TW202205181A

TW202205181A - 信用卡詐欺偵防方法與系統

Info

Publication number: TW202205181A
Application number: TW109124909A
Authority: TW
Inventors: 趙式隆; 林奕辰; 沈昇勳; 黃世丞; 劉穎立
Original assignee: 洽吧智能股份有限公司
Priority date: 2020-07-23
Filing date: 2020-07-23
Publication date: 2022-02-01

Abstract

一種信用卡詐欺偵防方法與系統，其方法包括以下步驟。首先，接受一交易資料。接著，從信用卡交易資料庫中讀取多筆與該信用卡卡號對應的第一歷史交易資料。之後，將該交易資料與該第一歷史交易資料進行特徵萃取。再來，將特徵萃取後的交易資料與第一歷史交易資料輸入至機器學習預測模組，以預測該交易資料是否為交易詐欺。此外，對機器學習預測模組於訓練階段進行訓練時包括以下步驟。從信用卡交易資料庫中讀取多筆第二歷史交易資料。再來，剔除部分第二歷史交易資料。之後，將未被剃除的上述第二歷史交易資料進行特徵萃取並將其輸入至機器學習預測模組。

Description

信用卡詐欺偵防方法與系統

本發明是指一種詐欺偵防方法與系統，特別是一種信用卡詐欺偵防方法與系統。

信用卡詐欺是已存在許久的一種犯罪型態，再加上近年來網路交易與行動支付蓬勃發展，信用卡詐欺事件亦不斷攀升，不僅台灣受到影響，包括亞太、澳洲、北美、歐洲等地區國家亦面臨相同挑戰；輔以近年來全球各地卡號數據外泄事故頻傳，致使信用卡詐欺問題更受重視，已成為各界關注的風險課題。綜上所述，如何有效的解決信用卡詐欺問題，便是本領域具通常知識者值得去思量的。

本發明提供一種詐欺偵防方法，包括以下步驟： A10：接受一交易資料，該交易資料包括一信用卡卡號、一交易金額、與一交易時間； A20：從一信用卡交易資料庫中讀取多筆與該信用卡卡號對應的第一歷史交易資料； A30：將該交易資料與該第一歷史交易資料進行特徵萃取； A40：將特徵萃取後的該交易資料與該第一歷史交易資料輸入至一機器學習預測模組，以預測該交易資料是否為交易詐欺；其中，對該機器學習預測模組於訓練階段進行訓練時包括以下步驟： B10：從該信用卡交易資料庫中讀取多筆第二歷史交易資料，這些第二歷史交易資料包括多筆信用卡卡號、與這些信用卡卡號相對應的多筆交易金額、及多筆與該交易金額相對應的交易日期，部分的這些第二歷史交易資料中被標示為交易詐欺； B20：將這些第二歷史交易資料進行篩選，剔除部分第二歷史交易資料； B30：將未被剃除的上述第二歷史交易資料進行特徵萃取；及 B40：將特徵萃取後的該第二歷史交易資料輸入至該機器學習預測模組，以訓練該機器學習預測模組去辨認交易詐欺。本發明提供一種詐欺偵防系統，連接到一信用卡交易資料庫，該信用卡交易資料庫儲存有多筆與信用卡支付相關的交易資料，該信用卡詐欺偵防系統包括：一輸入模組，電性連接到該信用卡交易資料庫且適於接受一交易資料，該交易資料包括一信用卡卡號、一交易金額、與一交易時間；一資料分析模組，電性連接到該輸入模組並讀取該交易資料，且該資料分析模組還適於命令該輸入模組從該信用卡交易資料庫中讀取多筆與該信用卡卡號對應的第一歷史交易資料；一特徵萃取模組，電性連接到該資料分析模組，該特徵萃取模組還適於對該交易資料與該第一歷史交易資料進行特徵萃取；及一機器學習預測模組，電性連接至該特徵萃取模組，基於特徵萃取後的該交易資料與該第一歷史交易資料，該機器學習預測模組預測該交易資料是否為交易詐欺；其中，該信用卡詐欺偵防系統於訓練階段包括以下步驟： B10：該輸入模組從該信用卡交易資料庫中讀取多筆第二歷史交易資料，這些第二歷史交易資料包括多筆信用卡卡號、與這些信用卡卡號相對應的多筆交易金額、及多筆與該交易金額相對應的交易日期，部分的這些第二歷史交易資料中被標示為交易詐欺； B20：該資料分析模組將這些第二歷史交易資料進行篩選，剔除部分第二歷史交易資料； B30：該特徵萃取模組將未被剃除的上述第二歷史交易資料進行特徵萃取；及 B40：將特徵萃取後的該第二歷史交易資料輸入至該機器學習預測模組，以訓練該機器學習預測模組去辨認交易詐欺。藉由本創作，當消費者在使用信用卡進行消費的當下，機器學習預測模組即可根據該信用卡卡號的歷史交易資料判斷當下的交易是否為詐欺。為讓本發明之上述特徵和優點能更明顯易懂，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。

