KR20240003475A - system and method for detecting borrowed account - Google Patents
system and method for detecting borrowed account Download PDFInfo
- Publication number
- KR20240003475A KR20240003475A KR1020220081050A KR20220081050A KR20240003475A KR 20240003475 A KR20240003475 A KR 20240003475A KR 1020220081050 A KR1020220081050 A KR 1020220081050A KR 20220081050 A KR20220081050 A KR 20220081050A KR 20240003475 A KR20240003475 A KR 20240003475A
- Authority
- KR
- South Korea
- Prior art keywords
- account
- cannon
- transaction data
- transaction
- accounts
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000013075 data extraction Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 13
- 208000024891 symptom Diseases 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000032258 transport Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
대포계좌 탐지장치가 거래데이터 기반 대포계좌를 탐지하는 방법에 있어서,
(a) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 과거 대포계좌로 분류된 복수 계좌의 거래데이터 정보 및 정상계좌로 분류된 복수 계좌의 거래데이터 정보를 추출하는 단계;
(b) 상기 대포계좌 탐지장치의 특성 추출모듈이 상기 추출된 거래데이터 정보에서 입출금 거래내역에 대해 패턴특성 구별에 필요한 특성값으로 변환하는 단계;
(c) 상기 대포계좌 탐지장치의 기계학습모듈이 변환된 각 복수의 대포계좌 및 정상계좌의 특성값에 대해 학습을 수행하는 단계;
(d) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 탐지요구계좌의 제1거래데이터 정보를 추출하는 단계;
(e) 상기 대포계좌 탐지장치의 특성추출모듈이 상기 제1거래데이터 정보에서 제1특성값들을 추출하는 단계; 및
(f) 상기 대포계좌 탐지장치의 대포계좌 예측모듈이 상기 기계학습모듈에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 대포계좌인지를 판단하는 단계; 를 포함하는 것을 특징으로 하는 대포계좌 탐지방법.In the method of the cannon account detection device detecting a cannon account based on transaction data,
(a) the transaction data extraction module of the cannon account detection device extracting transaction data information of multiple accounts classified as past cannon accounts and transaction data information of multiple accounts classified as normal accounts input through an input unit;
(b) converting the extracted transaction data information into characteristic values necessary for distinguishing pattern characteristics of deposit/withdrawal transaction details by the characteristic extraction module of the cannon account detection device;
(c) performing learning on the characteristic values of each plurality of converted cannon accounts and normal accounts by the machine learning module of the cannon account detection device;
(d) the transaction data extraction module of the cannon account detection device extracting first transaction data information of the detection request account input through the input unit;
(e) a feature extraction module of the cannon account detection device extracting first feature values from the first transaction data information; and
(f) determining whether the cannon account prediction module of the cannon account detection device is a cannon account by comparing the characteristic pattern of the cannon account learned in the machine learning module with the characteristic pattern of a normal account; A cannon account detection method comprising:
Description
본 발명은 거래데이터 기반 대포계좌 탐지 방법 및 시스템 기술에 관한 것이다.The present invention relates to a cannon account detection method and system technology based on transaction data.
대포계좌는 통장을 개설한 사람과 실제 사용자가 다른 계좌로써, 비정상적인 통장이다. 이러한 대포계좌는 경제 신분을 감추거나 경찰이나 금융 당국의 추적을 피하기 위하여, 급히 돈이 필요한 사람에게 일정한 비용을 주고 그 사람의 명의를 빌려 불법적으로 개설한 계좌로 현행법상 불법계좌를 의미한다.A cannon account is an abnormal account in that the person who opened the account is different from the actual user. These cannon accounts are accounts opened illegally in the name of a person who urgently needs money by paying a certain fee in order to hide his or her economic identity or avoid being tracked by the police or financial authorities. This account is an illegal account under current law.
대포계좌는 대포통장, 차명계좌 라고도 불리며, 장집이라는 은어로 통하기도 한다 쉽게 말해서 타인의 명의를 도용해서 만든 통장이거나, 실제로 존재하지도 않은 사람의 이름으로 통장을 만드는 행위를 의미하기도 한다. 대포계좌의 가장 큰 문제는 각종 범죄에 중요한 수단으로 이용된다는 점이다. 전화를 통해 돈을 입금하도록 한 후 사라지는 보이스 피싱이 대표적이다. 2013년 8월 6일 금융감독원은 2011년 9월 30일 이후 2013년 6월 말까지 피싱에 쓰인 대포계좌가 모두 3만 6,417건이었다고 밝혔는데, 2013년에만 매달 1,000개의 대포계좌가 개설되어 보이스 피싱에 사용된 것으로 나타났다.A cannon account is also called a cannon account or a borrowed-name account, and is also referred to as a slang for a jangjib. To put it simply, it is a bankbook created by stealing someone else's name, or it can also refer to the act of creating a bankbook in the name of a person who does not actually exist. The biggest problem with cannon accounts is that they are used as an important tool for various crimes. A representative example is voice phishing, which involves asking people to deposit money over the phone and then disappearing. On August 6, 2013, the Financial Supervisory Service announced that the total number of Daepo accounts used for phishing from September 30, 2011 to the end of June 2013 was 36,417. In 2013 alone, 1,000 Daepo accounts were opened every month for voice phishing. It was found that it was used in .
대포계좌를 활용한 범죄는 다양하다. 범죄자들이 범죄 후 자금 추적을 피하기 위한 용도로 대포계좌를 활용하기 때문이다. 예컨대 가짜 금융회사 사이트를 제작한 후 개인 금융 정보를 빼돌려 돈을 가로채거나 저금리로 대출을 알선해준다고 속인 후 수수료를 가로채는 금융 사기, 납치 범죄 후 돈을 요구하는 경우에도 쓰인다. 비자금 관리 수단으로도 활용된다.Crimes using cannon accounts are diverse. This is because criminals use cannon accounts to avoid tracking funds after a crime. For example, it is used in cases of creating a fake financial company site and then stealing personal financial information to steal money, or in financial fraud that steals fees after deceiving people by claiming they will arrange a loan at a low interest rate, or in cases of kidnapping and demanding money. It is also used as a slush fund management tool.
대포계좌를 이용한 업자들은 주로 가출청소년, 노숙자, 신용불량자, 학비가 급한 청소년 등 당장 돈이 필요한 취약 계층을 이용해 대포통장을 개설하는데, 인터넷 게시판이나 가출 카페 등에는 “개인, 법인 통장 매매합니다”, “통장 사드립니다, 남녀노소 불문, 당일 입금”이라는 대포통장 매입 문구 등이 적잖이 올라와 있다.Businesses using Daepo accounts mainly open Daepo bank accounts by targeting vulnerable groups who need money immediately, such as runaway teenagers, the homeless, people with bad credit, and teenagers in urgent need of school fees. On Internet bulletin boards and runaway cafes, they say, “We sell individual and corporate bank accounts.” There are quite a few posts about buying a cannon bankbook that say, “We will buy you a bankbook. Deposit the same day, regardless of gender or age.”
대포폰과 조합하여 자금세탁행위를 비롯한 비자금 은닉, 마약거래, 뇌물수수, 인터넷 직거래 사기, 보이스피싱, 조세포탈행위 및 테러 행위로 사용하기 위한 공중협박자금조달행위, 기타 국제범죄행위 등에 널리 쓰이고 있다. 대포통장 자체부터 당연히 금융실명제를 위반한 범죄 행위이고 게다가 불법적인 행위에 사용되는 사실을 인지하고도 묵인하는 등으로 내버려 뒀다면 사기 방조죄도 적용받을 수 있다.In combination with cannon phones, it is widely used for money laundering, hiding slush funds, drug trafficking, bribery, direct Internet transaction fraud, voice phishing, tax evasion, raising funds for public intimidation for use in terrorist acts, and other international crimes. . Of course, the cannon account itself is a criminal act that violates the real-name financial system, and in addition, if you are aware of the fact that it is being used for illegal activities but turn a blind eye to it, you can also be charged with aiding and abetting fraud.
