생된 시간, 고유 식별자를 나타내는 식별 정보, 선불 금융 거래가 발생된 위치, 거래구분, 금액의 정보가 포함될 수 있다. 거래 정보(101)는, 제1 선불 금융 거래가 이상 선불 금융 거래인지 판단하는 데에 사용될 수 있다. 거래 정보(101)는 이상 선불 금융 거래를 검출하는 학습 모델의 입력 값으로 입력될 수 있다.
전자 장치(10)의 동작 130에서, 전자 장치(10)는, 거래 정보(101) 및 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 예를 들면, 제1 선불 금융 거래가 비정상적인 거래이면, 전자 장치(10)의 동작 140에서, 전자 장치(10)는 학습 모델을 통해 제1 선불 금융 거래를 비정상적인 거래로 검출할 수 있다. 전자 장치(10)는 제1 선불 금융 거래가 비정상적인 거래임을 알리는 알림 정보를 서버(20)로 전송할 수 있다.
한편, 서버(20)의 동작 110에서, 서버(20)는, 이상 선불 금융 거래를 검출하는 학습 모델을 생성할 수 있다. 서버(20)는, 생성된 학습 모델을 전자 장치(10)로 전송할 수 있다. 또한, 서버(20)는, 학습 모델을 업데이트 하고, 업데이트 된 학습 모델을 전자 장치(10)로 전송할 수도 있다. 이 경우, 서버(20)는, 라이트 버전의 레벨을 갖는 학습 모델을 전자 장치(10)로 전송할 수 있다.
서버(20)의 동작 150에서, 서버(20)는, 제1 선불 금융 거래의 이차 검증 및 검증 결과에 따라 제1 선불 금융 거래의 승인 여부를 결정할 수 있다. 제1 선불 금융 거래가 정상적인 거래로 결정되면, 서버(20)는, 선불 금융 관리 서버(20)로 선불 금융 거래의 승인을 요청할 수 있다. 반면에, 제1 선불 금융 거래가 비정상적인 거래로 결정되면, 서버(20)는, 선불 금융 관리 서버(20)로 선불 금융 거래의 승인 거절을 요청할 수 있다.
도 2는 일실시예에 따라, 전자 장치(10)의 동작 방법을 나타낸 흐름도이다.
도 2를 참고하면, 단계 S210에서, 전자 장치(10)는, 선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지할 수 있다. 예를 들면, 선불형 금융 서비스를 제공하는 애플리케이션은, 사용자에 의해 등록된 선불형 카드가 사용될 때 선불 금융 거래를 감지하고, 선불 금융 거래 내역을 저장할 수 있다. 여기서, 선불형 카드는, 실물형 카드 또는 모바일 카드일 수 있다. 선불형 카드는, 충전된 금액의 범위 내에서 사용 가능하고, 사용될 때마다 사용된 금액이 차감될 수 있다.
단계 S220에서, 전자 장치(10)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 여기서, 학습 모델은, 사용자의 거래 정보 및 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성될 수 있다.
예를 들면, 학습 모델은, 선불형 금융 서비스를 제공하는 애플리케이션에 탑재되어 배포될 수 있다. 또한, 학습 모델은, 전자 장치(10)에서 수집된 거래 정보에 기초하여 업데이트될 수 있다. 또한, 학습 모델은, 서버(20)로부터 수신된 업데이트 된 정보에 기초하여 업데이트될 수 있다. 또한, 전자 장치(10)는, 서버(20)로부터 업데이트된 학습 모델을 수신할 수도 있다.
예를 들면, 애플리케이션이 전자 장치(10)에 설치될 때, 초기의 학습 모델은, 사용자들에게 공통적으로 적용될 수 있는 이상 선불 금융 거래의 유형이 학습된 모델일 수 있다. 애플리케이션이 전자 장치(10)에 설치된 이후에, 학습 모델은, 선불 금융 거래가 발생될 때마다 선불 금융 거래에 대응하는 거래 정보를 수집하고, 거래 정보를 학습함으로써, 사용자에게 맞춤화 되도록 업데이트 될 수 있다.
예를 들면, 학습 모델은, 제1 선불 금융 거래에 대응하는 제1 거래 정보가 입력되면, 제1 거래 정보에 기초하여 제1 선불 금융 거래가 정상적인 거래인지 비정상적인 거래인지 판단할 수 있다. 제1 선불 금융 거래가 비정상적인 거래로 판단되면, 학습 모델은 제1 선불 금융 거래가 비정상적인 거래임을 나타내는 결과 정보를 출력할 수 있다.
예를 들면, 제1 선불 금융 거래에 대응하는 제1 거래 정보는, 제1 선불 금융 거래가 발생된 시간, 위치, 금액, 거래 내역 중 적어도 하나의 정보를 포함할 수 있다.
한편, 전자 장치(10)에 설치된 애플리케이션에서 동작되는 학습 모델은, 라이트 버전의 학습 모델일 수 있다. 라이트 버전의 학습 모델은, 모바일 단말기 등과 같은 전자 장치(10)에서 동작하기에 적합할 수 있다. 전자 장치(10)에 라이트 버전보다 높은 버전의 학습 모델이 포함된 애플리케이션이 설치되면, 전자 장치(10)에서 애플리케이션이 실행될 때 많은 연산량으로 인해 전자 장치(10)의 동작이 원활하게 진행되지 않을 수 있다. 예를 들면, 라이트 버전의 학습 모델은, 표준 버전의 학습 모델보다 연산량 및 모바일 데이터의 사용량이 적을 수 있다. 따라서, 전자 장치(10)에서 로우 레벨의 학습 모델이 포함된 애플리케이션이 설치될 수 있다.
예를 들면, 전자 장치(10)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 학습 모델의 레벨에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 예를 들면, 학습 모델의 레벨은, 선불 금융 거래가 정상적인 거래인지 판단하기 위해 연산하는 연산량에 기초하여 설정될 수 있다.
예를 들면, 학습 모델의 레벨이 로우 레벨이면, 학습 모델의 레벨이 표준 레벨 또는 하이 레벨일 때보다 이상 거래를 탐지하는 데에 이용되는 정보량이 적거나 연산 프로세스가 간소화됨으로써, 이상 선불 금융 거래의 검출을 정확하게 하지 못할 수 있다. 따라서, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 표준 레벨 이상의 학습 모델을 이용하여 제1 선불 금융 거래를 다시 검증할 필요가 있다.