參照本文闡述的詳細內容和附圖說明能較佳理解本發明。下面參照附圖會討論各種實施例。然而，本領域技術人員將容易理解，這裡關於附圖給出的詳細描述僅僅是為了解釋的目的，因為這些方法和系統可超出所描述的實施例。例如，所給出的教導和特定應用的需求可能產生多種可選的和合適的方法來實現在此描述的任何細節的功能。因此，任何方法可延伸超出所描述和示出的以下實施例中的特定實施選擇範圍。在說明書及後續的申請專利範圍當中使用了某些詞彙來指稱特定的元件。所屬領域中具有通常知識者應可理解，不同的廠商可能會用不同的名詞來稱呼同樣的元件。本說明書及後續的申請專利範圍並不以名稱的差異來作為區分元件的方式，而是以元件在功能上的差異來作為區分的準則。在通篇說明書及後續的請求項當中所提及的「包含」或「包括」係為一開放式的用語，故應解釋成「包含但不限定於」。另外，「耦接」或「連接」一詞在此係包含任何直接及間接的電性或通信連接手段。因此，若文中描述一第一裝置耦接於一第二裝置，則代表該第一裝置可直接電性連接於該第二裝置，或透過其他裝置或連接手段間接地電性或通信連接至該第二裝置。請參閱圖1與圖2，圖1所繪示為本發明之信用卡詐欺偵防方法的流程，圖2所繪示為本發明之信用卡詐欺偵防系統的實施例。在以下的實施例中，圖1所繪示的流程是由圖2所繪示的信用卡詐欺偵防系統來進行實現，但本領域具有通常知識者應可了解，圖1所繪示為本發明之信用卡詐欺偵防方法也可以由其他不同結構或種類的系統來實現。在圖2中，信用卡詐欺偵防系統100包括一輸入模組110、一資料分析模組120、一特徵萃取模組130、與一機器學習預測模組140，其中信用卡詐欺偵防系統100還連接到外部的一信用卡交易資料庫10。在本實施例中，信用卡交易資料庫10儲存有多筆與信用卡支付相關的交易資料，這些交易資料包括多筆信用卡卡號、與這些信用卡卡號相對應的多筆交易金額、及多筆與該交易金額相對應的交易日期。除此之外，信用卡交易資料庫10中的交易資料還可包括信用卡卡別（如：VISA、MasterCard、美國運通）、交易國家、發卡銀行、收單銀行、交易類別、交易地區、特約店代號、特約店行業別、交易型態（POS ENTRY MODE）、EC交易型態（ECI值(ECI value)）。此外，本領域具有通常知識者應可明白上述的交易資料皆可用數字來表示。舉例來說，每一家銀行都可以用一組數字來表示。因此，每筆交易資料皆可用一長串的數字來表示，也就是說每筆交易資料皆可表示為一向量（或稱為「特徵向量」）。請同時參照圖1與圖2，首先如步驟S110所示，輸入模組110接受一交易資料。在圖2中，此輸入模組110是連接到客戶端20的刷卡機。或者，輸入模組110也可以接受消費者於客戶端20的刷卡頁面所輸入的信用卡資料。這樣，當消費者刷卡的當下，輸入模組110便可讀取到交易資料31。再來，執行步驟S120，從信用卡交易資料庫10中讀取多筆與該信用卡卡號對應的第一歷史交易資料33。詳細來說，當交易資料31被讀取後，資料分析模組120依據該交易資料31的信用卡卡號而命令輸入模組110從信用卡交易資料庫10中讀取多筆與該信用卡卡號對應的第一歷史交易資料33。在本實施例中，第一歷史交易資料33為與該交易資料31最接近的多筆歷史交易資料。舉例來說，請同時參照圖3，當2018年12月22日16:30:12的交易資料31被讀取後，輸入模組110也會從信用卡交易資料庫10讀取與該信用卡卡號對應的最近7筆的第一歷史交易資料33。接著，執行步驟S130，將交易資料31與第一歷史交易資料33進行特徵萃取。由之前的敘述可知，交易資料可包括信用卡卡別、交易日期、交易金額、交易國家、發卡銀行、收單銀行、交易類別、交易地區、特約店代號、特約店行業別、交易型態、EC交易型態等等資料，在表示成向量後，該向量可能是由高達數百位的數字所構成。