2013년 11월 18일 금융감독원은 기존 통장 발급이 너무 간단하고 쉬워 대포통장 등 여러 금융사기에 노출될 가능성이 크다고 판단, 통장 발급 기본 절차를 강화하여 왔다. 또한, 2015년 3월 부로 각 금융기관에 개설방어 제도가 도입되어 수입, 자산 등의 능력이 없으면 은행계좌 개설 자체를 아예 못하도록 바꾸었다.On November 18, 2013, the Financial Supervisory Service judged that the issuance of existing bankbooks is too simple and easy, making it highly likely to be exposed to various financial frauds such as cannon accounts, and has strengthened the basic procedures for issuing bankbooks. In addition, as of March 2015, a defense system for opening a bank account was introduced at each financial institution, prohibiting the opening of a bank account if one does not have sufficient income or assets.
그럼에도, 대포계좌는 근절이 되지 않고, 꾸준하게 늘고 있다.Nevertheless, cannon accounts have not been eradicated and are steadily increasing.
이러한 대포계좌의 금융거래 또한 금융기관을 통하여 입출금 거래가 이루어지는 점을 고려하면, 금융기관에서, 입출금 거래에 이용되는 거래 계좌가 대포계좌인지를 탐지할 필요성이 제기된다.Considering that financial transactions of these cannon accounts are also carried out through financial institutions, there is a need for financial institutions to detect whether the transaction account used for deposit and withdrawal transactions is a cannon account.
이에 대하여 대한민국 공개특허공보 2010-0117568호에 '계좌의 불법 사용을 방지하기 위한 계좌 위험 관리 및 인증 시스템'에 대한 기술이 소개된 바 있다.In relation to this, technology for 'account risk management and authentication system to prevent illegal use of accounts' was introduced in Republic of Korea Patent Publication No. 2010-0117568.
상기 기술에서는 기대하지 않은 거래를 처리하기 위한 외부 시스템으로부터의 시도, 사전 선택된 양(pre-selected volume)의 거래, 상인 카테고리 코드에 기초한 사전 선택된 타입의 상인(merchant), 거래가 특정의 통화 가치보다 낮을 때, 거래가 특정의 통화 가치보다 높을 때 및 특이한 조건 일 경우 등에 계좌 보유자가 선택한 가변의 승인 기준(variable approval criteria)에 기초하여 거래를 허가 또는 불허하도록 구성된다. 그러나 위 기술은 조건에 부합되는 계좌들은 추출할 수 있으나, 무작위 거래 계좌에 대해 실시간으로 대포계좌 인지를 탐지하는 데는 한계가 있다.The technique involves attempts from an external system to process unexpected transactions, transactions of a pre-selected volume, merchants of a pre-selected type based on merchant category code, and transactions that are less than a certain currency value. It is configured to allow or disallow transactions based on variable approval criteria selected by the account holder, such as when the transaction is higher than a specific currency value or under unusual conditions. However, although the above technology can extract accounts that meet the conditions, it has limitations in detecting whether random transaction accounts are cannon accounts in real time.
본 발명의 목적은 거래되는 계좌에 대해 특정 거래데이터에 기반한 딥러닝 학습에 의해 대포계좌 여부를 예측할 수 있는 시스템 및 방법을 제공하는 것이다.The purpose of the present invention is to provide a system and method for predicting whether a traded account is a cannon account using deep learning based on specific transaction data.
본 발명은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.The present invention is not limited to the purposes mentioned above, and other purposes not mentioned can be clearly understood from the description below.
본 발명의 일측면에 따르면, 금융서버와 네트워크로 연결되어 상기 금융서버로부터 과거 대포계좌로 분류된 계좌의 거래데이터 및 정상 계좌로 분류된 계좌의 거래데이터가 입력되는 입력부; 상기 입력부로 입력된 거래데이터로부터 복수의 대포계좌 및 복수의 정상계좌의 입출금 거래내역 데이터 및 계좌에 대한 변경기록내용을 포함하는 거래데이터 정보를 추출하는 거래데이터 추출모듈; 상기 데이터 추출모듈로부터 추출된 복수의 대포계좌 및 복수의 정상 계좌에 대한 거래데이터 정보에 대해 특정 데이터 필드 별로 특성값을 추출하는 특성 추출모듈; 상기 특성 추출모듈에서 추출된 대포계좌의 특성값 및 정상계좌의 특성값들의 학습을 수행하는 기계학습모듈; 을 포함하는 대포계좌 탐지장치가 제공된다.According to one aspect of the present invention, an input unit connected to a financial server and a network to input transaction data of an account previously classified as a cannon account and transaction data of an account classified as a normal account from the financial server; A transaction data extraction module for extracting transaction data information including deposit/withdrawal transaction details of a plurality of cannon accounts and a plurality of normal accounts and change records for the accounts from the transaction data input to the input unit; a characteristic extraction module that extracts characteristic values for each specific data field from the transaction data information for a plurality of cannon accounts and a plurality of normal accounts extracted from the data extraction module; A machine learning module that performs learning of the characteristic values of the cannon account and the characteristic values of the normal account extracted from the characteristic extraction module; A cannon account detection device including a is provided.
또한, 상기 탐지장치는 상기 기계학습모듈에서 학습된 대포계좌의 특성 및 정상 계좌의 특성을 비교하여 대포계좌인지를 탐지하는 대포계좌 예측모듈; 을 더 포함하고, 상기 입력부는 상기 금융서버로부터 탐지요구 계좌에 대한 거래데이터가 입력되는 수단을 더 포함하며, 상기 입력부에서 입력된 탐지요구 계좌에 대해 상기 거래데이터 추출모듈로부터 참지요구계좌의 거래데이터 정보를 추출하고, 상기 탐지요구계좌의 거래데이터 정보에 대해 상기 특성추출모듈로부터 상기 탐지요구계좌의 특성값을 추출한 다음, 추출된 탐지요구계좌의 특성값에 대해 상기 기계학습모듈에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 대포계좌인지를 탐지하는 대포계좌 예측모듈을 포함하는 것을 특징으로 한다.In addition, the detection device includes a cannon account prediction module that detects whether it is a cannon account by comparing the characteristics of the cannon account learned in the machine learning module and the characteristics of a normal account; The input unit further includes a means for inputting transaction data for the detection request account from the financial server, and transaction data of the reference request account from the transaction data extraction module for the detection request account input by the input unit. Extract information, extract characteristic values of the detection request account from the characteristic extraction module for the transaction data information of the detection request account, and then create a cannon account learned from the machine learning module for the extracted characteristic values of the detection request account. It is characterized by including a cannon account prediction module that detects whether it is a cannon account by comparing the characteristic pattern of and the characteristic pattern of a normal account.
또한, 상기 거래데이터 추출모듈이 추출하는 거래데이터 정보는,In addition, the transaction data information extracted by the transaction data extraction module is,
입금, 출금 또는 이자결산을 구분하는 입출금구분코드; 인터넷뱅킹, 스마트폰뱅킹, 텔레뱅킹, 창구, 자동화기기, 또는 센터컷을 구분하는 채널유형; 타행공동망, CD공동망, ARS공동망, 전자금융공동망, 펌뱅킹 또는 체크카드를 구분하는 거래코드; 상대계좌번호; 상대은행코드; 및 상대계좌명 또는 상대기관명이나 또는 상대계좌에서 기록하는 메시지가 기록되는 적요; 를 포함하는 것을 특징으로 한다.Deposit/withdrawal classification code that distinguishes between deposit, withdrawal, or interest settlement; Channel type distinguishes between Internet banking, smartphone banking, telephone banking, teller, automated machine, or center cut; Transaction code that distinguishes between other banks' joint network, CD joint network, ARS joint network, electronic financial joint network, firm banking, or check card; counterpart account number; counterpart bank code; and the name of the counterpart account or the name of the counterpart organization or a summary in which the message recorded by the counterpart account is recorded; It is characterized by including.
또한, 상기 거래데이터 정보는, 통장분실, 인감재발행, 일출금한도변경, 입출금통지서비스등록, 또는 모바일인증서재발급에 대한 기록 중 어느 하나 이상의 계좌에 대한 변경기록을 더 포함하는 것을 특징으로 한다.In addition, the transaction data information is characterized in that it further includes a change record for one or more accounts among records for loss of bankbook, re-issuance of seal, daily withdrawal limit change, deposit/withdrawal notification service registration, or mobile certificate re-issuance.