단계 S230에서, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 전자 장치(10)는 제1 선불 금융 거래가 중단되도록 제어할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 전자 장치(10)는, 서버(20)로 제1 선불 금융 거래가 비정상적인 거래인지를 2차적으로 확인하는 검증 작업을 요청할 수 있다. 전자 장치(10)는, 서버(20)로부터 검증 작업에 대한 검증 결과를 수신할 수 있다. 검증 결과가 비정상적인 거래를 나타내면, 전자 장치(10)는 서버(20)로 제1 선불 금융 거래의 승인 거절을 요청할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출됨에 따라, 전자 장치(10)는 선불 잔액이 출금되지 않도록 사용자의 계정 정보를 잠금 설정할 수 있다.
예를 들면, 전자 장치(10)는, 제1 선불 금융 거래가 비정상적인 거래임을 알리는 메시지를 표시할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출됨에 따라, 전자 장치(10)는 제1 선불 금융 거래의 유효성을 검증하기 위한 인증 정보를 요청할 수 있다. 전자 장치(10)는 인증 정보 및 사용자의 위치 정보를 인증한 결과에 기초하여, 제1 선불 금융 거래의 승인 여부를 결정할 수 있다. 선불 금융 거래의 승인 여부를 결정하는 과정은 도 8 내지 도 9에서 상세하게 설명한다.
한편, 전자 장치(10)는, 이상 선불 금융 거래를 검출하는 학습 모델을 업데이트 할 수 있다. 예를 들면, 전자 장치(10)는, 전자 장치(10)를 통해 발생된 복수의 금융 거래에 대응하는 복수의 거래 정보를 수집할 수 있다. 전자 장치(10)는 복수의 거래 정보 및 복수의 거래 정보에 기초하여 생성된 복수의 가상 거래 정보를 학습한 결과에 기초하여, 학습 모델을 업데이트 할 수 있다. 전자 장치(10)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습한 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
도 3은 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 나타낸 흐름도이다.
이상 금융 거래를 검출하는 학습 모델은, 전자 장치(10) 또는 서버(20)에서 생성될 수 있다. 서버(20)에서 학습 모델이 생성되면, 전자 장치(10)는 서버(20)로부터 학습 모델을 수신할 수 있다. 도 3 내지 도 5에서, 전자 장치(10)에서 학습 모델을 생성하는 동작을 설명하나, 서버(20)에서도 학습 모델을 생성하는 동작을 동일하게 수행할 수 있다.
도 3을 참고하면, 단계 S310에서, 전자 장치(10)는 복수의 금융 거래에 대응하는 복수의 거래 정보를 획득할 수 있다. 예를 들면, 전자 장치(10)는, 선불형 금융 서비스를 제공하는 애플리케이션에 저장된 적어도 하나의 금융 거래에 대응하는 거래 정보를 획득할 수 있다. 예를 들면, 거래 정보는, 선불 금융 거래가 발생된 시간, 위치, 금액, 거래 내역 중 적어도 하나의 정보를 포함할 수 있다. 또한, 전자 장치(10)는, 선불형 금융 서비스를 제공하는 애플리케이션 이외에 다른 애플리케이션을 통해 발생된 금융 거래에 대응하는 거래 정보를 획득할 수도 있다. 여기서, 다른 애플리케이션은, 금융 거래 서비스를 제공하거나, 금융 거래를 기록할 수 있다.
단계 S320에서, 전자 장치(10)는, 복수의 거래 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다.
예를 들면, 전자 장치(10)는, 복수의 거래 정보에 기초하여, 사용자의 금융 거래 패턴 정보를 획득할 수 있다. 여기서, 금융 거래 패턴 정보는, 거래 이용 환경, 거래 시간, 거래 내역, 거래 금액, 거래 위치, 거래 횟수, 및 거래 계좌 중 적어도 둘 이상의 조합이 반복적인 형태를 나타내는 정보일 수 있다.
예를 들면, 전자 장치(10)는, 사용자의 금융 거래 패턴 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다. 예를 들면, 제1 금융 거래 패턴 정보는, 사용자가 OO 위치에서 주 3회 50,000원 내의 금액을 지출하는 것에 관한 정보일 수 있다. 전자 장치(10)는, 제1 금융 거래 패턴 정보에 대응하는 조건을 충족시키지 않는 주에 대해서, 조건을 충족시키는 범위 내에서, 복수의 가상 거래 정보를 생성할 수 있다.
단계 S330에서, 전자 장치(10)는, 복수의 거래 정보 및 복수의 가상 거래 정보에 기초하여, 이상 금융 거래를 검출하는 학습 모델을 생성할 수 있다.
예를 들면, 전자 장치(10)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습할 수 있다. 여기서, 학습 정보의 일부는, 복수의 거래 정보의 일부 및 복수의 가상 거래 정보일 수 있다. 또한, 학습 정보의 일부는, 복수의 거래 정보 및 복수의 가상 거래 정보의 일부일 수 있다. 또한, 학습 정보의 일부는, 복수의 거래 정보의 일부 및 복수의 가상 거래 정보의 일부일 수 있다.
전자 장치(10)는 학습한 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델을 검증할 수 있다. 검증 과정에서, 전자 장치(10)는, 학습 모델의 일부를 수정 또는 업데이트 할 수 있다. 예를 들면, 전자 장치(10)는 학습 모델을 생성하는 데에 영향을 미친 요소들의 가중치의 값들을 조정함으로써, 학습 모델의 일부를 수정 또는 업데이트 할 수 있다.
도 4는 일실시예에 따라, 복수의 거래 정보에 기초하여 복수의 가상 거래 정보를 생성하는 과정을 설명하기 위한 도면이다.
전자 장치(10)는, 사용자의 금융 거래 패턴을 결정하기 위한 거래 정보를 전자 장치(10)에 설치된 복수의 애플리케이션을 통해 수집할 수 있다.
도 4를 참고하면, 선불형 금융 서비스 애플리케이션(410)에는 선불 금융 서비스에 대응하는 거래 정보(415)가 기록될 수 있다. 예를 들면, 거래 정보(415)에는, 선불 금융 거래가 발생된 시간, 고유 식별자를 나타내는 식별 정보, 선불 금융 거래가 발생된 위치, 거래구분, 금액의 정보가 포함될 수 있다.
예를 들면, 제1 애플리케이션(420)에는 사용자의 카드 거래 내역이 발생될 때마다 거래 정보(425)가 기록될 수 있다. 제2 애플리케이션(430)에는 사용자의 보유 계좌에서 출금 또는 입금될 때마다 거래 정보(435)가 기록될 수 있다.
전자 장치(10)는, 선불형 금융 서비스 애플리케이션(410), 제1 애플리케이션(420), 제2 애플리케이션(430)으로부터 거래 정보(415, 425, 435)를 획득할 수 있다. 예를 들면, 전자 장치(10)는, 선불형 금융 서비스 애플리케이션(410)으로부터 복수의 거래 정보(415-1, 415-2, 415-3, 415-4)를 획득할 수 있다.
