Luận văn thạc sĩ về ứng dụng trí tuệ nhân tạo trong phát hiện giao dịch bất thường tài chính

Luận văn thạc sĩ trình bày giải pháp ứng dụng trí tuệ nhân tạo để phát hiện giao dịch bất thường trong hệ thống quản trị tài chính.

• Tác giả: Bà Công Thương Tràng Đồi
• Người hướng dẫn: TS. Vũ Viết Thắng
• Trường học: Học viện Tài chính
• Chuyên ngành: Ngành Hệ thống thông tin
• Đề tài: Giải Pháp Trí Tuệ Nhân Tạo Phát Hiện Giao Dịch Bất Thường Trong Tài Chính
• Loại tài liệu: Đề tài tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• MþC LþC
• DANH MĀC HÌNH ÀNH
• DANH MĀC CÁC KÝ HIàU VÀ TĂ VIÀT TÄT
• DANH MĀC BÀNG
• Mæ ĐÀU
• 1. CH¯¡NG 1: TàNG QUAN V GIAN LÂN TRONG GIAO DàCH TÀI CHÍNH
• 1.1. Giãi thiáu bài toán
• 1.2. Các lo¿i hình gian lÃn trong tài chính
• 1.3. Gian lÃn thông qua mã khuyÁn mãi
• 1.4. Gian lÃn thông qua chính sách thành viên
• 1.5. GiÁ m¿o danh tính
• 1.6. Đánh cÅp tài khoÁn
• 1.7. Gian lÃn thẻ tín dāng
• 1.8. Há tháng gian lÃn tài chính
• 1.9. Táng quan há tháng
• 1.10. Há tháng phát hián gian lÃn cÿa Alipay
• 1.11. KÁt luÃn ch°¢ng
• 2. CH¯¡NG 2: ĀNG DĀNG THUÂT TOÁN TRÍ TUà NHÂN T¾O PHÁT HIàN GIAN LÂN TÀI CHÍNH
• 2.1. Giãi thiáu các thuÃt toán trí tuá nhân t¿o
• 2.2. Semi-Supervised Learning (Học bán giám sát):
• 2.3. Āng dāng AI phát hián gian lÃn tài chính
• 2.4. Hián tr¿ng các thuÃt toán AI trong phát hián gian lÃn tài chính
• 2.5. Mô hình Semi-Supervised learning phát hián gian lÃn tài chính
• 2.6. KÁt luÃn ch°¢ng
• 3. CH¯¡NG 3: XÂY DĀNG Hà THàNG PHÁT HIàN GIAN LÂN
• 3.1. TàNG QUAN Hà THàNG
• 3.2. C¢ sç dÿ liáu đß thá
• 3.3. Mô hình AI đß thá học bán giám sát
• 3.4. Bá xử lý trung tâm
• 3.5. Đánh giá kÁt quÁ thāc nghiám
• 3.6. KÁt luÃn ch°¢ng
• DANH MĀC TÀI LIàU THAM KHÀO

Tóm tắt

I. Giới thiệu về trí tuệ nhân tạo trong phát hiện giao dịch bất thường

Trong bối cảnh tài chính ngày nay, trí tuệ nhân tạo (AI) đóng vai trò quan trọng trong việc phát hiện các giao dịch bất thường. Các công nghệ AI sử dụng các thuật toán phức tạp để phân tích dữ liệu lớn, từ đó nhận diện các hành vi gian lận trong giao dịch tài chính. Việc áp dụng công nghệ AI giúp nâng cao khả năng phát hiện và giảm thiểu rủi ro cho các tổ chức tài chính. Theo một nghiên cứu gần đây, việc ứng dụng AI có thể giảm thiểu tới 30% các giao dịch gian lận so với các phương pháp truyền thống. Điều này không chỉ giúp bảo vệ tài sản của khách hàng mà còn nâng cao độ tin cậy của hệ thống tài chính. Hệ thống giám sát dựa trên AI có khả năng tự động hóa quy trình phát hiện gian lận, từ đó cải thiện hiệu suất và độ chính xác trong việc phát hiện các giao dịch bất thường.

II. Các phương pháp phát hiện giao dịch bất thường

Các phương pháp phát hiện giao dịch bất thường có thể được chia thành hai loại chính: phân tích dữ liệu và học máy. Phân tích dữ liệu thường sử dụng các quy tắc và mẫu đã biết để xác định hành vi bất thường. Trong khi đó, học máy cho phép hệ thống học hỏi từ các dữ liệu trước đó và cải thiện khả năng phát hiện theo thời gian. Các thuật toán như SVM (Support Vector Machine), CNN (Convolutional Neural Network) và LSTM (Long Short-Term Memory) đã được chứng minh là hiệu quả trong việc phát hiện gian lận. Một nghiên cứu cho thấy, việc áp dụng mô hình LSTM có thể tăng khả năng phát hiện gian lận lên đến 95%. Điều này cho thấy tầm quan trọng của việc áp dụng các giải pháp công nghệ tiên tiến trong việc bảo vệ hệ thống tài chính khỏi các giao dịch bất thường.

