مروری بر روش های هوشمند داده‌کاوی جهت مبارزه با پول‌شویی و استقرار حاکمیت داده در شبکه بانکی

الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

هدایت علیمرادی دوکوهی ¹ , عرفانه نوروزی ²

1 - گروه مهندسی کامپیوتر، واحدقشم، دانشگاه آزاد اسلامی،قشم،ایران
2 - گروه مهندسی کامپیوتر، واحدقشم، دانشگاه آزاد اسلامی،قشم،ایران

تاريخ الإرسال : 24 الأربعاء , ربيع الثاني, 1445 تاريخ التأكيد : 18 الخميس , جمادى الثانية, 1446 تاريخ الإصدار : 20 السبت , جمادى الثانية, 1446

الکلمات المفتاحية: مبارزه با پولشویی, داده&rlm, کاوی, حاکمیت داده, تراکنش&rlm, &rlm, های بانکی, یادگیری ماشین,

ملخص المقالة :

با رشد خدمات الکترونیک در حوزه مالی و قدرت گرفتن درگاه‌های پرداخت غیر حضوری در دنیا، روش ‎های مبارزه با پول شویی نیز رشد چشم گیری داشته است، به نحوی که امروزه با نرم افزار های هوشمند، ردگیری تراکنش های رمز ارزها نیز امکان پذیر می‌باشد. حاکمیت داده جامع یکی از روشهای سرعت بخشیدن به فرآیند مبارزه با پول شویی در شبکه بانکی است. در این مقاله برخی از چالش‌های پیاده سازی حاکمیت داده و داده کاوی در شبکه بانکی بمنظور مبارزه با پولشویی و همچنین روش‌های یادگیری ماشین بانظارت، یادگیری ماشین بدون نظارت و روش های پیشرفته هوش مصنوعی یادگیری ماشین و کاستی های روش‌های موجود و پیشنهاداتی برای پژوهشگران ارائه خواهد شد. از آنجایی که پولشویی همچنان یک مشکل رایج در اقتصاد جهانی امروزی است، دولت ها در سراسر جهان اقدامات سخت گیرانه ای برای جلوگیری از جرایم مالی اجرا مینمایند. این موضوع تقاضای فزاینده‌ای برای سیستم‌های ضد پولشویی در صنایع مختلف از جمله بانکداری، بورس ، بیمه ، خدمات مالی و بازار سرمایه ایجاد کرده است.

المصادر:



[1] Le-Khac, N. A., Markos, S., O'Neill, M., Brabazon, A., & Kechadi, T. (2016). An efficient search tool for an anti-money laundering application of a multi-national bank's dataset. arXiv preprint arXiv:1609.02031.
[2] Soltani, R., Nguyen, U. T., Yang, Y., Faghani, M., Yagoub, A., & An, A. (2016, October). A new algorithm for money laundering detection based on structural similarity. In 2016 IEEE 7th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON) (pp. 1-7). IEEE. ‏
[3] Salehi, A., Ghazanfari, M., & Fathian, M. (2017). Data mining techniques for anti money laundering. International Journal of Applied Engineering Research, 12(20), 10084-10094.
[4] Kou, Y., Lu, C. T., Sirwongwattana, S., & Huang, Y. P. (2004, March). Survey of fraud detection techniques. In IEEE International Conference on Networking, Sensing and Control, 2004 (Vol. 2, pp. 749-754). IEEE. ‏
[5] Huang, J. Y. (2015). Effectiveness of US anti-money laundering regulations and HSBC case study. Journal of Money Laundering Control, 18(4), 525-532. ‏
[6] Gao, S., Xu, D., Wang, H., & Green, P. (2009). Knowledge‐based anti‐money laundering: a software agent bank application. Journal of Knowledge Management. ‏
[7] Verhage, A. (2008). Between the hammer and the anvil? The anti-money laundering-complex and its interactions with the compliance industry. Crime, Law and Social Change, 52, 9-32.
[8] Mohammed, H. N., Malami, N. S., Thomas, S., Aiyelabegan, F. A., Imam, F. A., & Ginsau, H. H. (2022, April). Machine Learning Approach to Anti-Money Laundering: A Review. In 2022 IEEE Nigeria 4th International Conference on Disruptive Technologies for Sustainable Development (NIGERCON) (pp. 1-5). IEEE.
[9] Kute, D. V., Pradhan, B., Shukla, N., & Alamri, A. (2021). Deep learning and explainable artificial intelligence techniques applied for detecting money laundering–a critical review. IEEE Access, 9, 82300-82317.
[10] Goecks, L. S., Korzenowski, A. L., Gonçalves Terra Neto, P., de Souza, D. L., & Mareth, T. (2022). Anti‐money laundering and financial fraud detection: A systematic literature review. Intelligent Systems in Accounting, Finance and Management, 29(2), 71-85. ‏
[11] Lin, C. Y., Liao, H. K., & Tsai, F. C. (2022). A Systematic Review of Detecting Illicit Bitcoin Transactions. Procedia Computer Science, 207, 3217-3225. ‏
[12] Han, J., Huang, Y., Liu, S., & Towey, K. (2020). Artificial intelligence for anti-money laundering: a review and extension. Digital Finance, 2(3-4), 211-239. ‏
[13] Drezewski, R., Sepielak, J., & Filipkowski, W. (2015). The application of social network analysis algorithms in a system supporting money laundering detection. Information Scienece, 295, 18–32.
[14] Senator, T. E., Goldberg, H. G., Wooton, J., Cottini, M. A., Khan, A. U., Klinger, C. D., ... & Wong, R. W. (1995). Financial crimes enforcement network AI system (FAIS) identifying potential money laundering from reports of large cash transactions. AI magazine, 16(4), 21-21. ‏
[15] Goldberg, H. G., & Wong, R. W. (1998, October). Restructuring transactional data for link analysis in the FinCEN AI system. In AAAI Fall Symposium (pp. 38-46). ‏
[16] Lopez-Rojas, E. A., & Axelsson, S. (2012). Money laundering detection using synthetic data. In Annual workshop of the Swedish Artificial Intelligence Society (SAIS). Linköping University Electronic Press, Linköpings universitet.
[17] Zhang, Z., Salerno, J. J., & Yu, P. S. (2003, August). Applying data mining in investigating money laundering crimes. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 747-752).‏
[18] Kannan, S., & Somasundaram, K. (2017). Autoregressive-based outlier algorithm to detect money laundering activities. Journal of Money Laundering Control, 20(2), 190–202.
[19] Tang, J., & Yin, J. (2005, August). Developing an intelligent data discriminating system of anti-money laundering based on SVM. In 2005 International conference on machine learning and cybernetics (Vol. 6, pp. 3453-3457). IEEE. ‏
[20] Lopez-Rojas, E. A., & Axelsson, S. (2012). Multi agent based simulation (mabs) of financial transactions for anti money laundering (aml). In Nordic Conference on Secure IT Systems. Blekinge Institute of Technology.
[21] Weber, M., Chen, J., Suzumura, T., Pareja, A., Ma, T., Kanezashi, H., Kaler, T., Leiserson, C.E., & Schardl, T.B. (2018). Scalable graph learning for anti-money laundering: a first look. arXiv:1812.00076.
[22] Alkhalili, M., Qutqut, M. H., & Almasalha, F. (2021). Investigation of applying machine learning for watch-list filtering in anti-money laundering. IEEE Access, 9, 18481-18496. ‏
[23] Martínez-Sánchez, J. F., Cruz-García, S., & Venegas-Martínez, F. (2020). Money laundering control in Mexico: a risk management approach through regression trees (data mining). Journal of Money Laundering Control. ‏
[24] Hu, Y., Seneviratne, S., Thilakarathna, K., Fukuda, K., & Seneviratne, A. (2019). Characterizing and detecting money laundering activities on the bitcoin network. arXiv preprint arXiv:1912.12060. ‏
[25] Shokry, A. M., Rizka, M. A., & Labib, N. M. (2020). Counter terrorism finance by detecting money laundering hidden networks using unsupervised machine learning algorithm. In International Conferences ICT, Society, and Human Beings. ‏
[26] Li, X., Liu, S., Li, Z., Han, X., Shi, C., Hooi, B., ... & Cheng, X. (2020, April). Flowscope: Spotting money laundering based on graphs. In Proceedings of the AAAI conference on artificial intelligence (Vol. 34, No. 04, pp. 4731-4738). ‏
[27] Bazargani, M & Homayounpour, Z. (2020). Presenting a novel method based on collaborative filtering for nearest neighbor detection in recommender systems. Intelligent Multimedia Processing and Communication Systems (IMPCS).1(1),55-64.
[28] Shahnavaz, A., Afzali, Mehdi & Rahimzadeh, s. (2020). A new approach for data cleaning to improve quality of data warehouse. Intelligent Multimedia Processing and Communication Systems (IMPCS).1(2),33-41.
[29] Youssef, B., Bouchra, F., & Brahim, O. (2023). State of the Art Literature on Anti-Money Laundering Using Machine Learning and Deep Learning Techniques. In The International Conference on Artificial Intelligence and Computer Vision (pp. 77-90).
Segovia-Vargas, M. J. (2021). Money laundering and terrorism financing detection using neural networks and an abnormality indicator. Expert Systems with Applications, 169, 114470