전자 장치(10)는, 거래 정보(415, 425, 435)에 포함된 항목 및 항목에 대한 정보에서 공통 정보를 추출하고, 추출된 공통 정보에 기초하여 금융 거래 패턴 정보(440)를 획득할 수 있다. 전자 장치(10)는, 금융 거래 패턴 정보(440)에 기초하여, 가상 거래 정보(450)를 생성할 수 있다. 예를 들면, 전자 장치(10)는, 금융 거래 패턴 정보(440) 내의 거래 패턴을 충족시키는 가상 거래 정보(450-1, 450-2, 450-3, 450-4)를 생성할 수 있다.
도 5는 일실시예에 따라, 이상 금융 거래를 검출하는 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 5를 참고하면, 블록 510에서, 전자 장치(10)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습할 수 있다. 도 4에서 설명한 복수의 거래 정보(415-1, 415-2, 415-3, 415-4) 및 복수의 가상 거래 정보(450-1, 450-2, 450-3, 450-4)를 예로 들어 설명하면, 전자 장치(10)는, 복수의 거래 정보(415-1, 415-2, 415-3, 415-4) 중에서 거래 정보(415-4)를 제외한 거래 정보(415-1, 415-2, 415-3)와 복수의 가상 거래 정보(450-1, 450-2, 450-3, 450-4)를 학습할 수 있다.
블록 520에서, 전자 장치(10)는 학습 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델(500)을 검증할 수 있다. 예를 들면, 전자 장치(10)는 학습하지 않은 거래 정보(415-4)를 학습 모델(500)의 입력 값으로 입력하고, 학습 모델(500)의 출력 값을 확인할 수 있다. 거래 정보(415-4)는 정상적인 거래에 대응하는 정보이므로, 학습 모델(500)의 출력 값은 0일 수 있다. 예를 들면, 학습 모델(500)의 출력 값이 0이면, 전자 장치(10)는, 학습 모델(500)이 정상적으로 학습된 모델인 것으로 판단할 수 있다. 반면에, 학습 모델(500)의 출력 값이 0이 아니면, 전자 장치(10)는, 학습 모델(500)에 수정이 필요한 것으로 판단할 수 있다.
도 5에서는 설명의 편의상, 거래 정보(415-4)에 대해서만 학습 모델(500)을 검증하는 데에 이용하였지만, 전자 장치(10)는, 학습 정보의 미리 설정된 비율만큼을 학습하고, 학습되지 않은 나머지 정보를 학습 모델(500)의 검증에 이용할 수 있다.
도 6은 일실시예에 따라, 복수의 거래 정보 및 복수의 가상 거래 정보를 학습하는 인공 신경망을 개략적으로 도시한 도면이다.
도 6을 참고하면, 인공 신경망은 입력 레이어(610), 적어도 하나의 히든 레이어(620, 630) 및 출력 레이어(640)를 포함할 수 있다. 또한, 인공 신경망을 통한 연산은 전자 장치(10) 내의 프로세서 또는 서버(20) 내의 프로세서에서 수행될 수 있다.
또한, 히든 레이어(620, 630)에서 수행된 학습 및 훈련을 통해 각 레이어와 노드 사이의 가중치가 학습될 수 있다. 예를 들면, 전자 장치(10) 내의 프로세서 또는 서버(20) 내의 프로세서는 복수의 거래 정보 및 복수의 가상 거래 정보에 대한 반복적인 학습을 통하여, 정상적인 선불 금융 거래의 유형 정보 및 비정상적인 선불 금융 거래의 유형 정보를 학습할 수 있다. 전자 장치(10) 내의 프로세서 또는 서버(20) 내의 프로세서는, 복수의 거래 정보 및 복수의 가상 거래 정보를 학습한 결과에 기초하여, 이상 금융 거래를 검출하는 학습 모델을 생성할 수 있다.
예를 들면, 전자 장치(10) 내의 프로세서 또는 서버(20) 내의 프로세서는, 이상 금융 거래를 검출하는 학습 모델을 생성하는 데에 영향을 미친 요소들의 가중치의 값들을 획득할 수 있다. 전자 장치(10) 내의 프로세서 또는 서버(20) 내의 프로세서는, 훈련된 인공 신경망에서 획득된 가중치의 값을 적용하여 학습 모델을 재학습할 수 있다. 가중치의 값이 적용된 학습 모델을 재학습함으로써, 학습 모델은 비정상적인 선불 금융 거래를 정확하게 검출할 수 있다.
도 7은 일실시예에 따라, 학습 모델을 이용하여 이상 선불 금융 거래를 검출하는 과정을 설명하기 위한 도면이다.
도 7을 참고하면, 동작 710에서, 전자 장치(10)에 설치된 선불형 금융 서비스 애플리케이션(701) 내의 학습 모델은 제1 선불 금융 거래를 감지하고, 제1 선불 금융 거래에 대응하는 제1 거래 정보를 획득할 수 있다. 여기서, 학습 모델은, 라이트 버전에 대응하는 로우 레벨의 학습 모델일 수 있다.
동작 720에서, 학습 모델은, 제1 거래 정보 및 학습 모델의 레벨에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 동작 730에서, 학습 모델은 제1 선불 금융 거래를 비정상적인 거래로 검출할 수 있다. 동작 740에서, 전자 장치(10)는, 서버(20)로, 제1 선불 금융 거래가 비정상적인 거래인지 2차적으로 확인 검증을 요청할 수 있다.
서버(20)는, 전자 장치(10)의 요청에 따라, 제1 선불 금융 거래가 비정상적인 거래인지 확인할 수 있다. 구체적으로, 동작 750에서, 서버(20) 내의 학습 모델(702)은, 위치 정보 및 시간 정보를 포함하는 물리적인 요소 및 이전 선불 금융 거래에 대응하는 거래 정보에 기초하여, 제1 선불 금융 거래의 유효성을 판단할 수 있다.
예를 들면, 학습 모델(702)은, 제1 선불 금융 거래와 이전 선불 금융 간의 시간 간격, 및 제1 선불 금융 거래와 이전 선불 금융 거래가 발생된 위치에 기반하여, 제1 선불 금융 거래가 발생 가능한 거래인지 판단할 수 있다.