III. Tầm quan trọng của việc phát hiện gian lận trong tài chính

Phát hiện gian lận không chỉ là một yêu cầu kỹ thuật mà còn là một vấn đề chiến lược trong ngành tài chính. An ninh tài chính là một trong những yếu tố quan trọng nhất đối với sự phát triển bền vững của các tổ chức tài chính. Việc phát hiện sớm các giao dịch bất thường giúp giảm thiểu thiệt hại tài chính và bảo vệ uy tín của tổ chức. Theo báo cáo của Ngân hàng Thế giới, các tổ chức tài chính có thể mất hàng triệu đô la mỗi năm do các hành vi gian lận. Do đó, việc đầu tư vào các giải pháp công nghệ như AI không chỉ mang lại lợi ích về mặt tài chính mà còn nâng cao độ tin cậy và sự hài lòng của khách hàng.

IV. Các thách thức trong việc phát hiện giao dịch bất thường

Mặc dù công nghệ AI mang lại nhiều lợi ích trong việc phát hiện gian lận, nhưng vẫn tồn tại nhiều thách thức. Một trong những thách thức lớn nhất là sự thay đổi liên tục của hành vi gian lận. Các kẻ gian lận thường xuyên thay đổi chiến lược để tránh bị phát hiện, điều này đặt ra yêu cầu cho các hệ thống AI phải liên tục cập nhật và cải thiện. Thêm vào đó, việc xử lý dữ liệu lớn và đa dạng cũng là một thách thức không nhỏ. Các tổ chức cần phải đầu tư vào cơ sở hạ tầng và nguồn lực để đảm bảo rằng hệ thống có thể hoạt động hiệu quả. Cuối cùng, việc đảm bảo tính riêng tư và bảo mật dữ liệu cũng là một vấn đề quan trọng cần được giải quyết.

V. Tương lai của phát hiện gian lận trong tài chính

Tương lai của việc phát hiện gian lận trong tài chính sẽ được định hình bởi sự phát triển không ngừng của công nghệ. Học máy và học sâu (Deep Learning) sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện khả năng phát hiện. Ngoài ra, việc tích hợp các công nghệ mới như blockchain cũng có thể mở ra những cơ hội mới trong việc bảo vệ giao dịch tài chính. Các tổ chức tài chính cần phải chủ động nghiên cứu và áp dụng các giải pháp công nghệ tiên tiến để nâng cao khả năng phát hiện gian lận. Điều này không chỉ giúp bảo vệ tài sản của khách hàng mà còn tăng cường sự tin cậy của hệ thống tài chính trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của thanh toán số và thương mại điện tử đã tạo ra bước chuyển dịch mạnh mẽ trong thói quen thanh toán của người tiêu dùng toàn cầu. Tại Hoa Kỳ, các hành vi gian lận tài chính từng ghi nhận con số kỷ lục với 15,4 triệu nạn nhân bị thiệt hại, tăng hơn 16% chỉ sau vài năm và gây thất thoát khoảng 6 tỷ USD. Tại Việt Nam, theo số liệu từ Ngân hàng Nhà nước, tốc độ tăng trưởng thanh toán điện tử qua kênh Mobile Banking đã đạt mức ấn tượng với 198% về số lượng và 210% về giá trị giao dịch; đồng thời các kênh Internet Banking và ví điện tử cũng tăng trưởng từ 37% đến 86%. Nhằm thúc đẩy xu hướng tất yếu này, Thủ tướng Chính phủ đã ban hành Chỉ thị số 22/CT-TTg về việc đẩy mạnh giải pháp phát triển thanh toán không dùng tiền mặt, mở đường cho hàng loạt ngân hàng và công ty công nghệ tài chính (Fintech) ra mắt các dịch vụ số hóa.

Tuy nhiên, sự tiện lợi luôn đi kèm với những rủi ro an ninh mạng tiềm ẩn. Các phương thức gian lận truyền thống như lừa đảo chiếm đoạt tài khoản qua Phishing, cài mã độc Keylogger, tấn công Brute Force, lừa đảo phi kỹ thuật (Social Engineering) hay gian lận thẻ tín dụng đang ngày càng biến tướng tinh vi. Đặc biệt, việc ứng dụng công nghệ định danh khách hàng điện tử (eKYC) theo Thông tư số 16/2020/TT-NHNN với hơn 3,37 triệu tài khoản được mở chỉ sau một năm triển khai đã trở thành mục tiêu của các cuộc tấn công giả mạo danh tính bằng công nghệ Deepfake.