또한, 상기 복수의 대포계좌 및 복수의 정상계좌는 2000~2500개인 것을 특징으로 하며, 상기 특성 추출모듈은 각 계좌의 직전거래 30개의 입출금 거래내역에 대해, 특정 데이터 필드 별로 특성값을 추출하는 것을 특징으로 한다. In addition, the plurality of cannon accounts and the plurality of normal accounts are characterized in that there are 2000 to 2500, and the characteristic extraction module extracts characteristic values for each specific data field for the deposit and withdrawal transaction history of the 30 previous transactions of each account. It is characterized by
본 발명의 또 다른 측면에 따르면, 대포계좌 탐지장치가 거래데이터 기반 대포계좌를 탐지하는 방법은, (a) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 과거 대포계좌로 분류된 복수 계좌의 거래데이터 정보 및 정상계좌로 분류된 복수 계좌의 거래데이터 정보를 추출하는 단계; (b) 상기 대포계좌 탐지장치의 특성 추출모듈이 상기 추출된 거래데이터 정보에서 입출금 거래내역에 대해 패턴특성 구별에 필요한 특성값으로 변환하는 단계; (c) 상기 대포계좌 탐지장치의 기계학습모듈이 변환된 각 복수의 대포계좌 및 정상계좌의 특성값에 대해 학습을 수행하는 단계; (d) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 탐지요구계좌에 대한 거래데이터 정보를 추출하는 단계; (e) 상기 대포계좌 탐지장치의 특성추출모듈이 상기 탐지요구계좌의 거래데이터 정보에서 탐지요구계좌의 특성값들을 추출하는 단계; 및 (f) 상기 대포계좌 탐지장치의 대포계좌 예측모듈이 상기 탐지요구계좌의 특성값들을 상기 기계학습모듈에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 대포계좌인지를 판단하는 단계; 를 포함하는 것을 특징으로 한다.According to another aspect of the present invention, the method for the cannon account detection device to detect a cannon account based on transaction data is: (a) the transaction data extraction module of the cannon account detection device classifies past cannon accounts entered through the input unit; Extracting transaction data information of multiple accounts and transaction data information of multiple accounts classified as normal accounts; (b) converting the extracted transaction data information into characteristic values necessary for distinguishing pattern characteristics of deposit/withdrawal transaction details by the characteristic extraction module of the cannon account detection device; (c) performing learning on the characteristic values of each plurality of converted cannon accounts and normal accounts by the machine learning module of the cannon account detection device; (d) the transaction data extraction module of the cannon account detection device extracting transaction data information about the detection request account input through the input unit; (e) the characteristic extraction module of the cannon account detection device extracting characteristic values of the detection request account from transaction data information of the detection request account; and (f) the cannon account prediction module of the cannon account detection device compares the characteristic values of the detection request account with the characteristic pattern of the cannon account and the characteristic pattern of a normal account learned in the machine learning module to determine whether it is a cannon account. step; It is characterized by including.
또한, 상기 (b) 단계에서, 상기 거래데이터 정보에서 입출금거래내역 중 입출금구분코드, 채널유형, 거래코드, 상대계좌번호, 상대은행코드, 적요 필드에 대한 특성값은 해당 거래에 해당 값의 개수가 직전 30개 거래에 대해 가장 많이 나오는 값의 개수에 대한 역비율인 빈도수역비율의 값으로 산출하는 것을 특징으로 한다.In addition, in step (b), the characteristic values for the deposit/withdrawal classification code, channel type, transaction code, counterpart account number, counterpart bank code, and summary field among the deposit/withdrawal transaction details in the transaction data information are the number of values corresponding to the transaction. It is characterized by being calculated as the value of the frequency ratio, which is the inverse ratio of the number of values that appear most frequently for the 30 previous transactions.
또한, 상기 (b) 단계에서, 상기 거래데이터 정보에서 입출금거래내역 중 잔액에 대한 특성값은 직전 30개 거래에 대해 해당거래잔액과 직전거래잔액의 변화도에 대한 역비율의 값으로 산출하는 것을 특징으로 한다.In addition, in step (b) above, the characteristic value for the balance among the deposit/withdrawal transaction details in the transaction data information is calculated as the value of the inverse ratio of the change in the corresponding transaction balance and the previous transaction balance for the 30 previous transactions. It is characterized by
또한, 상기 (b) 단계에서, 상기 거래데이터 정보에서 적요 필드에 대한 특성값은 상기 거래데이터 정보에 대포계좌 징후에 해당하는 정보가 포함된 경우, 직전 30개 거래에 대해 해당되는 거래에 1을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 한다.In addition, in step (b), the characteristic value for the summary field in the transaction data information is 1 for the corresponding transaction for the immediately preceding 30 transactions when the transaction data information includes information corresponding to cannon account signs. It is characterized by tagging, and calculating the remaining transactions so that the default value is set to 0.
또한, 상기 (b) 단계에서, 상기 거래데이터 정보에서 적요 필드에 대한 특성값은 대포계좌 징후에 해당하는 정보가 포함된 경우, 직전 30개 거래에 대해 해당되는 입출금내역부터 이후 거래는 모두 1을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 한다.In addition, in step (b), if information corresponding to cannon account signs is included in the transaction data information, the characteristic value for the summary field is 1 for all subsequent transactions from the corresponding deposit/withdrawal details for the previous 30 transactions. It is characterized by tagging, and calculating the remaining transactions so that the default value is set to 0.
또한, 상기 (b) 단계에서, 상기 거래데이터 정보에서 변경기록 필드에 대한 특성값은 직전 30개 거래에 대해 변경기록이 발생한 날 기준으로 3일 동안 발생한 입출금 내역에 1의 값을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 한다.In addition, in step (b), the characteristic value for the change record field in the transaction data information is tagged with a value of 1 in the deposit and withdrawal history that occurred for 3 days based on the date the change record occurred for the 30 immediately preceding transactions, and the remaining The transaction is characterized by calculating a default value of 0.
또한, 상기 (b) 단계에서, 상기 거래데이터 정보의 14개 필드 데이터에 대한 직전 거래내역 30개에 대해 특성값으로 14×30 사이즈의 파일로 변환하는 것을 특징으로 한다.In addition, in step (b), 30 immediately preceding transaction details of the 14 field data of the transaction data information are converted into a file of 14×30 size as characteristic values.
본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 방법 및 시스템은 거래되는 계좌에 대한 거래데이터를 실시간으로 분석하여 대포계좌 여부를 효과적으로 예측할 수 있다.The transaction data-based cannon account detection method and system according to an embodiment of the present invention can effectively predict whether a cannon account exists by analyzing transaction data for a traded account in real time.
도 1은 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템의 예를 도시한 것이다.
도 2는 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템에서 대포계좌 탐지 장치의 학습방법을 도시한 것이다.
도 3은 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템에서 요청되는 계좌에 대한 대포계좌 탐지 장치의 대포계좌 탐지방법을 도시한 것이다.Figure 1 shows an example of a cannon account detection system based on transaction data according to an embodiment of the present invention.
Figure 2 shows a learning method of the cannon account detection device in the transaction data-based cannon account detection system according to an embodiment of the present invention.
Figure 3 illustrates a cannon account detection method of a cannon account detection device for an account requested in a transaction data-based cannon account detection system according to an embodiment of the present invention.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise.
본 출원에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. In this application, when a part “includes” a certain component, this means that it may further include other components rather than excluding other components unless specifically stated to the contrary.
또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, terms such as "...unit", "...unit", "module", and "device" used in the specification refer to a unit that processes at least one function or operation, which refers to hardware, software, or a combination of hardware and software. It can be implemented as:
또한, 본 발명의 실시 예의 구성요소를 설명하는 데 있어서, 제1, 제2 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결, 결합 또는 접속될 수 있지만, 그 구성요소와 그 다른 구성요소 사이에 또 다른 구성요소가 '연결', '결합' 또는 '접속'될 수도 있다고 이해되어야 할 것이다.Additionally, when describing components of embodiments of the present invention, terms such as first and second may be used. These terms are only used to distinguish the component from other components, and the nature, order, or order of the component is not limited by the term. When a component is described as being 'connected', 'coupled' or 'connected' to another component, that component may be directly connected, coupled or connected to that other component, but that component and that other component It should be understood that another component may be 'connected', 'combined', or 'connected' between elements.
