Tesis

DETECCIÓN DE FRAUDE EN TELEFONÍA CELULAR
USANDO REDES NEURONALES

Hipótesis


¿Qué es el fraude? Se puede describir de una manera simple como “cualquier actividad por la
cual un servicio es obtenido sin la intención de pagarlo”. [Gosset & Hyland, 1999]
Muchas veces las organizaciones calculan  cuánto dinero pierden debido al fraude
definiéndolo como “el dinero que se pierde en clientes/cuentas por los cuales no se recibe ningún
pago” [Gosset & Hyland, 1999]. Sin embargo, para  los fines de detección, tal definición no es
apropiada debido que el fraude solo sería detectado una vez que ha ocurrido. De hecho, especificar
qué es el fraude puede ser muy difícil, debido a que la diferencia entre un comportamiento
fraudulento y uno que no lo es puede ser muy pequeña; por lo tanto lo más prudente es clasificar al
fraude en diferentes tipos y describir cada uno de ellos


Metodología


Enfoque por enseñanza
En este enfoque, es necesario tener ejemplos reales de fraude. Estos ejemplos son usados para
“enseñar” a la herramienta qué es lo que debe buscar. En el caso de un sistema basado en reglas, los
ejemplos son analizados por sus componentes de fraude que luego se traducen en reglas que utilizan
umbrales o medidas relativas. En el caso de las redes neuronales supervisadas se usan los ejemplos
de fraude y los ejemplos de usuarios no fraudulentos para enseñarle a la herramienta cuáles
comportamientos son buenos y cuáles no lo son. Ambos tipos de herramientas deberían identificar
comportamientos de alguna manera similar a los ejemplos de fraude usados o a los ejemplos de
buen comportamiento; si identifican algún comportamiento como “parecido” al de un ejemplo de
fraude, deben emitir una alarma.

Enfoque por aprendizaje
En este enfoque, la herramienta aprenderá el comportamiento típico de un usuario y emitirá
una alarma cuando este comportamiento haya  cambiado sensiblemente. La habilidad de la
herramienta para monitorear el comportamiento  de los usuarios la hace muy útil para detectar
fraudes de los que no se sabe nada como así todos los casos de fraude por suscripción, que resultan
en cambios de comportamiento. Si se sabe poco acerca del fraude existente en el sistema, esta es
una buena forma de trabajar y obtener buenos  ejemplos de comportamiento fraudulento; sin
embargo, hay algunos puntos importantes a tener en cuenta cuando se utiliza este enfoque entre los
cuales se puede destacar que  no es posible enseñarle a esta herramienta qué buscar y si los DETECCIÓN DE FRAUDE EN TELEFONÍA CELULAR USANDO REDES NEURONALES

13 CAPITULO 1 – INTRODUCCION Hernán Grosser
parámetros de evolución no se configuran correctamente, puede llegar a fallar y no detectar cambios
de comportamiento que lancen las alarmas correspondientes.
Con las redes neuronales no supervisadas se pueden crear perfiles de usuario basados en su
comportamiento reciente y compararlo con su consumo histórico que evoluciona a través del tiempo
con las llamadas realizadas.
Nuestro trabajo se centrará en la construcción de una herramienta que utilice este enfoque ya
que es muy difícil encontrar a priori un escenario en el cual se conozcan muchos casos de fraude
para utilizar el enfoque por enseñanza. En los capítulos posteriores se presentarán todos los
problemas que surgen al diseñar una herramienta de este tipo, su resolución y posterior prueba.




Objetivo del trabajo
En este contexto, el objetivo de este trabajo es encontrar una herramienta capaz de detectar
cambios de comportamiento susceptibles de  describirse como fraudulentos utilizando redes
neuronales artificiales para construir perfiles de usuario que puedan ser comparables con patrones
históricos del mismo. Esta herramienta debe  ser eficaz y eficiente  en su funcionamiento
demostrando que es una forma exitosa de detectar fraude. Se estudiará la mejor forma de construir
estos perfiles y adaptarlos a medida que más  información se incorpora a los mismos utilizando
redes neuronales no supervisadas en el marco de un análisis diferencial de la información dentro del
enfoque de detección de fraude por aprendizaje.

Estructura del trabajo

El trabajo se divide en 6 capítulos y 3 apéndices.
En el capítulo 2 se presenta la teoría necesaria para poder abordar el problema de la detección
de fraude utilizando una solución de la inteligencia artificial. Para  ello se describe el
funcionamiento y las características de las redes neuronales haciendo hincapié en la red supervisada
Perceptrón y la SOM (Self Organizing Maps). Posteriormente, se expondrá la manera de analizar la
información para poder luego detectar fraude. Finalmente se presentan dos soluciones ya existentes,
describiendo sus limitaciones para luego introducirse en la resolución propuesta.


Conclusión


En este trabajo se abordo el problema de la detección de cambios de consumo de usuarios de
telefonía celular fuera de lo normal, la correspondiente construcción de  estructuras de datos que
representen el comportamiento reciente e histórico de cada uno de los usuarios, teniendo en cuenta
la información que contiene una llamada y lo complejo de la construcción de una función con tantas
variables de entrada parametrización no siempre conocida. Si bien existen diferentes formas de
detectar fraude, todas ellas trabajan con picos de consumo o reglas fijas, que no siempre indican
comportamiento fuera de lo normal. La solución  que se presenta utiliza  la tecnología de redes
neuronales no supervisadas, en particular las redes SOM.
Palabras clave: Detección de Fraude, Redes Neuronales, Telefonía Celular

Fuentes de Información

http://laboratorios.fi.uba.ar/lsi/grosser-tesisingenieriainformatica.pdf