Trước thực trạng các hệ thống bảo mật dựa trên quy tắc luật tĩnh và đánh giá thủ công bộc lộ nhiều điểm nghẽn về độ trễ cũng như tỷ lệ cảnh báo sai cao, nghiên cứu này tập trung phát triển giải pháp ứng dụng trí tuệ nhân tạo bán giám sát trên cấu trúc đồ thị mạng lưới nhằm phát hiện sớm các giao dịch bất thường trong thời gian thực, hướng tới việc giảm thiểu tổn thất tài chính và bảo vệ tối đa lợi ích của người dùng số.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết học máy hiện đại kết hợp với khoa học dữ liệu đồ thị (Graph Data Science - GDS), tập trung vào bốn trụ cột chính:

• Mạng nơ-ron đồ thị bán giám sát (Semi-Supervised Graph Neural Networks - SemiGNN): Tận dụng tối đa cấu trúc đồ thị đa chiều để lan truyền thông tin nhãn từ một số lượng nhỏ các giao dịch gian lận đã xác định sang toàn bộ mạng lưới giao dịch chưa được gán nhãn.
• Mạng chú ý thời gian có cổng (Gated Temporal Attention Network - GTAN) và Temporal Graph Attention (TGA): Tích hợp cơ chế chú ý (Attention Mechanism) theo chiều thời gian nhằm nắm bắt tính chất biến động liên tục và quy luật thay đổi hành vi của các đối tượng lừa đảo qua từng chu kỳ giao dịch.
• Lý thuyết phát hiện dị biệt (Anomaly Detection) với Isolation Forest (IF): Cung cấp cơ chế cô lập nhanh các điểm dữ liệu bất thường mà không cần định nghĩa trước các đặc trưng gian lận, hỗ trợ lọc thô dữ liệu ban đầu.
• Khái niệm nhúng nút đồ thị (Node Embedding): Chuyển đổi thông tin cấu trúc liên kết phức tạp của các thực thể (người dùng, thiết bị, tài khoản) thành không gian vector số học 32 chiều cô đọng, phục vụ trực tiếp cho các tác vụ phân loại tiếp theo.

Phương pháp nghiên cứu

• Nguồn dữ liệu và cỡ mẫu nghiên cứu: Sử dụng bộ dữ liệu chuẩn hóa S-FFSD và tập dữ liệu mô phỏng quy mô lớn gồm 8.000.000 bản ghi giao dịch tài chính. Lịch sử giao dịch trong 90 ngày liên tiếp được trích xuất để xây dựng mạng lưới quan hệ đồ thị; 14 ngày tiếp theo được sử dụng để xây dựng tập dữ liệu huấn luyện có gán nhãn, và 1 ngày cuối cùng được dùng làm tập kiểm thử độc lập.
• Phương pháp chọn mẫu: Áp dụng kỹ thuật lấy mẫu ngẫu nhiên phân tầng kết hợp thuật toán Random Walk với chiều dài bước đi là 50 và tần suất lấy mẫu 100 lần trên mỗi nút. Cách tiếp cận này giúp khắc phục triệt để hiện tượng mất cân bằng nhãn trầm trọng trong thực tế – khi các giao dịch lừa đảo thường chiếm tỷ lệ dưới 1% tổng lưu lượng.
• Lý do lựa chọn phương pháp phân tích: Hệ thống kết hợp khung xử lý phân tán MaxCompute và máy chủ tham số KunPeng cùng hệ cơ sở dữ liệu NoSQL Ali-HBase và Neo4j. Sự kết hợp này cho phép tính toán song song các phép nhúng đồ thị phức tạp và đáp ứng yêu cầu suy luận dự báo trực tuyến với độ trễ siêu thấp chỉ tính bằng mili giây.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Cải thiện độ chính xác phân loại: Việc kết hợp 52 đặc trưng giao dịch cơ bản với vector nhúng nút đồ thị 32 chiều giúp nâng cao chỉ số F1-score lên trên 92%, cao hơn 18% so với các phương pháp phát hiện chỉ dựa vào cây quyết định quy tắc truyền thống (ID3, C5.0).
• Giảm thiểu tỷ lệ cảnh báo sai: Mô hình học bán giám sát GTAN/SemiGNN giúp nhận diện chuẩn xác các cụm tài khoản gian lận liên kết chéo, hạ thấp tỷ lệ phân loại nhầm giao dịch hợp pháp (False Positive Rate) xuống dưới 1,2%, vượt trội so với mức 5,8% khi vận hành các thuật toán cô lập đơn lẻ.
• Tối ưu hóa hiệu năng tính toán phân tán: Kiến trúc xử lý đa luồng trên 20 máy chủ (10 luồng/máy) đã rút ngắn thời gian xử lý và tạo embedding cho 8.000.000 bản ghi giao dịch xuống còn 1,5 giờ, đáp ứng hoàn hảo chu kỳ cập nhật mô hình định kỳ hàng ngày (cơ chế T+1).
• Nâng cao khả năng phân biệt với chỉ số AUC-ROC đạt 0,96: Cơ chế chú ý thời gian giúp mô hình thích ứng linh hoạt với các chiêu thức thay đổi hành vi tinh vi, tạo ra sự vượt trội rõ rệt so với thuật toán Hồi quy Logistic truyền thống (chỉ đạt AUC-ROC ở mức 0,81).

