شبكة عصبية بيانية بسيطية معيارية مترابطة مع تحسين ذوبان الثلج للاكتشاف الفوري للاحتيال في أنظمة الدفع

لماذا يهم ضبط الاحتيال في أجزاء من الثانية

في كل مرة تُمسح فيها بطاقة، أو يُلوَّح بهاتف، أو يُنقر زر إكمال الشراء عبر الإنترنت، ثمة لحظة وجيزة يجب على البنك فيها أن يقرر: هل هذه عملية شرعية أم احتيال؟ قد يعني هذا الجزء من الثانية الفرق بين دفعة آمنة وحساب مسحوب الرصيد. مع انفجار المدفوعات الرقمية في العدد والسرعة، يبتكر المجرمون باستمرار حيلًا جديدة، بينما تكون العديد من مرشحات الاحتيال الحالية صارمة جدًا أو بطيئة جدًا أو سهلة الخداع. تقدم هذه الورقة طريقة جديدة وأكثر مرونة لرصد المدفوعات المشبوهة في الوقت الحقيقي، تهدف إلى حماية كل من العملاء والمؤسسات المالية مع تقليل الإنذارات الكاذبة.

مدى انتشار الحيل الرقمية

تقوم البنوك وشركات الدفع الآن بتنقية مئات الآلاف من معاملات البطاقات يوميًا، مع أن نسبة صغيرة فقط منها احتيالية. يجعل هذا الاختلال المشكلة أكثر صعوبة: إذ قد تنحاز الأنظمة إلى اعتبار كل شيء "طبيعيًا"، ما يسمح للحيل الماكرة بالمرور. غالبًا ما تعتمد دفاعات الاحتيال القديمة على قواعد مصممة يدويًا، مثل حظر المدفوعات التي تتجاوز مبلغًا معينًا أو من مواقع محددة. تكافح هذه القواعد عندما يغير المجرمون تكتيكاتهم، وغالبًا ما تؤشر إلى عمليات شراء مشروعة، مما يثير استياء العملاء والتجار. حسنت أنظمة التعلم الآلي الحديثة الوضع، لكنها لا تزال تتعثر أمام البيانات الصاخبة والأنماط الخفية التي تمتد عبر حسابات متعددة، والحاجة إلى التكيف السريع مع تغير السلوك.

خط أنابيب أذكى من المعاملات الخام إلى القرارات

يصمم المؤلفون خط أنابيب شاملًا يعامل بيانات الدفع ليس كصفوف معزولة في جدول، بل كشبكة حية من العلاقات بين أصحاب البطاقات والتجار والأجهزة والزمن. تبدأ العملية بتنقية تيار المعاملات الخام باستخدام خطوة ترشيح تكيفي تُخمّد العيوب والشواذ مع الحفاظ على الإشارات الحقيقية للاحتياال. تليها أداة اختيار ميزات ذكية مستوحاة من سلوك بحث عن الطعام لحيوان أسترالي صغير، الكوكا. يبحث هذا الخوارزم عبر عشرات السمات المحتملة للمعاملة ويحتفظ فقط بما يساعد فعليًا على تمييز السلوك الطبيعي عن المشبوه، مقصياً الضوضاء والتكرار حتى تتمكن المراحل اللاحقة من التركيز على ما يهم حقًا.

ترك شبكة المدفوعات تتكلم

في صميم النظام نموذج جديد يُسمى شبكة عصبية بيانية بسيطية معيارية مترابطة. ببساطة، يكسر التشابك الهائل للمعاملات إلى وحدات متخصصة أصغر يتعلم كل منها جوانب مختلفة من السلوك، ثم يعيد ربطها في نموذج "فائق" أكبر. على عكس النهج التقليدية التي تنظر فقط إلى الروابط الثنائية، يأخذ هذا التصميم في الاعتبار أيضًا التجمعات ذات الرتبة الأعلى، مثل مجموعات البطاقات والتجار الذين يتفاعلون بشكل متكرر بطرق غير عادية، ما يمكن أن يشير إلى عصابات احتيال منظمة. يساعد آلية الانتباه النموذج على التركيز على الاتصالات الأكثر دلالة، مما يتيح له كشف أنماط دقيقة متعددة الأطراف قد تفلت من القواعد البسيطة أو الشبكات العصبية التقليدية.

ضبط النظام من أجل السرعة والموثوقية

بعد تعلم هذه الأنماط المعقدة، لا يزال يتعين ضبط إعدادات النموذج الداخلية بعناية ليقع في أقل عدد ممكن من الأخطاء. لتحقيق ذلك، يستخدم الباحثون طريقة أخرى مستوحاة من الطبيعة بناءً على كيفية ذوبان الثلج وانزلاقه عن الجبال. يبحث هذا المخطط الأمثل عن مجموعات من أوزان النموذج ترفع الدقة وتبقي النظام خفيفًا وسريعًا في آن واحد. عند الاختبار على مجموعة بيانات أوروبية مستخدمة على نطاق واسع لبطاقات الائتمان تضم ما يقرب من 285,000 معاملة حقيقية، منها أقل من 500 احتيال مؤكَّد، حقق خط الأنابيب الكامل نحو 99.5% دقة، مع درجات عالية مماثلة في كشف الاحتيال وتجنب الإنذارات الكاذبة. كما أنتج قرارات في أجزاء من الثانية، ما يجعله مناسبًا للحظر الفوري للمدفوعات الخطرة.

ماذا يعني هذا للمستخدمين اليوميين

ببساطة، تُظهر الدراسة أن معاملة بيانات الدفع كشبكة مترابطة، وتنقيتها بعناية، واختيار الإشارات الأكثر فائدة، ثم ضبط نموذج شبكي قوي بعناية يمكن أن يوفر كشف احتيال شبه مثالي في ظروف واقعية. بالنسبة لحاملي البطاقات، يترجم ذلك إلى رفضات أقل للعمليات المشروعة وحماية أقوى من السرقة. بالنسبة للبنوك ومنصات الدفع، يقدم إطارًا قابلًا للتوسع وسريعًا ومثبتًا إحصائيًا يمكنه التكيف مع استراتيجيات احتيال جديدة مع الحفاظ على تكاليف حوسبة معقولة. ومع إضافة إصدارات مستقبلية مزيدًا من الشفافية ومسارات التدقيق، قد تصبح نهج كهذه تقنية أساسية للحفاظ على أمان الأموال الرقمية في عالم يزداد انعدام النقدية.

الاستشهاد: Ramoju, V.C.S., Biswal, S., Kotecha, K. et al. Coupled modular simplicial graph neural network with snow ablation optimization for real-time fraud detection in payment systems. Sci Rep 16, 9278 (2026). https://doi.org/10.1038/s41598-026-40226-x

الكلمات المفتاحية: كشف احتيال بطاقات الائتمان, الشبكات العصبية البيانية, المدفوعات الفورية, الأمن السيبراني المالي, نماذج التعلم الآلي