이하 본 발명의 구현에 따른 거래데이터 기반 대포계좌 탐지 방법 및 시스템에 대해 상세하게 설명한다.Hereinafter, the transaction data-based cannon account detection method and system according to the implementation of the present invention will be described in detail.
대포계좌의 과거 거래내역을 살펴보면 정상계좌 거래에 비해 다르게 분류되는 어떠한 패턴이 존재한다.When looking at the past transaction history of a cannon account, there are certain patterns that are classified differently compared to normal account transactions.
예를 들면, 거래가 별로 없던 계좌가 대포계좌로 이용될 경우 종래와 달리 거래 규모가 큰돈의 흐름이 생기거나, 단시간에 빠져나가는 패턴을 가질 수 있다. 또는 대포계좌의 경우 과거의 거래 패턴과 다른 거래 패턴이 생성될 수 있다. 예를 들면, 과거에는 월급 또는 아르바이트에 대한 소득 등 주기적으로 입금이 되어 생활 리듬에 따라 수시로 입출금이 이루어지다가 대포통장으로 변한 후에는 큰돈이 일시에 입금되고 일시에 출금되는 패턴이 발생될 수 있다.For example, if an account that did not have many transactions is used as a cannon account, unlike before, it may have a large transaction size or a pattern of money being withdrawn in a short period of time. Or, in the case of a cannon account, a trading pattern that is different from the past trading pattern may be created. For example, in the past, deposits were made periodically, such as salary or income from part-time work, and deposits and withdrawals were made frequently according to the rhythm of life. However, after changing to a cannon account, a pattern may occur where large amounts of money are deposited and withdrawn at once.
본 발명의 일 실시 예에서는 이러한 딥러닝 알고리즘을 이용하여 대포계좌와 정상계좌의 거래내역 패턴을 학습하여 이를 분류하기 위한 모델링 방법을 적용하여 대포계좌인지 여부를 탐지할 수 있는 시스템 및 방법을 제공한다. . In one embodiment of the present invention, a system and method is provided that can detect whether a cannon account is a cannon account by learning the transaction history patterns of cannon accounts and normal accounts using such a deep learning algorithm and applying a modeling method to classify them. . .
도 1은 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템의 예를 도시한 것이다.Figure 1 shows an example of a cannon account detection system based on transaction data according to an embodiment of the present invention.
도 1을 참조하면 본 발명의 일 실시 예에 따른 대포계좌 탐지 시스템은 금융서버(10)와 네트워크로 연결되어 거래데이터 기반의 대포계좌를 탐지하는 대포계좌 탐지장치(100)를 포함한다.Referring to FIG. 1, the cannon account detection system according to an embodiment of the present invention includes a cannon
상기 대포계좌 탐지장치(100)는, 금융서버(10)와 연결되어 상기 금융서버(10)로부터 과거 대포계좌로 분류된 계좌의 거래데이터 및 정상 계좌로 분류된 계좌의 거래데이터가 입력되는 입력부(180), 상기 입력부(180)에서 입력된 거래데이터로부터 복수의 대포계좌 및 복수의 정상 계좌로부터 입출금 거래내역 데이터 및 계좌에 대한 변경기록내용을 포함하는 거래데이터 정보를 추출하는 거래데이터 추출모듈(110); 상기 데이터 추출모듈(110)로부터 추출된 복수의 대포계좌 및 복수의 정상 계좌에 대한 거래데이터 정보에 대해 특정 데이터필드별로 거래패턴이 포함된 특성값을 추출하는 특성 추출모듈(120); 상기 특성 추출모듈(120)에서 추출된 대포계좌의 특성값 및 정상 계좌의 특성값들의 학습을 수행하는 기계학습모듈(130); 및 상기 각 부를 제어하는 제어부(150)를 포함한다.The cannon
또한, 상기 대포계좌 탐지장치(100)는 상기 입력부(180)는 상기 금융서버로부터 탐지요구 계좌에 대한 제1거래데이터가 입력되는 수단을 더 포함하고, 입력된 탐지요구 계좌에 대해 상기 거래데이터 추출모듈(110)로부터 제1거래데이터 정보를 추출하고, 추출된 제1거래데이터 정보에 대해 특성추출모듈(120)로부터 특성값을 추출한 다음, 추출된 특성값에 대해 상기 기계학습모듈(130)에서 학습된 대포계좌의 특성패턴 및 정상 계좌의 특성패턴을 비교하여 대포계좌인지를 탐지하는 대포계좌 예측모듈(140) 및 상기 대포계좌 탐지장치(100)의 탐지 정보를 저장 축적하는 데이터베이스부(160)를 포함한다.In addition, the cannon
본 발명의 일 실시 예에 따른 탐지요구 계좌는 금융서버가 거래되는 모든 계좌 또는 일정 조건의 계좌를 선별하여 본 발명의 일 실시 예에 따른 대포계좌 탐지장치(100)로 대포계좌의 탐지를 요구하는 계좌를 의미한다.The detection request account according to an embodiment of the present invention is a financial server that selects all accounts traded or accounts with certain conditions and requests detection of the cannon account by the cannon
도 2는 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템에서 대포계좌 탐지장치(100)의 학습방법을 도시한 것이다.Figure 2 shows a learning method of the cannon
도 2를 참조하면, 먼저, 거래데이터 추출모듈(110)은 입력부(180)를 통하여 입력된 과거 대포계좌로 분류된 계좌의 거래데이터 정보 및 정상 계좌로 분류된 계좌의 거래데이터 정보를 추출하는 단계(210)가 수행된다.Referring to FIG. 2, first, the transaction
본 발명의 일 실시 예에서는 210단계에서 금융사의 금융서버(10)로부터 대포계좌 2000개 이상, 정상계좌 2000개 이상에 대한 거래데이터를 받아서 각각 직전 거래 30개 유형의 거래데이터 정보를 추출한다.In one embodiment of the present invention, in
본 발명의 일 실시 예에서 대포계좌의 패턴을 학습하고 탐지하기 위해 적용되는 거래 데이터 정보는 다음과 같다.In one embodiment of the present invention, the transaction data information applied to learn and detect the pattern of the cannon account is as follows.
상기 거래데이터 정보는 본 발명의 일 실시 예에서 다양한 대포계좌의 과거 거래 패턴을 분석하여 정상 계좌 패턴과의 차이를 가질 수 있는 최소한의 특징적인 데이터로 선별된 것을 특징으로 한다.In one embodiment of the present invention, the transaction data information is characterized by analyzing past transaction patterns of various cannon accounts and selecting the minimum characteristic data that can have differences from normal account patterns.
[입출금 거래 내역][Deposit/withdrawal transaction details]
본 발명의 일 실시 예에서 거래내역에서 거래데이터 정보로 적용되는 필드는 다음과 같이 정의된다.In one embodiment of the present invention, fields applied as transaction data information in transaction details are defined as follows.
○ 계좌번호: 거래 기준이 되는 계좌번호○ Account number: Account number on which the transaction is based
○ 입출금구분코드: 입금, 출금, 이자결산 등을 구분○ Deposit/withdrawal classification code: Classifies deposit, withdrawal, interest settlement, etc.
○ 채널유형: 인터넷뱅킹, 스마트폰뱅킹, 텔레뱅킹, 창구, 자동화기기, 배치, 센터컷 등을 구분○ Channel type: Internet banking, smartphone banking, telebanking, counter, automated device, placement, center cut, etc.
○ 거래코드: 타행공동망, CD공동망, ARS공동망, 전자금융공동망, 펌뱅킹, 체크카드 등등○ Transaction code: Other banks’ joint network, CD joint network, ARS joint network, electronic finance joint network, firm banking, check card, etc.
○ 상대계좌번호: 거래 기준이 되는 계좌번호의 상대 계좌○ Counter-account number: The counterpart account of the account number on which the transaction is based.