Thảo luận kết quả

Dữ liệu giao dịch tài chính về bản chất là một mạng lưới không gian đa chiều, nơi hành vi gian lận hiếm khi diễn ra đơn lẻ mà thường liên kết chặt chẽ qua địa chỉ IP, số điện thoại, thiết bị sử dụng và tài khoản thụ hưởng. Các kết quả thực nghiệm có thể được mô tả trực quan thông qua:

• Biểu đồ đường hội tụ hàm mất mát: Thể hiện rõ tốc độ tối ưu hóa tham số qua 300 vòng lặp (epochs), chứng minh thuật toán kiểm soát hiện tượng quá khớp (overfitting) hiệu quả nhờ hệ số lấy mẫu đặc trưng 0,4.
• Bảng so sánh đa chỉ tiêu: Làm nổi bật sự tương quan giữa các thuật toán DeepWalk, Structure2Vec, Gradient Boosting Decision Tree (GBDT với 400 cây quyết định) và mô hình đề xuất trên các thang đo Precision, Recall và F1-score.
• Sơ đồ phân cụm đồ thị tương tác: Minh họa trực quan các mạng lưới gian lận dạng tam giác hoặc các đường dây gom điểm thưởng, voucher giảm giá trên giao diện cơ sở dữ liệu đồ thị Neo4j.

So với các giải pháp truyền thống như TitAnt của Alipay vốn phụ thuộc nhiều vào mô hình cây quyết định phân tán, giải pháp bán giám sát dựa trên mạng nơ-ron đồ thị thời gian giúp hệ thống tự động trích xuất các tri thức ẩn mà không cần chờ đợi phản hồi gán nhãn thủ công từ phía người dùng bị hại.

Đề xuất và khuyến nghị

• Tích hợp kiến trúc mạng nơ-ron đồ thị bán giám sát (SemiGNN/GTAN) vào hệ thống phát hiện gian lận thời gian thực: Khối Công nghệ thông tin và Quản trị rủi ro tại các ngân hàng thương mại cần tiến hành tích hợp trong vòng 6 đến 9 tháng tới, hướng đến mục tiêu giảm thiểu 35% tổn thất tài chính và đưa độ chính xác cảnh báo vượt mốc 95%.
• Xây dựng nền tảng cơ sở dữ liệu đồ thị chuyên dụng (như Neo4j) song hành cùng kho dữ liệu phân tán NoSQL: Bộ phận Hạ tầng dữ liệu cần hoàn thiện trong 3 đến 6 tháng tới, nhằm tối ưu hóa thời gian truy xuất vector nhúng người dùng xuống dưới 50 mili giây cho quy mô xử lý trên 10 triệu giao dịch mỗi ngày.
• Chuẩn hóa quy trình thẩm định danh tính số eKYC đa lớp kết hợp công nghệ chống giả mạo sinh trắc học Deepfake: Phòng Phòng chống gian lận số phối hợp với các nhà cung cấp giải pháp an ninh mạng triển khai nâng cấp trong vòng 3 tháng, đặt chỉ tiêu kiểm soát tỷ lệ lừa đảo mở tài khoản rác dưới 0,05%.
• Thiết lập quy trình tự động tái huấn luyện mô hình ngoại tuyến theo chu kỳ ngày (T+1): Đội ngũ Kỹ sư Dữ liệu và Trí tuệ nhân tạo (MLOps) triển khai hoàn chỉnh pipeline tự động trong 12 tháng, đảm bảo khả năng cập nhật 100% các biến thể hành vi bất thường mới xuất hiện trên thị trường.

Đối tượng nên tham khảo luận văn

• Chuyên gia quản trị rủi ro và an ninh thông tin tại các tổ chức tài chính, ngân hàng số: Tiếp cận khung tham chiếu toàn diện về các phương thức gian lận hiện đại, từ đó xây dựng các kịch bản ứng phó và quy trình kiểm soát rủi ro thanh toán hiệu quả.
• Kỹ sư Trí tuệ nhân tạo, Học máy (Machine Learning) và Khoa học dữ liệu: Nắm bắt chi tiết kỹ thuật triển khai mạng nơ-ron đồ thị bán giám sát, phương pháp nhúng nút (Node Embedding) và kỹ thuật xử lý tập dữ liệu mất cân bằng nhãn trong môi trường thực tế.
• Kiến trúc sư hệ thống phần mềm và chuyên gia phát triển ứng dụng Fintech: Tham khảo mô hình thiết kế hạ tầng xử lý phân tán quy mô lớn, kết hợp giữa lưu trữ NoSQL tốc độ cao và máy chủ suy luận Model Server đáp ứng độ trễ mili giây.
• Học viên cao học, nghiên cứu sinh chuyên ngành Hệ thống thông tin và Khoa học máy tính: Sử dụng làm tài liệu nghiên cứu chuyên sâu về việc ứng dụng lý thuyết đồ thị và trí tuệ nhân tạo giải quyết bài toán an toàn bảo mật trong lĩnh vực kinh tế số.

Câu hỏi thường gặp

Tại sao mô hình học bán giám sát lại tối ưu hơn học có giám sát trong bài toán gian lận tài chính?

Trong thực tế, tỷ lệ giao dịch gian lận thường chỉ chiếm dưới 1% tổng lưu lượng, đồng thời nhãn gian lận chỉ được xác nhận sau khi khách hàng khiếu nại (độ trễ từ vài ngày đến vài tuần). Học bán giám sát tận dụng được toàn bộ 99% dữ liệu chưa gán nhãn kết hợp với số ít nhãn đã biết, giúp phát hiện sớm các dấu hiệu bất thường mà không cần đợi gán nhãn toàn bộ.

Mạng nơ-ron đồ thị (GNN) giải quyết tình trạng gian lận theo nhóm như thế nào?

GNN biểu diễn người dùng, tài khoản, thiết bị và địa chỉ IP thành các nút mạng, còn các quan hệ chuyển tiền hay dùng chung thông tin thành các cạnh. Thông qua cơ chế truyền tin giữa các nút lân cận, mô hình dễ dàng bóc tách các đường dây tạo tài khoản ảo hàng loạt hoặc rửa tiền xuyên tài khoản mà các thuật toán phân loại độc lập từng giao dịch không thể phát hiện.

Kỹ thuật nhúng nút (Node Embedding) có vai trò gì trong hệ thống?

Kỹ thuật nhúng nút chuyển hóa cấu trúc quan hệ phức tạp của một tài khoản trong mạng lưới thành một vector 32 chiều. Vector này mã hóa toàn bộ vị trí không gian và mối liên kết của tài khoản đó. Khi kết hợp vector này với 52 đặc trưng giao dịch thông thường, các bộ phân loại như GBDT hay mạng nơ-ron sẽ có thêm thông tin ngữ cảnh để đưa ra quyết định chuẩn xác hơn.

Hệ thống xử lý bài toán độ trễ thời gian thực như thế nào khi khối lượng giao dịch lên đến hàng triệu bản ghi?

Hệ thống áp dụng cơ chế phân tách T+1: toàn bộ quá trình trích xuất đặc trưng đồ thị và huấn luyện mô hình nặng được thực hiện ngoại tuyến (Offline) trong 1,5 giờ mỗi đêm. Các vector nhúng sau đó được nạp sẵn vào cơ sở dữ liệu Ali-HBase và máy chủ Model Server. Khi giao dịch mới phát sinh, hệ thống chỉ mất 20 đến 50 mili giây để đối soát và ra quyết định.

Luận văn đưa ra giải pháp gì để ngăn chặn gian lận danh tính qua eKYC?

Nghiên cứu chỉ ra rằng chỉ dựa vào nhận diện khuôn mặt sinh trắc học là chưa đủ trước công nghệ Deepfake tinh vi. Giải pháp đề xuất là kết hợp kiểm tra sinh trắc học với phân tích đồ thị hành vi sau mở tài khoản. Nếu tài khoản mới mở qua eKYC có các liên kết bất thường với danh sách đen hoặc phát sinh giao dịch chuyển tiền ngay lập tức theo kịch bản đáng ngờ, hệ thống sẽ tự động kích hoạt chặn giao dịch.

Kết luận

• Hệ thống hóa toàn diện các hình thức gian lận tài chính trực tuyến phức tạp hiện nay, từ lừa đảo khuyến mãi, đánh cắp tài khoản đến giả mạo sinh trắc học eKYC bằng Deepfake.
• Thiết kế thành công mô hình học bán giám sát trên đồ thị kết hợp cơ chế chú ý thời gian GTAN, nâng cao đáng kể năng lực phát hiện bất thường trên các tập dữ liệu mất cân bằng nhãn.
• Xây dựng kiến trúc xử lý phân tán đồng bộ giữa nền tảng lưu trữ NoSQL và máy chủ suy luận trực tuyến, đảm bảo thời gian phản hồi kiểm tra giao dịch ở mức mili giây.
• Đạt kết quả thực nghiệm ấn tượng với chỉ số phân loại AUC-ROC đạt 0,96 và tối ưu hóa thời gian tính toán nhúng đồ thị cho 8.000.000 giao dịch chỉ trong 1,5 giờ.
• Cung cấp lộ trình thực thi công nghệ cụ thể từ 3 đến 12 tháng giúp các tổ chức tài chính số hóa quy trình quản trị rủi ro một cách bài bản.

Đóng góp cốt lõi của luận văn là đã hoàn thiện một giải pháp công nghệ toàn diện kết hợp giữa Trí tuệ nhân tạo đồ thị tiên tiến và kiến trúc dữ liệu lớn phân tán, tháo gỡ triệt để bài toán cân bằng giữa độ chính xác và tốc độ phản hồi thời gian thực trong quản trị giao dịch tài chính số. Trong giai đoạn 2024-2025, các ngân hàng thương mại và doanh nghiệp Fintech nên nhanh chóng tham khảo, thử nghiệm và tích hợp các kết quả nghiên cứu này vào hệ thống thanh toán nhằm củng cố vững chắc lá chắn bảo mật cho nền kinh tế số.

Trích đoạn nội dung tài liệu

Bà CÔNG TH¯¡NG TR¯àNG Đ¾I HàC CÔNG NGHIÞP HÀ NäI Đâ XUÂN S¡N GIÀI PHÁP ĀNG DþNG TRÍ TUÞ NHÂN T¾O NHÂM PHÁT HIÞN GIAO DÞCH BÂT TH¯àNG TRONG HÞ THÞNG QUÀN TRÞ GIAO DÞCH TÀI CHÍNH Đ ÁN TàT NGHIàP TH¾C S) Hà THàNG THÔNG TIN Hà Nái – 2024 Bà CÔNG TH¯¡NG TR¯àNG Đ¾I HàC CÔNG NGHIÞP HÀ NäI Đâ XUÂN S¡N GIÀI PHÁP ĀNG DþNG TRÍ TUÞ NHÂN T¾O NHÂM PHÁT HIÞN GIAO DÞCH BÂT TH¯àNG TRONG HÞ THÞNG QUÀN TRÞ GIAO DÞCH TÀI CHÍNH Ngành há tháng thông tin Mã sá 8480104 Đ ÁN TàT NGHIàP TH¾C S) Hà THàNG THÔNG TIN NG¯äI H¯âNG DÀN: TS.Vũ Viát ThÅng Hà Nái – 2024 i MþC LþC DANH MĀC HÌNH ÀNH. iii DANH MĀC CÁC KÝ HIàU VÀ TĂ VIÀT TÄT. iv DANH MĀC BÀNG. vi Mæ ĐÀU.

vii CH¯¡NG 1: TàNG QUAN V GIAN LÂN TRONG GIAO DàCH TÀI CHÍNH. Giãi thiáu bài toán. Các lo¿i hình gian lÃn trong tài chính. Gian lÃn thông qua mã khuyÁn mãi.

Gian lÃn thông qua chính sách thành viên. GiÁ m¿o danh tính. Đánh cÅp tài khoÁn. Gian lÃn thẻ tín dāng.

Há tháng gian lÃn tài chính. Táng quan há tháng. Há tháng phát hián gian lÃn cÿa Alipay. KÁt luÃn ch°¢ng.

31 CH¯¡NG 2: ĀNG DĀNG THUÂT TOÁN TRÍ TUà NHÂN T¾O PHÁT HIàN GIAN LÂN TÀI CHÍNH. Giãi thiáu các thuÃt toán trí tuá nhân t¿o. Semi-Supervised Learning (Học bán giám sát):. Āng dāng AI phát hián gian lÃn tài chính.

Hián tr¿ng các thuÃt toán AI trong phát hián gian lÃn tài chính. Mô hình Semi-Supervised learning phát hián gian lÃn tài chính. KÁt luÃn ch°¢ng. 51 CH¯¡NG 3: XÂY DĀNG Hà THàNG PHÁT HIàN GIAN LÂN.

TàNG QUAN Hà THàNG. C¢ sç dÿ liáu đß thá. Mô hình AI đß thá học bán giám sát. Bá xử lý trung tâm.

Đánh giá kÁt quÁ thāc nghiám. KÁt luÃn ch°¢ng. i DANH MĀC TÀI LIàU THAM KHÀO. iii iii DANH MþC HÌNH ÀNH Hình 1.

Há tháng phát hián giao dách b¿t th°ång cÿa ngân hàng. Há tháng phát hián giao dách b¿t th°ång cÿa Alipay(TitAnt). KiÁn trúc MaxCompute. KiÁn trúc há tháng cÿa KunPeng.

KiÁn trúc há tháng cÿa Ali-HBase. KiÁn trúc há tháng cÿa MS và sā t°¢ng tác vãi các thành phÁn khác. Chia dataset hu¿n luyán và thử nghiám mô hình dā báo. KiÁn trúc há tháng sử dāng mô hình Semi-Supervised Graph Neural Network.

Đß thá mái quan há m¿ng xã hái. Ví dā minh họa node và c¿nh trong c¢ sç dÿ liáu đß thá. KiÁn trúc dÿ liáu trong Graph DataBase. Giao dián Neo4j.

Táng quan và ho¿t đáng tiêu chu¿n cÿa th° vián GDS. KiÁn trúc mô hình Gated Temporal Attention Network (GTAN) 62 Hình 3. Hu¿n luyán model. Lußng triển khai.

70 iv DANH MþC CÁC KÝ HIÞU VÀ TỪ VI¾T TÀT Vi¿t tÁt Ti¿ng Anh Ti¿ng Vißt eKYC electronic Know Your Customer Công nghá đánh danh khách hàng đián tử MS Model Server Máy chÿ triển khai mô hình học máy IF Isolation Forest ThuÃt toán cô lÃp các điểm dÿ liáu OTS Open Table Service Công cā lÃp kÁ ho¿ch SQL CF Column Family C¢ sç dÿ liáu NoSQL sử dāng hàng và cát TID Transaction Identification Đánh danh giao dách AI Artificial Intelligent Trí tuá nhân t¿o SemiGNN Semi Supervised Graph Neural M¿ng n¢ron đß thá bán giám sát GTAN Gated Temporal Attention M¿ng n¢ron sử dāng c¢ chÁ chú ý Network sử dāng các thông tin thåi gian MLP multi-layer perception Protocol Giao thāc nhÃn thāc nhiÃu lãp TGA Temporal Graph Attention Đß thá sử dāng c¢ chÁ chú ý thåi gian GDS Graph Data Science Khoa học dÿ liáu sử dāng lý thuyÁt đß thá v DANH MþC BÀNG BÁng 3. Mô tÁ dÿ liáu S-FFSD. Tháng kê dÿ liáu S-FFSD. Tháng kê dÿ liáu đß thá S-FFSD.

KÁt quÁ so sánh các mô hình trên nhãn Fraud. KÁt quÁ so sánh các mô hình trên nhãn Fraud. 74 vi LàI CAM ĐOAN Nhÿng nái dung đ°ÿc trình bày trong luÃn văn là nhÿng kiÁn thāc cÿa riêng cá nhân em tích lũy trong quá trình học tÃp, nghiên cāu, không sao chép l¿i cÿa mát công trình nghiên cāu hay luÃn văn cÿa b¿t cā tác giÁ nào. Trong nái dung cÿa luÃn văn, nhÿng phÁn em đã nghiên cāu, trích dÁn đÃu đ°ÿc nêu trong các tài liáu tham khÁo, có ngußn gác, xu¿t xā tên tuái cÿa các tác giÁ và nhà xu¿t bÁn rõ ràng.

Nhÿng điÃu em cam kÁt hoàn toàn là sā thÃt, nÁu sai, em xin cháu mọi hình thāc kỷ luÃt theo quy đánh. Hà Nái, ngày 19 tháng 05 năm 2024 Hác viên thāc hißn Đã Xuân S¢n vii Mâ ĐẦU Nh° chúng ta đã biÁt hián nay vãi sā phát triển bùng ná cÿa công nghá thông tin đã tác đáng lãn đÁn các ho¿t đáng th°ång ngày cÿa xã hái tă viác d¿y học, làm viác, đÁn các nhu cÁu giÁi trí. Do đ¿i dách Covid-19, các bián pháp phòng cháng dách phong toÁ, giÿ khoÁng cách, & đ°ÿc triển khai. Tă nhÿng v¿n đà này gây ra nhiÃu trç ng¿i đái vãi các ho¿t đáng cÁn tiÁp xúc trāc tiÁp nh° l*nh vāc ngân hàng là mát trong sá đó.

Do đó giao dách thanh toán trāc tuyÁn không dùng tiÃn mặt trç nên thuÃn tián và phát triển h¢n bao giå hÁt. T¿i Hoa Kỳ, các ho¿t đáng gian lÃn làm cho sá l°ÿng khách hàng bá thiát h¿i đ¿t māc kỷ lāc 15,4 triáu ng°åi, cao h¢n 16% so vãi năm 2015 và gây thiát h¿i khoÁng 6 tỷ đô. Theo tháng kê cÿa Ngân hàng Nhà n°ãc Viát Nam, sá l°ÿng và giá trá giao dách thanh toán đián tử năm 2019 qua kênh Mobile Banking tăng tr°çng lÁn l°ÿt là 198% và 210%; các kênh Internet Banking và ví đián tă tăng tr°çng tă 37% - 86% so vãi cùng kỳ. Ngày 26/5/2020, Thÿ t°ãng Chính phÿ đã ban hành chß thá sá 22/CT-TTg và viác đ¿y m¿nh triển khai các giÁi pháp phát triển thanh toán không dùng tiÃn mặt t¿i Viát Nam, qua đó thúc đ¿y m¿nh m¿ các ph°¢ng thāc giao dách đián tử, đßng thåi cho th¿y xu h°ãng t¿t yÁu cÿa viác chuyển dách hình thāc thanh toán.

Trong bái cÁnh đó, ngân hàng và các công ty công nghá tài chính (Fintech) đã và đang tÃp trung phát triển các āng dāng mãi trên nÃn tÁng công nghá sá, cung c¿p nhÿng sÁn ph¿m, dách vā đi kèm vãi nhÿng hình thāc khuyÁn mãi vô cùng h¿p dÁn h°ãng tãi viác đáp āng káp thåi nhu cÁu thay đái cÿa khách hàng. Bên c¿nh nhÿng lÿi ích to lãn mà giao dách tài chính trāc tuyÁn mang đÁn, ng°åi sử dāng đã và đang phÁi đái mặt vãi nhÿng rÿi ro tiÃm ¿n tă viác th¿t thoát dÿ liáu cá nhân. NÁu không có nhÃn thāc đÁy đÿ, ng°åi sử dāng s¿ viii dß dàng trç thành māc tiêu cÿa tái ph¿m tài chính, có nguy c¢ bá lÿi dāng cho nhÿng giao dách b¿t chính và thiát h¿i tài sÁn không mong muán. Các ngân hàng tr°ãc đây sử dāng cách bÁo mÃt truyÃn tháng dāa vào yÁu tá con ng°åi nh° cán bá, nhân viên ngân hàng và khách hàng sử dāng dách vā.

Trong đó các cán bá nhân viên đ°ÿc giao nhiám vā th°ång xuyên giám sát các quy trình kỹ thuÃt trong ho¿t đáng thanh toán& để phát hián gian lÃn, khách hàng th°ång đ°ÿc khuyÁn cáo bằng viác tā bÁo vá tài khoÁn cÿa mình. Dß dàng nhÃn th¿y cách truyÃn tháng có đá bÁo mÃt an toàn không cao bçi các ho¿t đáng gian lÃn hián nay ngày càng dißn ra hÁt sāc tinh vi và phāc t¿p h¢n. Do đó, v¿n đà đặt ra cÁn có các giÁi pháp thông minh h¢n, hiáu quÁ h¢n để tăng c°ång tính bÁo mÃt trong giao dách tài chính thông qua viác có thể tā đáng phát hián ra các giao dách b¿t th°ång (hoặc các giao dách có nguy c¢ chāa đāng gian lÃn) mát cách nhanh chóng và hiáu quÁ. Trong bài báo [1] tác giÁ và nhóm cáng sā cũng nêu rõ các thiát h¿i to lãn trong các giao dách tài chính có tính bÁo mÃt kém.

Đặc biát trong thåi kỳ đ¿i dách covid đã làm đ¿y nhanh các giao dách tài chính trāc tuyÁn. Trong nghiên cāu cũng giãi thiáu táng quan và các ph°¢ng pháp thông minh nhằm phát hián các giao dách tài chính b¿t th°ång mát cách hiáu quÁ. Cũng trong bài báo này tác giÁ có tháng kê các giÁi pháp dāa trên máy học nh°: SVM, CNN, Naïve Bayes, LSTM, v. Cuái cùng các tác giÁ cũng nêu rõ các thách thāc trong viác phát hián ra các giao dách tài chính bçi các đái t°ÿng phá ho¿i luôn có xu h°ãng thay đái công nghá để tránh khßi bá há tháng phát hián.

Trong bài báo [2] tác giÁ Shaosheng Cao và các cáng sā đã giãi thiáu há tháng TitAnt có khÁ năng phát hián ra các gian lÃn trong giao dách tài chính online trong thåi gian thāc. Trong nghiên cāu cũng trình bày các v¿n đÃ, các ph°¢ng pháp trích chọn đặc tr°ng và phát hián giao dách có gian lÃn bao gßm: ix thuÃt toán dāa trên tÃp luÃt, thuÃt toán hßi quy logic, thuÃt toán Gradient Boosting Decision Tree (GBDT), v. Để đÁm bÁo há tháng có thể ho¿t đáng trong thåi gian thāc nhóm tác giÁ đã triển khai mô hình dāa trên các công cā hß trÿ mã ngußn mç nh°: MaxCompute, KunPeng, MS và Ali-Hbase. Các công cā này có nhiám vā hß trÿ l°u trÿ phân tán, hu¿n luyán và dā đoán các giao dách online.

Mặc dù cũng đã có nhiÃu nghiên cāu khác nhau và bài toán này tuy nhiên ch°a có mát giÁi pháp nào là tuyát đái. Theo thåi gian các đái t°ÿng thāc hián hành vi gian lÃn cũng s¿ thay đái cách thāc thāc hián nhằm tránh sā phát hián cÿa há tháng và điÃu này luôn là mát thách thāc vãi nhÿng ng°åi có trách nhiám bÁo mÃt trong các há tháng ngân hàng hay các công ty tài chính. Chính vì các lý do trên đây em đã chọn đà tài <Giải pháp ứng dụng trí tuệ nhân tạo nhằm phát hiện giao dịch bất thường trong hệ thống quản trị giao dịch tài chính=. 1 CH¯¡NG 1: TàNG QUAN VÀ GIAN L¾N TRONG GIAO DÞCH TÀI CHÍNH 1.

Gißi thißu bài toán Ngày nay các dách vā tài chính đặc biát là dách vā tài chính trāc tuyÁn mang l¿i nhiÃu lÿi ích kinh tÁ to lãn cho xã hái. Tuy nhiên cùng vãi đó các hành vi gian lÃn xu¿t hián ngày càng nhiÃu. Gian lÃn tài chính là hành vi cá ý lăa dái liên quan đÁn các giao dách tài chính nhằm māc đích thu lÿi cá nhân.