구체적인 예를 들면, 제1 선불 금융 거래가 발생된 위치가 서울이고, 거래 시간이 오전 11시인 것으로 감지될 수 있다. 제1 선불 금융 거래의 직전 이전 선불 금융 거래가 발생된 위치가 부산이고, 거래 시간이 오전 10시일 수 있다. 이 경우, 학습 모델(702)은, 위치 정보 및 시간 정보를 포함하는 물리적인 요소에 기초하여, 제1 선불 금융 거래가 불가능한 거래임을 판단할 수 있다.
동작 760에서, 제1 선불 금융 거래가 유효한 것으로 판단되면, 학습 모델(702)은, 동작 770에서, 제1 선불 금융 거래가 사용자의 금융 거래 패턴 정보에 부합되는지 확인할 수 있다. 반면에, 제1 선불 금융 거래가 유효하지 않은 것으로 판단되거나, 제1 선불 금융 거래가 사용자의 금융 거래 패턴 정보에 부합되지 않으면, 동작 765에서, 학습 모델(702)은, 제1 선불 금융 거래를 비정상적인 거래로 검출할 수 있다.
제1 선불 금융 거래가 사용자의 금융 거래 패턴 정보에 부합되면, 동작 780에서 학습 모델(702)은, 제1 선불 금융 거래를 정상적인 거래로 판단할 수 있다.
도 8은 일실시예에 따라, 선불 금융 거래가 비정상적인 거래로 검출됨에 따라 알림 메시지를 표시하고, 사용자의 입력 정보에 따라 선불 금융 거래의 승인 여부를 결정하는 과정을 설명하기 위한 도면이다.
도 8의 이미지(810)을 참고하면, 선불 금융 거래가 비정상적인 거래로 검출되면, 전자 장치(10)는, 선불 금융 거래가 비정상적인 거래임을 알리는 메시지를 표시할 수 있다. 또한, 전자 장치(10)는 비정상적인 거래로 탐지된 거래가 정상적인 거래인지를 문의하는 메시지(811)를 표시할 수 있다.
도 8의 이미지(810)에서 "예"의 아이콘(812)을 선택하는 입력이 수신되면, 전자 장치(10)는 선불 금융 거래의 유효성을 검증하기 위한 인증 정보를 요청할 수 있다. 도 8의 이미지(820)에서, 전자 장치(10)는 사용자의 지문 정보(821)를 요청할 수 있다.
반면에, 도 8의 이미지(810)에서 "아니오"의 아이콘(813)을 선택하는 입력이 수신되면, 전자 장치(10)는 서버(20)로, 선불 금융 거래의 승인 거절을 요청할 수 있다. 도 8의 이미지(830)을 참고하면, 전자 장치(10)는 선불 금융 거래의 승인 거절을 요청한 메시지(831)를 표시할 수 있다.
도 9는 일실시예에 따라, 선불 금융 거래의 승인 여부를 결정하는 전자 장치(10)의 동작 방법을 나타낸 흐름도이다.
선불 금융 거래가 비정상적인 거래로 검출되더라도, 실제로 선불 금융 거래는 정상적인 거래일 수 있다. 이 경우, 사용자의 인증이 완료된 경우에 선불 금융 거래는 정상적으로 진행될 수 있다. 사용자의 인증 완료를 위한 과정은, 선불 금융 거래가 사용자의 의도가 반영된 거래임을 확인하기 위한 절차일 수 있다.
도 9를 참고하면, 단계 S910에서, 전자 장치(10)는, 제1 선불 금융 거래의 유효성을 검증하기 위한 인증 정보를 요청할 수 있다. 예를 들면, 인증 정보는, 사용자의 생체 정보일 수 있다. 전자 장치(10)는, 인증 정보의 요청에 따라 전자 장치(10)에서 사용자의 생체 정보를 획득할 수 있다. 예를 들면, 생체 정보는, 지문 정보, 홍채 정보, 안면 정보, 정맥 정보 중 적어도 하나일 수 있다.
단계 S920에서, 전자 장치(10)는, 인증 정보 및 사용자의 위치 정보를 인증한 결과에 기초하여, 제1 선불 금융 거래의 승인 여부를 결정할 수 있다.
예를 들면, 전자 장치(10)는, 획득된 사용자의 인증 정보에 대한 인증을 수행할 수 있다. 예를 들면, 전자 장치(10)는, 전자 장치(10)에서 획득된 생체 정보와 서버(20)에 등록된 생체 정보가 일치됨을 확인함으로써, 사용자의 생체 정보를 인증할 수 있다. 또한, 전자 장치(10)는, 사용자의 위치 정보와 제1 선불 금융 거래가 발생된 위치 정보가 일치하는지 확인함으로써, 사용자의 위치 정보를 인증할 수 있다.
인증 정보 및 사용자의 위치 정보가 인증 완료되면, 전자 장치(10)는 제1 선불 금융 거래의 승인을 요청할 수 있다. 즉, 사용자에 대한 인증 정보 및 위치 정보가 인증되면, 선불 금융 거래는 사용자의 의도가 반영된 거래로 판단될 수 있다. 반면에, 인증 정보 및 사용자의 위치 정보 중 적어도 하나가 인증되지 않으면, 전자 장치(10)는 제1 선불 금융 거래의 승인 거절을 요청할 수 있다.
도 10은 일실시예에 따라, 전자 장치(10)의 구성을 도시한 블록도이다.
도 10을 참고하면, 전자 장치(10)는 통신 장치(1010), 사용자 인터페이스 장치(1020), 메모리(1030) 및 프로세서(1040)를 포함할 수 있다. 그러나, 도시된 구성 요소 모두가 필수 구성 요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(10)가 구현될 수 있고, 그보다 적은 요소에 의해서도 전자 장치(10)가 구현될 수 있다. 이하, 상기 구성 요소들에 대해 살펴본다. 도 10에 도시된 전자 장치(10)는, 도 1 내지 도 9에서 설명한 전자 장치(10)와 동일하게 대응될 수 있다.
통신 장치(1010)는, 외부 장치와 통신을 수행할 수 있다. 예를 들면, 통신 장치(1010)는, 유선 또는 무선으로 네트워크와 연결되어 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는, 서버(20)일 수 있다.
통신 장치(1010)는, 다양한 유무선 통신 방법 중 하나를 지원하는 통신 모듈을 포함할 수 있다. 통신 모듈은 근거리 통신 모듈, 유선 통신 모듈일 수 있다.
사용자 인터페이스 장치(1020)는, 사용자로부터 전자 장치(10)를 제어하기 위해 데이터를 입력 받는 장치를 의미할 수 있다. 프로세서(1040)는, 사용자로부터 소정 명령 또는 데이터를 입력 받기 위한 사용자 인터페이스 화면을 생성 및 출력하도록 사용자 인터페이스 장치(1020)를 제어할 수 있다.
사용자 인터페이스 장치(1020)는 전자 장치(10)의 동작을 제어하는 입력 등을 수신하기 위한 입력부와 전자 장치(10)의 동작에 따른 결과 또는 전자 장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들면, 사용자 인터페이스 장치(1020)는 사용자 입력을 수신하는 조작 패널, 화면을 표시하는 디스플레이 패널 등을 포함할 수 있다.
구체적으로, 입력부는, 예를 들어, 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는, 예를 들어, 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 사용자 인터페이스 장치(1020)는 다양한 입출력을 지원하는 장치를 포함할 수 있다.
메모리(1030)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(SD, XD 메모리 등), 램(RAM; Random Access Memory), SRAM(Static Random Access Memory), 롬(ROM; Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1030)는, 선불 금융 거래가 감지되면, 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여 선불 금융 거래가 정상적인 거래인지 판단하고, 선불 금융 거래가 비정상적인 거래로 검출되면, 선불 금융 거래가 중단되도록 제어하는 방법을 전자 장치(10)에서 실행시키기 위한 적어도 하나의 프로그램을 저장할 수 있다. 메모리(1030)에 저장된 적어도 하나의 프로그램은 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
프로세서(1040)는, 전자 장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 적어도 하나의 프로세서를 포함할 수 있다. 프로세서(1040)는 각 기능에 대응되는 특화된 프로세서를 적어도 하나 포함하거나, 하나로 통합된 형태의 프로세서일 수 있다.
프로세서(1040)는 메모리(1030)에 저장된 프로그램을 실행시키거나, 메모리(1030)에 저장된 데이터 또는 파일을 읽어오거나, 새로운 파일을 메모리(1030)에 저장할 수도 있다. 또한, 프로세서(1040)는 메모리(1030)에 저장된 명령어들을 실행할 수 있다.
프로세서(1040)는, 선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지할 수 있다.
프로세서(1040)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 여기서, 학습 모델은, 사용자의 거래 정보 및 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성될 수 있다.
예를 들면, 학습 모델은, 제1 선불 금융 거래에 대응하는 제1 거래 정보가 입력되면, 제1 거래 정보에 기초하여 제1 선불 금융 거래가 정상적인 거래인지 비정상적인 거래인지 판단할 수 있다. 제1 선불 금융 거래가 비정상적인 거래로 판단되면, 학습 모델은 제1 선불 금융 거래가 비정상적인 거래임을 나타내는 결과 정보를 출력할 수 있다.
예를 들면, 제1 선불 금융 거래에 대응하는 제1 거래 정보는, 제1 선불 금융 거래가 발생된 시간, 위치, 금액, 거래 내역 중 적어도 하나의 정보를 포함할 수 있다.
전자 장치(10)에 라이트 버전보다 높은 버전의 학습 모델이 포함된 애플리케이션이 설치되면, 전자 장치(10)에서 애플리케이션이 실행될 때 많은 연산량으로 인해 전자 장치(10)의 동작이 원활하게 진행되지 않을 수 있다. 예를 들면, 라이트 버전의 학습 모델은, 표준 버전의 학습 모델보다 연산량 및 모바일 데이터의 사용량이 적을 수 있다. 따라서, 전자 장치(10)에서 로우 레벨의 학습 모델이 포함된 애플리케이션이 설치될 수 있다.
예를 들면, 프로세서(1040)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 학습 모델의 레벨에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 예를 들면, 학습 모델의 레벨은, 선불 금융 거래가 정상적인 거래인지 판단하기 위해 연산하는 연산량에 기초하여 설정될 수 있다.
예를 들면, 학습 모델의 레벨이 로우 레벨이면, 학습 모델의 레벨이 표준 레벨 또는 하이 레벨일 때보다 이상 거래를 탐지하는 데에 이용되는 정보량이 적거나 연산 프로세스가 간소화됨으로써, 이상 선불 금융 거래의 검출을 정확하게 하지 못할 수 있다. 따라서, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 표준 레벨 이상의 학습 모델을 이용하여 제1 선불 금융 거래를 다시 검증할 필요가 있다.
제1 선불 금융 거래가 비정상적인 거래로 검출되면, 프로세서(1040)는 제1 선불 금융 거래가 중단되도록 제어할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 프로세서(1040)는, 서버(20)로 제1 선불 금융 거래가 비정상적인 거래인지를 2차적으로 확인하는 검증 작업을 요청할 수 있다. 통신 장치(1010)는, 서버(20)로부터 검증 작업에 대한 검증 결과를 수신할 수 있다. 검증 결과가 비정상적인 거래를 나타내면, 통신 장치(1010)는 서버(20)로 제1 선불 금융 거래의 승인 거절을 요청할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출됨에 따라, 프로세서(1040)는 선불 잔액이 출금되지 않도록 사용자의 계정 정보를 잠금 설정할 수 있다.
예를 들면, 사용자 인터페이스 장치(1020)는, 제1 선불 금융 거래가 비정상적인 거래임을 알리는 메시지를 표시할 수 있다.
예를 들면, 제1 선불 금융 거래가 비정상적인 거래로 검출됨에 따라, 프로세서(1040)는 제1 선불 금융 거래의 유효성을 검증하기 위한 인증 정보를 요청할 수 있다. 프로세서(1040)는 인증 정보 및 사용자의 위치 정보를 인증한 결과에 기초하여, 제1 선불 금융 거래의 승인 여부를 결정할 수 있다.
한편, 프로세서(1040)는, 이상 선불 금융 거래를 검출하는 학습 모델을 업데이트 할 수 있다. 예를 들면, 프로세서(1040)는, 전자 장치(10)를 통해 발생된 복수의 금융 거래에 대응하는 복수의 거래 정보를 수집할 수 있다. 프로세서(1040)는 복수의 거래 정보 및 복수의 거래 정보에 기초하여 생성된 복수의 가상 거래 정보를 학습한 결과에 기초하여, 학습 모델을 업데이트 할 수 있다. 프로세서(1040)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습한 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
도 11은 일실시예에 따라, 서버(20)의 동작 방법을 나타낸 흐름도이다.
도 11을 참고하면, 단계 S1110에서, 서버(20)는, 사용자에 대한 복수의 금융 거래에 대응하는 복수의 거래 정보를 획득할 수 있다.
단계 S1120에서, 서버(20)는, 복수의 거래 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다.
예를 들면, 서버(20)는, 복수의 거래 정보에 기초하여, 사용자의 금융 거래 패턴 정보를 획득할 수 있다. 서버(20)는 금융 거래 패턴 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다.
단계 S1130에서, 서버(20)는, 복수의 거래 정보 및 복수의 가상 거래 정보에 기초하여, 이상 금융 거래를 검출하는 학습 모델을 생성할 수 있다.
예를 들면, 서버(20)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습한 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
예를 들면, 서버(20)는, 복수의 거래 정보의 일부를 추출할 수 있다. 서버(20)는 복수의 거래 정보의 추출된 일부와 복수의 가상 거래 정보를 학습한 결과에 기초하여, 복수의 거래 정보의 추출된 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
단계 S1140에서, 서버(20)는, 사용자의 전자 장치(10)로부터 제1 선불 금융 거래의 검증 요청을 수신할 수 있다.
단계 S1150에서, 서버(20)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다.
예를 들면, 서버(20)는, 제1 선불 금융 거래와 이전 선불 금융 거래 간의 시간 간격, 제1 선불 금융 거래와 상기 이전 선불 금융 거래가 발생된 위치에 기반하여 제1 선불 금융 거래가 발생 가능한 거래인지 판단할 수 있다. 또한, 서버(20)는 제1 선불 금융 거래가 사용자의 금융 거래 패턴 정보에 부합되는지 판단할 수 있다.
단계 S1160에서, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 서버(20)는 선불 금융 서버로 제1 선불 금융 거래의 승인 거절을 요청할 수 있다.
도 12는 일실시예에 따라, 서버(20)의 구성을 도시한 블록도이다.
도 12를 참고하면, 서버(20)는, 통신 장치(1210), 메모리(1230) 및 프로세서(1240)를 포함할 수 있다. 그러나, 도시된 구성 요소 모두가 필수 구성 요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 서버(20)가 구현될 수 있고, 그보다 적은 요소에 의해서도 서버(20)가 구현될 수 있다. 이하, 상기 구성 요소들에 대해 살펴본다. 도 12에 도시된 서버(20)는, 도 1 내지 도 11에서 설명한 서버(20)와 동일하게 대응될 수 있다.
통신 장치(1210)는, 외부 장치와 통신을 수행할 수 있다. 예를 들면, 통신 장치(1210)는, 유선 또는 무선으로 네트워크와 연결되어 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는, 전자 장치(10)일 수 있다.
통신 장치(1210)는, 다양한 유무선 통신 방법 중 하나를 지원하는 통신 모듈을 포함할 수 있다. 통신 모듈은 근거리 통신 모듈, 유선 통신 모듈일 수 있다.
메모리(1230)는, 이상 금융 거래를 검출하는 학습 모델을 생성하고, 전자 장치(10)로부터 선불 금융 거래의 검증 요청이 있으면, 정상적인 거래인지 판단하고, 비정상적인 거래로 판단되면, 거래 승인이 거절되도록 하는 방법을 서버(20)에서 실행시키기 위한 적어도 하나의 프로그램을 저장할 수 있다. 메모리(1230)에 저장된 적어도 하나의 프로그램은 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
프로세서(1240)는, 서버(20)의 전체적인 동작을 제어하며, CPU 등과 같은 적어도 하나의 프로세서를 포함할 수 있다. 프로세서(1240)는 각 기능에 대응되는 특화된 프로세서를 적어도 하나 포함하거나, 하나로 통합된 형태의 프로세서일 수 있다.
프로세서(1240)는 메모리(1230)에 저장된 프로그램을 실행시키거나, 메모리(1230)에 저장된 데이터 또는 파일을 읽어오거나, 새로운 파일을 메모리(1230)에 저장할 수도 있다. 또한, 프로세서(1240)는 메모리(1230)에 저장된 명령어들을 실행할 수 있다.
프로세서(1240)는, 사용자에 대한 복수의 금융 거래에 대응하는 복수의 거래 정보를 획득할 수 있다.
프로세서(1240)는, 복수의 거래 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다.
예를 들면, 프로세서(1240)는, 복수의 거래 정보에 기초하여, 사용자의 금융 거래 패턴 정보를 획득할 수 있다. 프로세서(1240)는 금융 거래 패턴 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성할 수 있다.
프로세서(1240)는, 복수의 거래 정보 및 복수의 가상 거래 정보에 기초하여, 이상 금융 거래를 검출하는 학습 모델을 생성할 수 있다.
예를 들면, 프로세서(1240)는, 복수의 거래 정보 및 복수의 가상 거래 정보를 포함하는 학습 정보의 일부를 학습한 결과에 기초하여, 학습 정보의 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
예를 들면, 프로세서(1240)는, 복수의 거래 정보의 일부를 추출할 수 있다. 프로세서(1240)는 복수의 거래 정보의 추출된 일부와 복수의 가상 거래 정보를 학습한 결과에 기초하여, 복수의 거래 정보의 추출된 일부를 제외한 나머지로 학습 모델을 검증할 수 있다.
프로세서(1240)는, 통신 장치(1210)를 통해, 사용자의 전자 장치(10)로부터 제1 선불 금융 거래의 검증 요청을 수신할 수 있다.
프로세서(1240)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다.
예를 들면, 프로세서(1240)는, 제1 선불 금융 거래와 이전 선불 금융 거래 간의 시간 간격, 제1 선불 금융 거래와 상기 이전 선불 금융 거래가 발생된 위치에 기반하여 제1 선불 금융 거래가 발생 가능한 거래인지 판단할 수 있다. 또한, 프로세서(1240)는 제1 선불 금융 거래가 사용자의 금융 거래 패턴 정보에 부합되는지 판단할 수 있다.
제1 선불 금융 거래가 비정상적인 거래로 검출되면, 프로세서(1240)는 선불 금융 서버로 제1 선불 금융 거래의 승인 거절을 요청할 수 있다.
도 13은 일실시예에 따라, 이상 선불 금융 거래를 검출하기 위한 전자 장치(10)와 서버(20)의 동작 방법을 나타낸 흐름도이다.
도 13을 참고하면, 단계 S1310에서, 전자 장치(10)는 제1 선불 금융 거래를 감지할 수 있다. 단계 S1320에서, 전자 장치(10)는, 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다. 단계 S1330에서, 제1 선불 금융 거래가 정상적인 거래이면, 전자 장치(10)는, 단계 S1340에 따라, 서버(20)로, 제1 선불 금융 거래가 비정상적인 거래인지 2차적으로 확인 검증을 요청할 수 있다.
단계 S1350에서, 서버(20)는 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 제1 선불 금융 거래가 정상적인 거래인지 판단할 수 있다.
단계 S1360에서, 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 서버(20)는, 제1 선불 금융 거래가 중단되도록 제어할 수 있다. 단계 S1370에서, 서버(20)는, 제1 선불 금융 거래가 비정상적인 거래임을 알리는 메시지를 표시할 수 있다.
본 개시에서 설명된 전자 장치(10) 및 서버(20)는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 또한, 본 개시는, 전자 장치(10) 및 서버(20)의 동작 방법을 수행할 수 있도록 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램 형태로 제공될 수 있다. 또한, 본 개시는, 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터 판독 가능 저장매체를 이용하여 이와 같은 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
이와 같은 컴퓨터 판독 가능 저장매체는 read-only memory (ROM), random-access memory (RAM), flash memory, CD-ROMs, CD-Rs, CD+Rs, CD-RWs, CD+RWs, DVD-ROMs, DVD-Rs, DVD+Rs, DVD-RWs, DVD+RWs, DVD-RAMs, BD-ROMs, BD-Rs, BD-R LTHs, BD-REs, 마그네틱 테이프, 플로피 디스크, 광자기 데이터 저장 장치, 광학 데이터 저장 장치, 하드 디스크, 솔리드-스테이트 디스크(SSD)일 수 있고, 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 저장할 수 있고, 프로세서나 컴퓨터가 명령어를 실행할 수 있도록 프로세서나 컴퓨터에 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 제공할 수 있는 어떠한 장치라도 될 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 기술분야에서 통상의 지식을 가진 자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.
Claims (17)
- 전자 장치의 동작 방법에 있어서,
선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지하는 단계;
상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 단계 - 상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성됨 -; 및
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하는 단계를 포함하고,
상기 전자 장치의 동작 방법은,
상기 애플리케이션을 포함하는 복수의 애플리케이션을 통해 획득된 복수의 거래 정보, 및 상기 복수의 거래 정보에 기초하여 생성된 복수의 가상 거래 정보를 포함하는 학습 정보를 획득하는 단계; 및
상기 학습 정보의 일부를 학습한 결과에 기초하여, 상기 학습 정보의 일부를 제외한 나머지로 상기 학습 모델을 검증하는 단계를 더 포함하는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 제1 선불 금융 거래에 대응하는 제1 거래 정보는,
상기 제1 선불 금융 거래가 발생된 시간, 위치, 금액, 거래 내역 중 적어도 하나의 정보를 포함하는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 단계는,
상기 제1 선불 금융 거래에 대응하는 상기 제1 거래 정보 및 상기 학습 모델의 레벨에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 단계를 포함하고,
상기 학습 모델의 레벨은, 선불 금융 거래가 정상적인 거래인지 판단하기 위해 연산하는 연산량에 기초하여 설정되는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 학습 모델을 검증하는 단계는,
상기 학습 정보의 일부를 학습한 결과에 기초하여, 상기 학습 모델의 생성에 적용되는 가중치의 값을 조정함으로써, 상기 학습 모델을 업데이트 하는 단계를 더 포함하는, 전자 장치의 동작 방법. - 삭제
- 제1항에 있어서,
상기 제1 선불 금융 거래가 중단되도록 제어하는 단계는,
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 서버로 상기 제1 선불 금융 거래가 비정상적인 거래인지를 2차적으로 확인하는 검증 작업을 요청하는 단계;
상기 서버로부터 수신된 검증 결과가 비정상적인 거래를 나타내면, 상기 서버로 상기 제1 선불 금융 거래의 승인 거절을 요청하는 단계를 포함하는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 제1 선불 금융 거래가 중단되도록 제어하는 단계는,
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 선불 잔액이 출금되지 않도록 상기 사용자의 계정 정보를 잠금 설정하는 단계를 포함하는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 제1 선불 금융 거래가 비정상적인 거래임을 알리는 메시지를 표시하는 단계를 더 포함하는, 전자 장치의 동작 방법. - 제1항에 있어서,
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래의 유효성을 검증하기 위한 인증 정보를 요청하는 단계; 및
상기 인증 정보 및 상기 사용자의 위치 정보를 인증한 결과에 기초하여, 상기 제1 선불 금융 거래의 승인 여부를 결정하는 단계를 더 포함하는, 전자 장치의 동작 방법. - 제9항에 있어서,
상기 인증 정보는, 상기 사용자의 생체 정보이고,
상기 인증 정보의 요청에 따라 상기 전자 장치에서 획득된 상기 사용자의 생체 정보를 인증하는 단계; 및
상기 사용자의 위치 정보와 상기 제1 선불 금융 거래가 발생된 위치 정보가 일치하는지 확인함으로써, 상기 사용자의 위치 정보를 인증하는 단계를 더 포함하는, 전자 장치의 동작 방법. - 외부 장치와 통신을 수행하는 통신 장치;
사용자 인터페이스 장치;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써,
선불형 금융 서비스를 제공하는 애플리케이션을 통해, 제1 선불 금융 거래를 감지하고,
상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하고,
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하고,
상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성된 것을 특징으로 하고,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 애플리케이션을 포함하는 복수의 애플리케이션을 통해 획득된 복수의 거래 정보, 및 상기 복수의 거래 정보에 기초하여 생성된 복수의 가상 거래 정보를 포함하는 학습 정보를 획득하고,
상기 학습 정보의 일부를 학습한 결과에 기초하여, 상기 학습 정보의 일부를 제외한 나머지로 상기 학습 모델을 검증하는, 전자 장치. - 전자 장치와 결합되어 상기 전자 장치의 동작 방법을 실행시키기 위해 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은,
제1 선불 금융 거래를 감지하는 명령어;
상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 이상 선불 금융 거래를 검출하는 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하는 명령어; 및
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 상기 제1 선불 금융 거래가 중단되도록 제어하는 명령어를 포함하고,
상기 학습 모델은, 사용자의 거래 정보 및 상기 사용자의 거래 정보에 기초하여 생성된 가상 거래 정보를 학습함으로써 생성된 것을 특징으로 하고,
상기 컴퓨터 프로그램은,
상기 컴퓨터 프로그램 및 복수의 애플리케이션을 통해 획득된 복수의 거래 정보, 및 상기 복수의 거래 정보에 기초하여 생성된 복수의 가상 거래 정보를 포함하는 학습 정보를 획득하는 명령어; 및
상기 학습 정보의 일부를 학습한 결과에 기초하여, 상기 학습 정보의 일부를 제외한 나머지로 상기 학습 모델을 검증하는 명령어를 더 포함하는, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램. - 외부 장치와 통신을 수행하는 통신 장치;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써,
사용자에 대한 복수의 금융 거래에 대응하는 복수의 거래 정보를 획득하고,
상기 복수의 거래 정보에 기초하여, 복수의 가상 금융 거래에 대응하는 복수의 가상 거래 정보를 생성하고,
상기 복수의 거래 정보 및 상기 복수의 가상 거래 정보를 포함하는 학습 정보에 기초하여 이상 금융 거래를 검출하는 학습 모델을 생성하고,
상기 사용자의 전자 장치로부터 제1 선불 금융 거래의 검증 요청을 수신하고,
상기 제1 선불 금융 거래에 대응하는 제1 거래 정보 및 상기 학습 모델에 기초하여, 상기 제1 선불 금융 거래가 정상적인 거래인지 판단하고,
상기 제1 선불 금융 거래가 비정상적인 거래로 검출되면, 선불 금융 서버로 상기 제1 선불 금융 거래의 승인 거절을 요청하고,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 학습 정보의 일부를 학습한 결과에 기초하여, 상기 학습 정보의 일부를 제외한 나머지로 상기 학습 모델을 검증하는, 서버. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 복수의 거래 정보에 기초하여, 상기 사용자의 금융 거래 패턴 정보를 획득하고,
상기 금융 거래 패턴 정보에 기초하여, 상기 복수의 가상 금융 거래에 대응하는 상기 복수의 가상 거래 정보를 생성하는, 서버. - 삭제
- 제14항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 복수의 거래 정보의 일부를 추출하고,
상기 복수의 거래 정보의 추출된 일부와 상기 복수의 가상 거래 정보를 학습한 결과에 기초하여, 상기 복수의 거래 정보의 추출된 일부를 제외한 나머지로 상기 학습 모델을 검증하는, 서버. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써, 상기 학습 모델을 통해,
상기 제1 선불 금융 거래와 이전 선불 금융 거래 간의 시간 간격, 및 상기 제1 선불 금융 거래와 상기 이전 선불 금융 거래가 발생된 위치에 기반하여, 상기 제1 선불 금융 거래가 발생 가능한 거래인지를 판단하고,
상기 제1 선불 금융 거래가 상기 사용자의 금융 거래 패턴 정보에 부합되는지 판단하는, 서버.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220050656 | 2022-04-25 | ||
| KR1020220050656 | 2022-04-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102529027B1 true KR102529027B1 (ko) | 2023-05-04 |
| KR102529027B9 KR102529027B9 (ko) | 2024-03-15 |
Family
ID=86379483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220096769A KR102529027B1 (ko) | 2022-04-25 | 2022-08-03 | 이상 선불 금융 거래를 검출하는 시스템 및 그의 동작 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102529027B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050116250A (ko) * | 2004-06-07 | 2005-12-12 | 주식회사 국민은행 | 모바일 금융거래 가능한 이동통신 단말기 및 그 금융칩잠금 방법 |
| KR20130054797A (ko) * | 2011-11-17 | 2013-05-27 | 주식회사 케이티 | 온라인 거래 검증 방법 및 시스템 |
| KR101834260B1 (ko) * | 2017-01-18 | 2018-03-06 | 한국인터넷진흥원 | 이상 거래 탐지 방법 및 장치 |
| KR101879416B1 (ko) * | 2017-06-12 | 2018-07-18 | 고려대학교 산학협력단 | 이상 금융거래 탐지 방법 및 그 전자 장치 |
| KR20200020389A (ko) * | 2018-08-17 | 2020-02-26 | 엔에이치엔 주식회사 | 생체인식 기반의 결제 방법 및 장치 |
-
2022
- 2022-08-03 KR KR1020220096769A patent/KR102529027B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050116250A (ko) * | 2004-06-07 | 2005-12-12 | 주식회사 국민은행 | 모바일 금융거래 가능한 이동통신 단말기 및 그 금융칩잠금 방법 |
| KR20130054797A (ko) * | 2011-11-17 | 2013-05-27 | 주식회사 케이티 | 온라인 거래 검증 방법 및 시스템 |
| KR101834260B1 (ko) * | 2017-01-18 | 2018-03-06 | 한국인터넷진흥원 | 이상 거래 탐지 방법 및 장치 |
| KR101879416B1 (ko) * | 2017-06-12 | 2018-07-18 | 고려대학교 산학협력단 | 이상 금융거래 탐지 방법 및 그 전자 장치 |
| KR20200020389A (ko) * | 2018-08-17 | 2020-02-26 | 엔에이치엔 주식회사 | 생체인식 기반의 결제 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102529027B9 (ko) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3061783C (en) | Resource transfer method, fund payment method, and electronic device | |
| US10861012B2 (en) | System and method for secure transactions at a mobile device | |
| KR102412444B1 (ko) | 자금 흐름 방법 및 장치, 및 전자 디바이스 | |
| JP7030983B2 (ja) | ブロックチェーン残高調整方法およびデバイス、ならびに電子デバイス | |
| US20210065174A1 (en) | Methods and Systems for Performing an Offline Payment Transaction in Absence of Network | |
| US20170221053A1 (en) | Digital asset conversion | |
| CN109155032B (zh) | 用于验证在atm处的请求者的系统和方法 | |
| CN109544335B (zh) | 基于区块链的交易数据处理方法、装置、设备及存储介质 | |
| KR20160019924A (ko) | 음성 트랜잭션 처리 | |
| CN110276178B (zh) | 一种基于身份验证的风险控制方法、装置及设备 | |
| WO2020088130A1 (zh) | 一种基于区块链的财产执行方法及系统 | |
| US11074587B2 (en) | Systems and methods for mitigating fraudulent transactions | |
| US20230274282A1 (en) | Transaction tracking and fraud detection using voice and/or video data | |
| CN109002733A (zh) | 一种对设备进行可信性评价的方法及装置 | |
| US20230205859A1 (en) | Biometric override for incorrect failed authorization | |
| CN113506112A (zh) | 应收账款确权方法及装置和电子设备 | |
| KR102529027B1 (ko) | 이상 선불 금융 거래를 검출하는 시스템 및 그의 동작 방법 | |
| US20230186308A1 (en) | Utilizing a fraud prediction machine-learning model to intelligently generate fraud predictions for network transactions | |
| US11816672B1 (en) | Flexible authentication | |
| CN114037527A (zh) | 交易数据处理方法、装置、计算机设备和存储介质 | |
| CN114358758A (zh) | 一种数字货币硬件钱包的充值方法及相关设备 | |
| US11682017B2 (en) | Systems and methods for electronic payments with fraud prevention | |
| KR101503460B1 (ko) | 간소화된 스마트 뱅킹 서비스를 제공하는 방법 및 은행서버 | |
| US20080162158A1 (en) | Authentication Services Compensation System | |
| CN111784352A (zh) | 认证风险识别方法、装置和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |