图是表示其中具有成对连接的网络的数据结构
Posted: Sat Jan 25, 2025 9:08 am
圣彼得堡理工大学网络安全与信息保护研究所的一组科学家创建了一种图神经网络模型，能够区分可疑交易和安全交易、诈骗者和诚实用户。在实验测试中，该模型显示出很高的潜力。
。通常，它们以节点和线 阿塞拜疆手机号码列表 的形式呈现，也称为边。图神经网络是一种专注于处理图结构的神经网络。以图表的形式表示大量数据很方便——社交网络用户之间的关系、蛋白质和有机化合物的结构表示、数据传输网络、银行账户之间的交易。事实上，图神经网络结合了神经网络领域的所有发展，旨在处理以对象及其之间的关系形式表示的数据。
大约一年前，理工学院的科学家开始研究银行业的图神经网络。他们分析和处理了大量数据：数百笔交易以及有关交易的详细信息，从交易编号到用于进行转账的设备类型。然后研究人员建立了一个图神经网络模型并开始训练它。
“我们以图表的形式呈现银行交易和执行这些交易的用户，然后将它们分为两类：一些是诈骗者，另一些是进行合法汇款的人。在训练我们的图神经网络时，我们还考虑了身份信息：银行号码卡、有关资金发送者和接收者的信息、所使用的银行卡的类型、进行交易的设备的特征以及其他功能使我们能够更加准确。圣彼得堡工业大学网络安全与信息保护研究所教授、技术科学博士 Daria Lavrova 分享道：“训练一个图神经网络并获得良好的结果。”
新神经网络模型的主要武器是它关注可以识别非法行为的某些模式。例如，当“过滤”交易时，神经网络会查看时间戳，这决定了一个人成为银行环境成员的时间以及他在哪个组织中获得服务。
“如果一个人六个月前开设了一个银行账户，在此期间每天的平均交易金额为 1,000 卢布，之后有一天他收到了 30,000 卢布的转账，神经网络将此外，有关交易来源的信息也会被考虑在内，如果这笔钱不是由合法组织而是由 10 个人转移的，那么这种可能性也会增加。”她举了一个例子。达莉亚·拉夫罗娃。
理工大学开发的新神经网络模型旨在解决大量交易数据的问题，提高安全分析交易的速度，并检测银行欺诈的新方法。科学家表示，在我们这个时代，每个人每天都可以在互联网上进行多次购买，因此有一种保护机制可以从大量银行交易中快速识别欺诈活动就变得非常重要。
Polytech 的发展非常有用，主要是对银行组织而言。首先，它能够通过自动化银行员工手动分析交易的所有日常工作来节省人力资源。他们只需处理神经网络认为可疑的那些操作。其次，银行可以节省资金——通过使用神经网络，组织将不必花费预算来重新配置网络基础设施、购买信息安全设备、培训员工所谓的“数字卫生”规则，最重要的是，赔偿欺诈者造成的损失。
“我们的方法现在可以很容易地用作第一道防线：减少交易数据量并检测多种类型的欺诈行为。但是，我们的方法与所有其他确保信息安全的技术方法一样，永远不会成为主要方法。保护的原因很简单，因为最脆弱的环节不是计算机，而是人，只要用户在第三方网站上输入信用卡信息，不使用强密码，并且信任所谓的银行安全人员的电话，安全就会不能保证。保护技术手段的发展应与对用户进行数字素养和互联网安全行为基础知识的培训同时进行，”该项目的作者之一、圣彼得堡网络安全和信息保护研究所的研究员分享道阿纳斯塔西娅·谢尔加德耶娃理工大学。
开发人员表示，在实践中，神经网络必须在一段时间内“习惯”其工作的信息环境的特征。因此，最好使用来自同一银行环境的数据对其进行训练，以便检测欺诈者。同时，为了图神经网络更准确的运行，最好尽可能详细地描述图本身，即给神经网络更多关于用户的信息，以及欺诈交易的例子之前已在目标银行环境中注意到。
“确保网络安全是一个持续的过程，是技术合格的安全专家和违规者之间永恒的“军备竞赛”，因此，任何保护系统很可能迟早会被黑客攻击，但将会创建新的保护机制来取代它。我们正在努力通过收集和生成新的训练数据集来改进我们的图神经网络模型，其中将包括更多“狡猾”的交易。”技术科学博士、网络安全研究所所长总结道与信息保护 圣彼得堡理工大学通讯院士 俄罗斯科学院德米特里·泽格日达 (Dmitry Zegzhda)。
正如理工学院科学家所说，图神经网络可以用于各种领域，其中数据可以表示为一组对象以及它们之间的连接。例如，它可以识别社交网络上传播虚假信息的用户或检测数据网络中的网络攻击。
。通常，它们以节点和线 阿塞拜疆手机号码列表 的形式呈现，也称为边。图神经网络是一种专注于处理图结构的神经网络。以图表的形式表示大量数据很方便——社交网络用户之间的关系、蛋白质和有机化合物的结构表示、数据传输网络、银行账户之间的交易。事实上，图神经网络结合了神经网络领域的所有发展，旨在处理以对象及其之间的关系形式表示的数据。
大约一年前，理工学院的科学家开始研究银行业的图神经网络。他们分析和处理了大量数据：数百笔交易以及有关交易的详细信息，从交易编号到用于进行转账的设备类型。然后研究人员建立了一个图神经网络模型并开始训练它。
“我们以图表的形式呈现银行交易和执行这些交易的用户，然后将它们分为两类：一些是诈骗者，另一些是进行合法汇款的人。在训练我们的图神经网络时，我们还考虑了身份信息：银行号码卡、有关资金发送者和接收者的信息、所使用的银行卡的类型、进行交易的设备的特征以及其他功能使我们能够更加准确。圣彼得堡工业大学网络安全与信息保护研究所教授、技术科学博士 Daria Lavrova 分享道：“训练一个图神经网络并获得良好的结果。”
新神经网络模型的主要武器是它关注可以识别非法行为的某些模式。例如，当“过滤”交易时，神经网络会查看时间戳，这决定了一个人成为银行环境成员的时间以及他在哪个组织中获得服务。
“如果一个人六个月前开设了一个银行账户，在此期间每天的平均交易金额为 1,000 卢布，之后有一天他收到了 30,000 卢布的转账，神经网络将此外，有关交易来源的信息也会被考虑在内，如果这笔钱不是由合法组织而是由 10 个人转移的，那么这种可能性也会增加。”她举了一个例子。达莉亚·拉夫罗娃。
理工大学开发的新神经网络模型旨在解决大量交易数据的问题，提高安全分析交易的速度，并检测银行欺诈的新方法。科学家表示，在我们这个时代，每个人每天都可以在互联网上进行多次购买，因此有一种保护机制可以从大量银行交易中快速识别欺诈活动就变得非常重要。
Polytech 的发展非常有用，主要是对银行组织而言。首先，它能够通过自动化银行员工手动分析交易的所有日常工作来节省人力资源。他们只需处理神经网络认为可疑的那些操作。其次，银行可以节省资金——通过使用神经网络，组织将不必花费预算来重新配置网络基础设施、购买信息安全设备、培训员工所谓的“数字卫生”规则，最重要的是，赔偿欺诈者造成的损失。
“我们的方法现在可以很容易地用作第一道防线：减少交易数据量并检测多种类型的欺诈行为。但是，我们的方法与所有其他确保信息安全的技术方法一样，永远不会成为主要方法。保护的原因很简单，因为最脆弱的环节不是计算机，而是人，只要用户在第三方网站上输入信用卡信息，不使用强密码，并且信任所谓的银行安全人员的电话，安全就会不能保证。保护技术手段的发展应与对用户进行数字素养和互联网安全行为基础知识的培训同时进行，”该项目的作者之一、圣彼得堡网络安全和信息保护研究所的研究员分享道阿纳斯塔西娅·谢尔加德耶娃理工大学。
开发人员表示，在实践中，神经网络必须在一段时间内“习惯”其工作的信息环境的特征。因此，最好使用来自同一银行环境的数据对其进行训练，以便检测欺诈者。同时，为了图神经网络更准确的运行，最好尽可能详细地描述图本身，即给神经网络更多关于用户的信息，以及欺诈交易的例子之前已在目标银行环境中注意到。
“确保网络安全是一个持续的过程，是技术合格的安全专家和违规者之间永恒的“军备竞赛”，因此，任何保护系统很可能迟早会被黑客攻击，但将会创建新的保护机制来取代它。我们正在努力通过收集和生成新的训练数据集来改进我们的图神经网络模型，其中将包括更多“狡猾”的交易。”技术科学博士、网络安全研究所所长总结道与信息保护 圣彼得堡理工大学通讯院士 俄罗斯科学院德米特里·泽格日达 (Dmitry Zegzhda)。
正如理工学院科学家所说，图神经网络可以用于各种领域，其中数据可以表示为一组对象以及它们之间的连接。例如，它可以识别社交网络上传播虚假信息的用户或检测数据网络中的网络攻击。