若將交易資料31與第一歷史交易資料33直接進行後續的處理，可能需要耗費大量的運算資源，或因為多重共線性(multicollinearity)導致計算的結果並非準確。因此，在本實施例中，藉由特徵萃取模組130來對交易資料31與第一歷史交易資料33進行維度降解，也就是說將交易資料31與第一歷史交易資料33從高維度的向量轉變為低維度的向量。在步驟S130中，例如是使用主成分分析（Principal Components Analysis，PCA）、矩陣分解(Matrix Factorization，MF)、奇異值分解（Singular Value Decomposition，SVD）與「自編碼器」 (Auto-Encoder)等演算法進行特徵萃取。再來，請參照步驟S140，將特徵萃取後的該交易資料31’與該第一歷史交易資料33輸入至機器學習預測模組140，以預測該交易資料是否為交易詐欺。機器學習預測模組140例如是包括一遞歸神經網路模型(Recurrent Neural Network, RNN)、一長短期記憶模型(Long Short-Term Memory, LSTM)、或一空間變換網路模型(Spatial Transformer Networks)。由於遞歸神經網路模型、長短期記憶模型、與空間變換網路模型對於長序列資料的處理具有較佳的效果，故對於如圖3所示的第一歷史交易資料33與交易資料31所組成的長序列資料有較好的處理能力，能準確地預測交易資料31是否為交易詐欺。當然，機器學習預測模組140也可將遞歸神經網路模型、長短期記憶模型、與空間變換網路模型合併請來一起使用，例如將特徵萃取後的該交易資料31與該第一歷史交易資料33分別輸入到遞歸神經網路模型、長短期記憶模型、與空間變換網路模型，之後再將各個模型所算出來的結果進行平均後輸出。此外，機器學習預測模組140也可採用全連接神經網路模型或卷積神經網路模型。或者，機器學習預測模組140也可採用支援向量機演算法（support vector machine，常簡稱為SVM）、Xgboost演算法、或最近鄰居演算法(k-nearest neighbors algorithm)。綜上所述，可知藉由本創作，當消費者在使用信用卡進行消費的當下，機器學習預測模組140即可根據該信用卡卡號的歷史交易資料判斷當下的交易是否為詐欺，並判定大概的機率（例如：83%）。若是，則機器學習預測模組140例如可發布一警告資訊給發卡組織（未繪示），由發卡組織來判斷是否要採取進一步的行動。此外，機器學習預測模組140除了用以判斷當下的信用卡交易是否為詐欺外，也可以對信用卡交易資料庫10所儲存的歷史交易資料進行覆核，檢查是否有漏未發現的交易詐欺。另外，須注意的是，在此所述的信用卡除了一般所認定的信用卡外，還包括與信用卡綁定的第三方支付（例如：Line pay）等。此外，由於信用卡交易次數非常頻繁，交易詐欺所佔的比例其實很低，因此若拿現有的資料直接給機器學習預測模組140進行訓練，機器學習預測模組140即使被誤導為對全部的交易資料都判定為無交易詐欺，其成功率仍然是很高，但這樣會導致機器學習預測模組140無法準確辨識何種交易為交易詐欺。也因此，在對機器學習預測模組140訓練時，其訓練方法須經過特別設計。以下，將對機器學習預測模組140於訓練階段時所需的步驟進行介紹。請同時參照圖4與圖5，圖4所繪示為機器學習預測模組140於訓練階段時所需的步驟，圖5所繪示為本發明之信用卡詐欺偵防系統在訓練階段時的實施例。首先，執行步驟S210，輸入模組110從信用卡交易資料庫10中讀取多筆第二歷史交易資料35。在此，第二歷史交易資料35與上述的第一歷史交易資料33在資料的形態上是一樣的，且都是儲存在信用卡交易資料庫10中的交易資料，也都是之前所發生過的信用卡交易資料。在本實施例中，之所以對第二歷史交易資料35與第一歷史交易資料33進行區分，主要是因為說明的方便，前者是指訓練時所用的歷史交易資料，後者是指實際操作時所用的歷史交易資料。其中，部分的第二歷史交易資料35被標示為交易詐欺，這些被標示為交易詐欺的第二歷史交易資料35包括詐欺型態的資訊。再來，執行步驟S220，資料分析模組120將這些第二歷史交易資料35進行篩選，剔除部分第二歷史交易資料35。在其中一實施例中，資料分析模組120剔除消費記錄次數低於一第一閥值之卡號，第一閥值例如為30次。由於消費記錄次數過低的信用卡被盜取的機會原本就低，且消費記錄次數過低的信用卡在整體的計算中所佔的權重也低，故將消費記錄次數過低的信用卡的交易資料剃除是合理的篩選策略。在另外一實施例中，資料分析模組120剔除交易時間早於一特定日期的第二歷史交易資料，特定日期例如為1990年1月1日。由於機器學習預測模組140是要用於預測未來可能發生的交易詐欺，故太久遠的交易資料可能已沒有參考價值，畢竟詐欺型態會隨時間而改變，因此將消費記錄次數較久遠的信用卡的交易資料剃除也是合理的篩選策略。此外，請同時參照圖6，圖6所繪示為執行圖4之步驟S220的進一步實施方式。在此實施例中，執行步驟S222，利用非監督式機械學習方法將這些第二歷史交易資料依交易金額的大小進行分群。其中，非監督式機械學習方法例如為K-means演算法或DBscan演算法。分群的結果例如為圖7，圖7所繪示為第二歷史交易資料依交易金額的大小進行分群的示意圖，將交易資料分成7群。在圖7中，可以發現交易金額越小交易次數就越高。接著，執行步驟S224，將筆數大於一第二閥值之群選出。舉例來說，此第二閥值例如為65次，而圖7中的第1群和第2群的第二歷史交易資料筆數都大於65次。再來，執行步驟S226，在這些選出來的群中剔除一定比例的第二歷史交易資料。舉例來說，在步驟S226中，將圖7中的第1群和第2群中將一定比例的第二歷史交易資料剔除，在此這比例為30%。由於在第二歷史交易資料筆數較高的群中，即使刪除一定比例後，樣本數依然足夠，故圖6所繪示的篩選策略應該是合理的。須注意的是，步驟S220於執行時，上述的篩選策略可以個別使用，但也可以合併使用，依具體的實施狀況而定。步驟S220完成後，執行步驟S230，將未被剃除的上述第二歷史交易資料35進行特徵萃取。在此，將第二歷史交易資料35進行特徵萃取的方式，相同或類似於上述步驟S130中將第一歷史交易資料33進行特徵萃取的方式，故在此不再進行贅述。之後，執行步驟S240，將特徵萃取後的第二歷史交易資料35輸入至機器學習預測模組140，以訓練機器學習預測模組140去辨認交易詐欺。綜上所述，由於在訓練階段時，有先對對訓練結果較無影響的部分第二歷史交易資料35進行剃除，故在提供給機器學習預測模組140進行訓練的第二歷史資料中，交易詐欺所佔的比例不再如現實中那樣低，因此訓練後的機器學習預測模組140更能準確的判讀何者為交易詐欺。請重新參照圖2，在上述的實施例中，輸入模組110例如為網路卡或網路晶片。另外，資料分析模組120、特徵萃取模組130、與機器學習預測模組140例如是用軟體的方式來實施，但也可用硬體的方式來實現，又或者以軟硬體結合的方式來實踐。此外，輸入模組110、資料分析模組120、特徵萃取模組130、與機器學習預測模組140可安裝在一伺服器上，也可分散在多個伺服器上。在本實施例中，信用卡交易資料庫10例如是由眾多發卡機構所聯合建立，儲存有這些發卡機構全部的信用卡交易資料。舉例來說，在台灣，信用卡交易資料庫10可為聯合信用卡處理中心所建立的資料庫。不過，信用卡交易資料庫10也可由個別的發卡機構獨自建立。此外，客戶端20例如為桌上型電腦、筆記型電腦、平板電腦、或智慧型手機。本發明說明如上，然其並非用以限定本創作所主張之專利權利範圍。其專利保護範圍當視後附之申請專利範圍及其等同領域而定。凡本領域具有通常知識者，在不脫離本專利精神或範圍內，所作之更動或潤飾，均屬於本創作所揭示精神下所完成之等效改變或設計，且應包含在下述之申請專利範圍內。

10:信用卡交易資料庫 20:客戶端 31:交易資料 33:第一歷史交易資料 35:第二歷史交易資料 100:信用卡詐欺偵防系統 110:輸入模組 120:資料分析模組 130:特徵萃取模組 140:機器學習預測模組 S110~S140:流程圖步驟 S210~S240:流程圖步驟

圖1所繪示為本發明之信用卡詐欺偵防方法的流程。圖2所繪示為本發明之信用卡詐欺偵防系統的實施例。圖3所繪示為交易資料與第一歷史交易資料的示意圖。圖4所繪示為機器學習預測模組於訓練階段時所需的步驟。圖5所繪示為本發明之信用卡詐欺偵防系統在訓練階段時的實施例。圖6所繪示為執行圖4之步驟S220的進一步實施方式。圖7所繪示為第二歷史交易資料依交易金額的大小進行分群的示意圖。

S110~S140:流程圖符號

Claims

一種信用卡詐欺偵防方法，包括： A10：接受一交易資料，該交易資料包括一信用卡卡號、一交易金額、與一交易時間； A20：從一信用卡交易資料庫中讀取多筆與該信用卡卡號對應的第一歷史交易資料； A30：將該交易資料與該第一歷史交易資料進行特徵萃取； A40：將特徵萃取後的該交易資料與該第一歷史交易資料輸入至一機器學習預測模組，以預測該交易資料是否為交易詐欺；其中，對該機器學習預測模組於訓練階段進行訓練時包括以下步驟： B10：從該信用卡交易資料庫中讀取多筆第二歷史交易資料，這些第二歷史交易資料包括多筆信用卡卡號、與這些信用卡卡號相對應的多筆交易金額、及多筆與該交易金額相對應的交易日期，部分的這些第二歷史交易資料中被標示為交易詐欺； B20：將這些第二歷史交易資料進行篩選，剔除部分第二歷史交易資料； B30：將未被剃除的上述第二歷史交易資料進行特徵萃取；及 B40：將特徵萃取後的該第二歷史交易資料輸入至該機器學習預測模組，以訓練該機器學習預測模組去辨認交易詐欺。
如請求項1所述之信用卡詐欺偵防方法，其中該交易資料還包括信用卡卡別、交易國家、發卡銀行、收單銀行、交易類別、交易地區、特約店代號、特約店行業別、交易型態、EC交易型態。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中該機器學習預測模組包括一遞歸神經網路模型、一長短期記憶模型、或一空間變換網路模型。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中該機器學習預測模組包括一全連接神經網路模型或一卷積神經網路模型。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中該機器學習預測模組採用支援向量機演算法、Xgboost演算法、最近鄰居演算法。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中於步驟A30與步驟B30中，是以下述至少其中之一的演算法進行特徵萃取，這些演算法包括：主成分分析、矩陣分解、奇異值分解、與自編碼器。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中於步驟B20中，是使用下述至少其中之一的方式將部分第二歷史交易資料剔除，這些方式包括：剔除消費記錄次數低於一第一閥值之卡號；及剔除交易時間早於一特定日期的第二歷史交易資料。
如請求項1或請求項2所述之信用卡詐欺偵防方法，其中於步驟B20中，還包括以下步驟： B22：利用非監督式機械學習方法將該些第二歷史交易資料依交易金額的大小進行分群；及 B24：將第二歷史交易資料的筆數大於一第二閥值之群選出，並在這些群中剔除一定比例的第二歷史交易資料。
如請求項8所述之信用卡詐欺偵防方法，其中於步驟B22中，是利用K-means或DBscan演算法將將該些第二歷史交易資料依交易金額的大小進行分群。
一種信用卡詐欺偵防系統，連接到一信用卡交易資料庫，該信用卡交易資料庫儲存有多筆與信用卡支付相關的交易資料，該信用卡詐欺偵防系統包括：一輸入模組，電性連接到該信用卡交易資料庫且適於接受一交易資料，該交易資料包括一信用卡卡號、一交易金額、與一交易時間；一資料分析模組，電性連接到該輸入模組並讀取該交易資料，且該資料分析模組還適於命令該輸入模組從該信用卡交易資料庫中讀取多筆與該信用卡卡號對應的第一歷史交易資料；一特徵萃取模組，電性連接到該資料分析模組，該特徵萃取模組還適於對該交易資料與該第一歷史交易資料進行特徵萃取；及一機器學習預測模組，電性連接至該特徵萃取模組，基於特徵萃取後的該交易資料與該第一歷史交易資料，該機器學習預測模組預測該交易資料是否為交易詐欺；其中，該信用卡詐欺偵防系統於訓練階段包括以下步驟： B10：該輸入模組從該信用卡交易資料庫中讀取多筆第二歷史交易資料，這些第二歷史交易資料包括多筆信用卡卡號、與這些信用卡卡號相對應的多筆交易金額、及多筆與該交易金額相對應的交易日期，部分的這些第二歷史交易資料中被標示為交易詐欺； B20：該資料分析模組將這些第二歷史交易資料進行篩選，剔除部分第二歷史交易資料； B30：該特徵萃取模組將未被剃除的上述第二歷史交易資料進行特徵萃取；及 B40：將特徵萃取後的該第二歷史交易資料輸入至該機器學習預測模組，以訓練該機器學習預測模組去辨認交易詐欺。
如請求項10所述之信用卡詐欺偵防系統，其中該交易資料還包括信用卡卡別、交易國家、發卡銀行、收單銀行、交易類別、交易地區、特約店代號、特約店行業別、交易型態、EC交易型態。
如請求項10或請求項11所述之信用卡詐欺偵防系統，其中於步驟B20中，是使用下述至少其中之一的步驟將部分第二歷史交易資料剔除：剔除消費記錄次數低於一第一閥值之卡號；及剔除交易時間早於一特定日期的第二歷史交易資料。
如請求項10或請求項11所述之信用卡詐欺偵防系統，其中於步驟B20中，還包括以下步驟： B22：利用非監督式機械學習方法將該些第二歷史交易資料依交易金額的大小進行分群；及 B24：將第二歷史交易資料的筆數大於一第二閥值之群選出，並在這些群中剔除一定比例的第二歷史交易資料。