○ 상대은행코드: 거래기준이 되는 계좌번호의 상대 계좌의 은행 코드○ Counterparty bank code: Bank code of the counterpart account whose account number is the basis for the transaction
○ 적요: 상대계좌명/상대기관명이나 혹은 상대계좌에서 기록하는 메시지○ Summary: Name of the counterpart account/name of the counterpart organization or message recorded from the counterpart account.
○ 요약적요: 대체, 타행이체, 타행송금, 대출, 증권업무, 공과금, 자동이체, 통신요금 등등○ Summary: Substitution, transfer to another bank, remittance to another bank, loan, securities service, utility bill, automatic transfer, communication fee, etc.
○ 거래잔액: 거래후 잔액○ Transaction balance: Balance after transaction
[계좌에 대한 설정된 변경 기록][Record of established changes to your account]
○ 변경기록1: 통장분실인감재발행○ Change Record 1: Re-issuance of lost bankbook seal
○ 변경기록2: 일출금한도변경(이체, ATM 등)○ Change record 2: Change in daily withdrawal limit (transfer, ATM, etc.)
○ 변경기록3: 입출금통지서비스등록 ○ Change Record 3: Deposit/Withdrawal Notification Service Registration
○ 변경기록4: 모바일인증서재발급에 대한 기록○ Change Record 4: Record of mobile certificate re-issuance
다음은 추출된 거래데이터 정보에서 계좌번호의 직전 거래 30개의 입출금 거래내역에 대해 특성 추출모듈(120)이 대포계좌와의 패턴특성 구별에 필요한 특성값으로 변환한다(220).Next, the
본 발명의 일 실시 예에 따르면, 220단계에서 거래데이터 중 특성에 필요한 14개의 필드 특성값을 아래 표 1의 변환방법에 따라 변환한다.According to an embodiment of the present invention, in
상기 특성값의 변환방법은 본 발명의 일 실시 예에서 다양한 대포계좌의 과거 거래 패턴을 분석하여 정상 계좌와의 차이를 가질 수 있는 최소한의 특징적인 패턴이 특성값에 나타날 수 있도록 변환방법을 설정한 것을 특징으로 한다.In one embodiment of the present invention, the conversion method of the characteristic value is to analyze the past transaction patterns of various cannon accounts and set the conversion method so that the minimum characteristic pattern that may differ from the normal account appears in the characteristic value. It is characterized by
표 1을 참조하면, 입출금구분코드, 채널유형, 거래코드, 상대계좌번호, 상대은행코드, 적요, 요약적요의 필드에 대한 빈도수 역비율은 1 - (해당 값의 개수 / 30개 거래 값 중 가장 많은 값의 개수)로 산출된다.Referring to Table 1, the inverse frequency ratio for the fields of deposit/withdrawal classification code, channel type, transaction code, counterpart account number, counterpart bank code, summary, and summary summary is 1 - (number of relevant values / highest among 30 transaction values) It is calculated as the number of many values.
예를 들면, 채널유형의 빈도수 역비율은 다음 표 2와 같은 특성값으로 변환될 수 있다.For example, the inverse frequency ratio of the channel type can be converted to characteristic values as shown in Table 2 below.
또한, 표 1에서 잔액변화의 역비율은 다음과 같은 특성값으로 변환될 수 있다.Additionally, the inverse ratio of balance change in Table 1 can be converted to the following characteristic values.
If (해당거래잔액 > 직전거래잔액) = 1 - (직전거래잔액 / 해당거래잔액)If (relevant transaction balance > previous transaction balance) = 1 - (previous transaction balance / relevant transaction balance)
Else Else
1 - (해당거래잔액 / 직전거래잔액)1 - (Relevant transaction balance / previous transaction balance)
표 3은 본 발명의 일 실시 예에 따른 잔액변화의 역비율을 산출한 예를 나타낸 것이다.Table 3 shows an example of calculating the inverse ratio of balance change according to an embodiment of the present invention.
본 발명의 일 실시 예에서 해당 거래 잔액이란 거래가 일어난 후 통장에 남은 잔액을 의미한다. 예를 들어 통장 잔액이 1,000원이었는데 10,000원이 입금되는 거래가 일어났을 경우 해당 거래 잔액은 11,000원이 될 수 있다.In one embodiment of the present invention, the transaction balance refers to the balance remaining in the bank account after the transaction occurs. For example, if the bank account balance was 1,000 won, but a transaction occurred in which 10,000 won was deposited, the transaction balance could be 11,000 won.
표 1에서 '징후 태깅'은 적요, 요약적요, 변경기록1, 2, 3, 4에 대해 해당 내역이 존재하면 '1' 또는 1의 가중치(이후 거래 모두 '1'을 태깅하거나 또는 발생한 날 기준으로 3일 동안 '1'을 태깅하는 것)를 태깅하고 나머지는 '0'으로 디폴트 값이 설정되도록 프로그램된다.In Table 1, 'Symptom Tagging' is '1' or a weight of 1 if the corresponding history exists for the brief, summary summary, and change record 1, 2, 3, and 4 (all subsequent transactions are tagged with '1' or based on the date of occurrence. It is programmed to tag '1' for 3 days and default to '0' for the rest.
표 1에서 위험적요1, 2는 해당 고객사의 과거 사고가 일어났던 대포계좌들이 대포계좌로 사용되기 전 거래내역을 보고 '적요' 부분에 공통으로 발생되는 빈도수가 있는 상대거래기관 등을 의미한다. In Table 1, risk summary 1 and 2 refer to the transaction history of the cannon accounts where past accidents occurred at the relevant client company before they were used as cannon accounts, and refer to the counterpart transaction institutions with common occurrence frequencies in the 'Summary' section.
예를들어 해당 은행의 대포계좌들의 적요 내역을 보면 OO론, OO 장학재단 등이 많이 포함되어 있는 경우가 있으면 OO론, OO 장학재단을 위험적요1, 2에 포함시키도록 프로그램된다. 본 발명의 일 실시 예에서는 빈도수에 따라 일정 빈도수 미만에서는 위험적요1, 일정 빈도수 이상의 내역 또는 과거 대포계좌의 적용에 포함되었던 내역에 대해서는 위험적요2로 분류된다. 이 경우 위험적요1에 해당하면, 1이 태깅되고, 아니면 0으로 하도록 디폴트 값이 프로그램이 된다. 또한, 위험적요2에 해당하면, 대포계좌일 가능성이 높아지는 점을 감안하여 이에 대한 가중치를 적용하여 해당되는 입출금내역에서 이후 거래에는 모두 '1' 을 태깅하도록 하고, 이전 거래에 대해서는 '0'으로 디폴트값이 프로그램될 수 있다.For example, if you look at the summary of the bank's cannon accounts and it contains a lot of OO loans, OO scholarship foundations, etc., it is programmed to include OO loans and OO scholarship foundations in risk summary 1 and 2. In one embodiment of the present invention, according to the frequency, details below a certain frequency are classified as Risk Summary 1, and details above a certain frequency or details included in the past application of cannon accounts are classified as Risk Summary 2. In this case, if it falls under risk level 1, it is tagged with 1, otherwise the default value is programmed to be 0. In addition, considering that if it falls under Risk Brief 2, the possibility of it being a cannon account increases, a weight is applied to tag all subsequent transactions in the relevant deposit/withdrawal history as '1', and for previous transactions, it is tagged as '0'. Default values can be programmed.
또한, 설정된 '변경기록1, 2, 3, 4'에 해당하는 징후가 있는 경우, 변경기록1(또는 변경기록2,3, 4)이 발생한 날 기준으로 3일 동안 발생한 입출금 내역에 1의 값을 태깅하고, 나머지는 디폴트값이 '0' 으로 프로그램이 된다.In addition, if there are signs corresponding to the set 'Change Record 1, 2, 3, 4', a value of 1 will be added to the deposit/withdrawal history that occurred for 3 days based on the date when Change Record 1 (or Change Record 2, 3, 4) occurred. is tagged, and the rest are programmed with the default value of '0'.
본 발명의 일 실시 예에 따른 특성값은 상기 220단계에서 해당 계좌에 대한 거래데이터 정보 14개 필드데이터에 대해 직전 거래내역 30개를 상기와 같은 값으로 모두 변환하여 다음 표 4와 같이 14×30 사이즈의 파일로 변환하는 것을 특징으로 한다.The characteristic value according to an embodiment of the present invention is obtained by converting all 30 previous transaction details for the 14 field data of the transaction data information for the account into the same values as above in
본 발명의 일 실시 예에 따르면, 해당계좌가 직전거래 30개가 안 되는 경우는 나머지 행들은 디폴트값 0으로 셋팅하여 변환할 수 있다.According to one embodiment of the present invention, if the account has less than 30 previous transactions, the remaining rows can be converted by setting the default value of 0.
다음은 변환된 각각의 복수의 계좌(대포계좌 2000~2500개, 정상계좌 2000~2500개 이상)들의 거래내역의 특성값에 대해 각각 기계학습모듈(130)을 통해 학습을 수행하는 단계(230)가 수행된다.Next, a step (230) of performing learning on the characteristic values of the transaction details of each of the converted multiple accounts (2000-2500 cannon accounts, 2000-2500 or more normal accounts) through the machine learning module (130). is performed.
본 발명의 일 실시 예에 따른 다양한 시뮬레이션 결과, 대포계좌 및 정상 계좌 각각에 대해 2000개 미만으로 학습하였을 경우에는 대포계좌 판별에 일부 오류가 발생되는 경우가 있어서, 신뢰성이 떨어지는 것으로 분석되었다. 또한, 대포계좌 및 정상 계좌 각각에 대해 2500개 초과하여 학습하였을 경우, 2000개를 학습한 것과 별다른 차이가 없는 것으로 분석되었다. 따라서 학습 계좌가 2500개를 추가하는 것은 비능률적인 것으로 분석되었으며, 바람직한 학습 계좌 수는 2000 ~ 2500개인 것으로 분석되었다.As a result of various simulations according to an embodiment of the present invention, it was analyzed that when less than 2000 items were learned for each cannon account and normal account, some errors occurred in cannon account identification, and thus reliability was low. In addition, when learning more than 2,500 items for each cannon account and normal account, it was analyzed that there was no significant difference from learning 2,000 items. Therefore, adding 2,500 learning accounts was analyzed as inefficient, and the desirable number of learning accounts was analyzed to be 2,000 to 2,500.
본 발명의 일 실시 예에 따라 변환된 14×30 사이즈의 특성값 파일 조건의 경우, 기계학습모듈(130)은 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조인 점에서 CNN(Convolutional Neural Network) 모델 알고리즘을 통한 분류학습으로 수행하여 학습한 결과, 추후, 예측모듈을 이용한 대포계좌 여부 판단에서 높은 신뢰성을 가지는 것으로 분석되었다.In the case of the feature value file condition of 14 ) As a result of learning by performing classification learning through a model algorithm, it was analyzed to have high reliability in later judgment of whether it is a cannon account using a prediction module.
본 발명의 일 실시 예에서는 거래데이터의 특징을 추출하여 14 X 30 사이즈의 특성값 패턴을 파악하는 구조인 점에서 CNN(Convolutional Neural Network) 모델 알고리즘이 효과적으로 작동되는 것으로 분석되었으나, 파라미터를 일부 변경하여 순환신경망(RNN) 및 LSTM, GRU 등 다른 기계학습모델을 적용할 수도 있다.In one embodiment of the present invention, it was analyzed that the CNN (Convolutional Neural Network) model algorithm operates effectively in that it is a structure that extracts features of transaction data and identifies characteristic value patterns of 14 Other machine learning models such as recurrent neural network (RNN), LSTM, and GRU can also be applied.
도 3은 본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 시스템에서 요청되는 계좌에 대한 대포계좌 탐지장치(100)의 대포계좌 탐지방법을 도시한 것이다.Figure 3 shows a cannon account detection method of the cannon
도 3을 참조하면, 금융서버(10)는 본 발명의 일 실시 예에 따른 대포계좌 탐지시스템을 통하여 대포계좌 탐지장치(100)로 탐지요구계좌에 대해 탐지요구계좌의 거래데이터(이하 본 명세서에서는 탐지요구계좌의 거래데이터를 "제1거래데이터"라 한다.)를 포함하여 해당 계좌가 대포계좌인지 여부에 대해 탐지 요구를 할 수 있다.Referring to FIG. 3, the
본 발명의 일 실시 예에 따른 대포계좌 탐지장치(100)는 금융서버(10)로부터 입력부(180)를 통하여 요청되는 탐지요구 계좌에 대한 제1거래데이터가 입력되면, 데이터 추출모듈(110)이 상기 요청되는 계좌의 제1거래데이터 정보를 추출하는 단계(310)가 수행된다.When the first transaction data for the detection request account requested from the
상기 요청되는 계좌의 제1거래데이터 정보는 앞서 210단계의 학습 데이터의 거래 데이터 정보 조건과 동일한 데이터 필드 및 기록 정보 조건들이 추출된다.The first transaction data information of the requested account is extracted with the same data fields and record information conditions as the transaction data information conditions of the learning data in
다음은 추출된 요청되는 계좌의 제1거래데이터 정보에서 특성추출모듈(120)에 의해 탐지요구계좌의 특성값들이 추출되는 단계(320)가 수행된다.Next, a
상기 탐지 요구되는 계좌의 거래데이터 정보에 대한 특성값은 앞서 220단계의 학습 데이터의 거래 데이터 정보의 특성값 추출방법과 동일한 방법에 의해 특성값이 추출되어 14×30 사이즈의 파일로 변환된다.The characteristic values of the transaction data information of the account requiring detection are extracted by the same method as the method of extracting the characteristic values of the transaction data information of the learning data in
다음은 상기 변환된 특성값을 이용하여 대포계좌 예측모듈(140)이 대포계좌인지를 판단하는 단계(330)가 수행된다.Next, a
330단계에서 대포계좌 예측모듈(140)은 상기 대포계좌 탐지장치의 대포계좌 예측모듈이 상기 탐지요구계좌의 특성값들을 상기 기계학습모듈(130)에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 상기 요청되는 계좌의 거래데이터의 특성값이 대포계좌인지 여부를 판단한다.In
다음은 상기 330단계에서 대포계좌인지에 대한 판단 결과 결과값을 출력하는 단계(340)가 수행된다. Next, step 340 of outputting the result of determining whether it is a cannon account in
본 발명의 일 실시 예에 따른 거래데이터 기반 대포계좌 탐지 방법에 따르면, 다양한 정상계좌 및 대포계좌의 거래패턴을 학습함으로써 거래되는 계좌에 대한 거래데이터를 실시간으로 분석하여 대포계좌 여부를 효과적으로 예측할 수 있다.According to the transaction data-based cannon account detection method according to an embodiment of the present invention, by learning the transaction patterns of various normal accounts and cannon accounts, transaction data for traded accounts can be analyzed in real time to effectively predict whether the cannon account is present. .
10: 금융서버
100: 대포계좌 탐지장치
110: 거래데이터 추출모듈
120: 특성추출모듈
130: 기계학습 모듈
140: 대포계좌 예측모듈
150: 제어부
160: 데이터베이스
180: 입력부10: Financial server
100: Cannon account detection device
110: Transaction data extraction module
120: Feature extraction module
130: Machine learning module
140: Cannon account prediction module
150: control unit
160: database
180: input unit
Claims (12)
금융서버와 네트워크로 연결되어 상기 금융서버로부터 과거 대포계좌로 분류된 계좌의 거래데이터 및 정상 계좌로 분류된 계좌의 거래데이터가 입력되는 입력부;
상기 입력부로 입력된 거래데이터로부터 복수의 대포계좌 및 복수의 정상계좌의 입출금 거래내역 데이터 및 계좌에 대한 변경기록내용을 포함하는 거래데이터 정보를 추출하는 거래데이터 추출모듈;
상기 데이터 추출모듈로부터 추출된 복수의 대포계좌 및 복수의 정상 계좌에 대한 거래데이터 정보에 대해 특정 데이터 필드별로 거래패턴이 포함된 특성값을 추출하는 특성 추출모듈;
상기 특성 추출모듈에서 추출된 대포계좌의 특성값 및 정상계좌의 특성값들의 학습을 수행하는 기계학습모듈; 을 포함하는 대포계좌 탐지장치.In a device that detects a cannon account based on transaction data,
An input unit connected to a financial server through a network and receiving transaction data of an account previously classified as a cannon account and transaction data of an account classified as a normal account from the financial server.
A transaction data extraction module for extracting transaction data information including deposit/withdrawal transaction details of a plurality of cannon accounts and a plurality of normal accounts and change records for the accounts from the transaction data input to the input unit;
a characteristic extraction module for extracting characteristic values including transaction patterns for each specific data field from transaction data information on a plurality of cannon accounts and a plurality of normal accounts extracted from the data extraction module;
A machine learning module that performs learning of the characteristic values of the cannon account and the characteristic values of the normal account extracted from the characteristic extraction module; Cannon account detection device including.
상기 대포계좌 탐지장치는,
상기 기계학습모듈에서 학습된 대포계좌의 특성 및 정상 계좌의 특성을 비교하여 대포계좌인지를 탐지하는 대포계좌 예측모듈; 을 더 포함하고,
상기 입력부는 상기 금융서버로부터 탐지요구 계좌에 대한 거래데이터가 입력되는 수단을 더 포함하며,
상기 입력부에서 입력된 탐지요구 계좌의 거래데이터에 대해 상기 거래데이터 추출모듈로부터 거래데이터 정보를 추출하고, 상기 탐지요구 계좌의 거래데이터 정보에 대해 상기 특성추출모듈로부터 탐지요구계좌에 대한 특성값을 추출한 다음, 추출된 탐지요구계좌의 특성값에 대해 상기 기계학습모듈에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 상기 탐지요구계좌가 대포계좌인지를 탐지하는 대포계좌 예측모듈을 포함하는 것을 특징으로 하는 대포계좌 탐지장치.According to paragraph 1,
The cannon account detection device,
A cannon account prediction module that compares the characteristics of the cannon account learned in the machine learning module and the characteristics of a normal account to detect whether it is a cannon account; It further includes,
The input unit further includes a means for inputting transaction data for the detection request account from the financial server,
Extracting transaction data information from the transaction data extraction module for the transaction data of the detection request account input from the input unit, and extracting characteristic values for the detection request account from the feature extraction module for the transaction data information of the detection request account. Next, it includes a cannon account prediction module that detects whether the detection request account is a cannon account by comparing the characteristic pattern of the cannon account and the normal account learned in the machine learning module with the extracted characteristic value of the detection request account. A cannon account detection device characterized in that.
상기 거래데이터 추출모듈이 추출하는 거래데이터 정보는,
입금, 출금 또는 이자결산을 구분하는 입출금구분코드;
인터넷뱅킹, 스마트폰뱅킹, 텔레뱅킹, 창구, 자동화기기, 또는 센터컷을 구분하는 채널유형;
타행공동망, CD공동망, ARS공동망, 전자금융공동망, 펌뱅킹 또는 체크카드를 구분하는 거래코드;
상대계좌번호;
상대은행코드; 및
상대계좌명 또는 상대기관명이나 또는 상대계좌에서 기록하는 메시지가 기록되는 적요;
를 포함하는 것을 특징으로 하는 대포계좌 탐지장치.According to paragraph 2,
The transaction data information extracted by the transaction data extraction module is,
Deposit/withdrawal classification code that distinguishes between deposit, withdrawal, or interest settlement;
Channel type distinguishes between Internet banking, smartphone banking, telephone banking, teller, automated machine, or center cut;
Transaction code that distinguishes between other banks' joint network, CD joint network, ARS joint network, electronic financial joint network, firm banking, or check card;
counterpart account number;
counterpart bank code; and
The name of the counterpart account or the name of the counterpart organization or the summary of the message recorded by the counterpart account is recorded;
A cannon account detection device comprising:
상기 거래데이터 정보는,
통장분실, 인감재발행, 일출금한도변경, 입출금통지서비스등록, 또는 모바일인증서재발급에 대한 기록 중 어느 하나 이상의 계좌에 대한 변경기록을 더 포함하는 것을 특징으로 하는 대포계좌 탐지장치. According to paragraph 3,
The transaction data information is,
A cannon account detection device further comprising a record of changes to one or more accounts among records of loss of bankbook, re-issuance of seal, daily withdrawal limit change, deposit/withdrawal notification service registration, or mobile certificate re-issuance.
상기 복수의 대포계좌 및 복수의 정상계좌는 2000 ~ 2500개인 것을 특징으로 하며,
상기 특성 추출모듈은 각 계좌의 직전거래 30개의 입출금 거래내역에 대해, 특정 데이터 필드 별로 특성값을 추출하는 것을 특징으로 하는 대포계좌 탐지장치.According to paragraph 1,
The plurality of cannon accounts and the plurality of normal accounts are characterized in that there are 2000 to 2500,
The characteristic extraction module is a cannon account detection device characterized in that it extracts characteristic values for each specific data field from the deposit and withdrawal transaction history of 30 previous transactions of each account.
(a) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 과거 대포계좌로 분류된 복수 계좌의 거래데이터 정보 및 정상계좌로 분류된 복수 계좌의 거래데이터 정보를 추출하는 단계;
(b) 상기 대포계좌 탐지장치의 특성 추출모듈이 상기 추출된 거래데이터 정보에서 입출금 거래내역에 대해 패턴특성 구별에 필요한 특성값으로 변환하는 단계;
(c) 상기 대포계좌 탐지장치의 기계학습모듈이 변환된 각 복수의 대포계좌 및 정상계좌의 특성값에 대해 학습을 수행하는 단계;
(d) 상기 대포계좌 탐지장치의 거래데이터추출모듈이 입력부를 통해 입력된 탐지요구계좌의 거래데이터 정보를 추출하는 단계;
(e) 상기 대포계좌 탐지장치의 특성추출모듈이 상기 탐지요구계좌의 거래데이터 정보에서 상기 탐지요구계좌의 특성값들을 추출하는 단계; 및
(f) 상기 대포계좌 탐지장치의 대포계좌 예측모듈이 상기 탐지요구계좌의 특성값들을 상기 기계학습모듈에서 학습된 대포계좌의 특성 패턴 및 정상 계좌의 특성 패턴을 비교하여 대포계좌인지를 판단하는 단계; 를 포함하는 것을 특징으로 하는 대포계좌 탐지방법.In the method of the cannon account detection device detecting a cannon account based on transaction data,
(a) the transaction data extraction module of the cannon account detection device extracting transaction data information of multiple accounts classified as past cannon accounts and transaction data information of multiple accounts classified as normal accounts input through an input unit;
(b) converting the extracted transaction data information into characteristic values necessary for distinguishing pattern characteristics for deposit/withdrawal transaction details by the characteristic extraction module of the cannon account detection device;
(c) performing learning on the characteristic values of each plurality of converted cannon accounts and normal accounts by the machine learning module of the cannon account detection device;
(d) the transaction data extraction module of the cannon account detection device extracting transaction data information of the detection request account input through the input unit;
(e) a characteristic extraction module of the cannon account detection device extracting characteristic values of the detection request account from transaction data information of the detection request account; and
(f) A step where the cannon account prediction module of the cannon account detection device compares the characteristic values of the detection request account with the characteristic pattern of the cannon account and the characteristic pattern of a normal account learned in the machine learning module to determine whether it is a cannon account. ; A cannon account detection method comprising:
상기 (b) 단계에서,
상기 거래데이터 정보에서 입출금거래내역 중 입출금구분코드, 채널유형, 거래코드, 상대계좌번호, 상대은행코드, 적요 필드에 대한 특성값은 해당 거래에 해당 값의 개수가 직전 30개의 거래에 대해 가장 많이 나오는 값의 개수에 대한 역비율인 빈도수역비율의 값으로 산출하는 것을 특징으로 하는 대포계좌 탐지방법.According to clause 6,
In step (b) above,
In the above transaction data information, among the deposit/withdrawal transaction details, the characteristic values for the deposit/withdrawal classification code, channel type, transaction code, counterpart account number, counterpart bank code, and summary field are the highest number of corresponding values for the transaction in the previous 30 transactions. A cannon account detection method characterized by calculating the value of the frequency ratio, which is the inverse ratio of the number of values.
상기 (b) 단계에서,
상기 거래데이터 정보에서 입출금거래내역 중 '잔액'에 대한 특성값은 직전 30개의 거래에 대해 해당거래잔액과 직전거래잔액의 변화도에 대한 역비율의 값으로 산출하는 것을 특징으로 하는 대포계좌 탐지방법.According to clause 6,
In step (b) above,
A cannon account detection method characterized in that the characteristic value for 'balance' in the deposit/withdrawal transaction details in the transaction data information is calculated as the inverse ratio of the change in the corresponding transaction balance and the previous transaction balance for the 30 previous transactions. .
상기 (b) 단계에서,
상기 거래데이터 정보에서 '위험적요' 필드에 대한 징후태깅 특성값은 상기 거래데이터 정보의 적요 내역에 대포계좌 징후에 해당하는 정보가 포함된 경우, 직전 30개 거래에 대해 해당되는 거래에 1을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 하는 대포계좌 탐지방법.According to clause 6,
In step (b) above,
The symptom tagging characteristic value for the 'Risk Summary' field in the transaction data information tags the corresponding transaction with 1 for the previous 30 transactions if the summary of the transaction data information includes information corresponding to a cannon account symptom. A cannon account detection method characterized in that the remaining transactions are calculated so that the default value is set to 0.
상기 (b) 단계에서,
상기 거래데이터 정보에서 '위험적요' 필드에 대한 징후태깅 특성값은 상기 거래데이터 정보의 적요 내역에 대포계좌 징후에 해당하는 정보가 포함된 경우, 직전 30개의 거래에 대해 해당되는 입출금내역부터 이후 거래는 모두 1을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 하는 대포계좌 탐지방법.According to clause 6,
In step (b) above,
In the transaction data information, the symptom tagging characteristic value for the 'Risk Summary' field is calculated from the deposit/withdrawal details for the previous 30 transactions and subsequent transactions if the summary of the transaction data information includes information corresponding to cannon account symptoms. A cannon account detection method characterized in that all transactions are tagged with 1, and the remaining transactions are calculated as default values set to 0.
상기 (b) 단계에서,
상기 거래데이터 정보에서 '변경기록' 필드에 대한 특성값은 직전 30개의 거래에 대해 설정된 변경기록이 발생한 날 기준으로 3일 동안 발생한 입출금 내역에 1의 값을 태깅하고, 나머지 거래는 0으로 디폴트값이 설정되도록 산출하는 것을 특징으로 하는 대포계좌 탐지방법.According to clause 6,
In step (b) above,
In the above transaction data information, the characteristic value for the 'change record' field tags the deposit/withdrawal history that occurred for 3 days based on the date when the change record set for the previous 30 transactions occurred, with a value of 1, and the remaining transactions have a default value of 0. A cannon account detection method characterized in that it is calculated to be set.
상기 (b) 단계에서,
상기 거래데이터 정보의 14개 필드 데이터에 대한 직전 거래내역 30개에 대해 특성값으로 14×30 사이즈의 파일로 변환하는 것을 특징으로 하는 대포계좌 탐지방법.
According to clause 6,
In step (b) above,
A cannon account detection method characterized by converting the 30 previous transaction details of the 14 field data of the transaction data information into a file of 14×30 size as characteristic values.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220081050A KR102708373B1 (en) | 2022-07-01 | 2022-07-01 | system and method for detecting borrowed account |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220081050A KR102708373B1 (en) | 2022-07-01 | 2022-07-01 | system and method for detecting borrowed account |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20240003475A true KR20240003475A (en) | 2024-01-09 |
| KR102708373B1 KR102708373B1 (en) | 2024-09-23 |
Family
ID=89538510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220081050A KR102708373B1 (en) | 2022-07-01 | 2022-07-01 | system and method for detecting borrowed account |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102708373B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100117568A (en) | 2007-12-11 | 2010-11-03 | 엑스에스 이노베이션 홀딩스 리미티드 | Account risk management and authorization system for preventing unauthorized usage of accounts |
| KR101153968B1 (en) * | 2009-11-03 | 2012-06-08 | 김대환 | System and method for preventing financial fraud |
| KR20130095548A (en) * | 2012-02-20 | 2013-08-28 | 주식회사 한국프라임테크놀로지 | Financial fraud warning system using banking transaction pattern analysis and a method thereof |
| KR102058697B1 (en) * | 2019-02-12 | 2019-12-23 | (주)Yh데이타베이스 | Financial fraud detection system by deeplearning neural-network |
| KR20200094366A (en) * | 2019-01-30 | 2020-08-07 | 주식회사 하나은행 | System and method for real time financial consumer protection based on block chain |
-
2022
- 2022-07-01 KR KR1020220081050A patent/KR102708373B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100117568A (en) | 2007-12-11 | 2010-11-03 | 엑스에스 이노베이션 홀딩스 리미티드 | Account risk management and authorization system for preventing unauthorized usage of accounts |
| KR101153968B1 (en) * | 2009-11-03 | 2012-06-08 | 김대환 | System and method for preventing financial fraud |
| KR20130095548A (en) * | 2012-02-20 | 2013-08-28 | 주식회사 한국프라임테크놀로지 | Financial fraud warning system using banking transaction pattern analysis and a method thereof |
| KR20200094366A (en) * | 2019-01-30 | 2020-08-07 | 주식회사 하나은행 | System and method for real time financial consumer protection based on block chain |
| KR102058697B1 (en) * | 2019-02-12 | 2019-12-23 | (주)Yh데이타베이스 | Financial fraud detection system by deeplearning neural-network |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102708373B1 (en) | 2024-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| John et al. | Realtime fraud detection in the banking sector using data mining techniques/algorithm | |
| US20150339671A1 (en) | Dynamic fraud alert system | |
| US7627522B2 (en) | System, apparatus and methods for comparing fraud parameters for application during prepaid card enrollment and transactions | |
| US8458069B2 (en) | Systems and methods for adaptive identification of sources of fraud | |
| US8732084B2 (en) | Identification and risk evaluation | |
| US20030182214A1 (en) | Fraud detection and security system for financial institutions | |
| JP2024105249A (en) | Intelligent Warning System | |
| US20060202012A1 (en) | Secure data processing system, such as a system for detecting fraud and expediting note processing | |
| KR101364763B1 (en) | Financial fraud warning system using banking transaction pattern analysis and a method thereof | |
| US8117097B2 (en) | Method and system for identifying fraudulent account activity | |
| CN111461704B (en) | Method and system for magnetic stripe card transaction security lock of rural financial institution | |
| Elumaro et al. | Card frauds and customers’ confidence in alternative banking channels in Nigeria | |
| KR102708373B1 (en) | system and method for detecting borrowed account | |
| Nwafor et al. | The use of business intelligence and predictive analytics in detecting and managing occupational fraud in Nigerian banks | |
| Agbakwuru et al. | Hidden Markov model application for credit card fraud detection systems | |
| KR20090001940A (en) | System and method for preliminarily selecting insolvent credit transaction company and program recording medium | |
| Amanze et al. | An enhanced model for bank fraud detection in nigerian | |
| Tang et al. | New technologies and money laundering vulnerabilities | |
| Julisch | Risk-based payment fraud detection | |
| Forsström | How can financial institutions more efficiently prevent credit-card fraud and AML using AI and machine learning technologies? | |
| Idris et al. | Smart Financial Fraud Detection and Customer risk Profilling in Finalcial Institutions to Identify Potential Criminals using Genetic Markov Algorithm | |
| Routh | The potential of technological innovation to reduce fraud and increase trust in the Indian banking system | |
| Saluja et al. | An Analysis on Frauds Affecting the Financial Security of the Indian Banking Sector: A Systematic Literature Review | |
| Le Thuy | Crimes in the Banking Sector in The Laws of Vietnam and Some Countries Around the World | |
| Faraghian et al. | An Evaluation to the Three-Layer ECRM&CRM Performance in Banking Sector, in Order to Help Anti-Money Laundering Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |