Detenga el fraude complejo con Neo4j

Detenga el fraude
complejo con Neo4j

github.com/maxdemarzi
About 200 public repositories
Max De Marzi
Neo4j Field Engineer
Sobre
Mi !
01
02
03
04
maxdemarzi.com
@maxdemarzi
About 160 blog posts

¿Quiénes son los estafadores
de hoy?

Organizado en grupos
Identidades Sintéticas Identidades Robadas
Dispositivos secuestrados
¿Quiénes son los estafadores
de hoy?

Tipos de fraude
• Fraude de Tarjeta de Credito
• Fraude de Comerciantes
• Anillos de Fraude
• Fraude de Seguro
• Fraude de Comercio Electrónico
• Fraude que aún no conocemos…

“No considere la tecnología
tradicional adecuada para
mantenerse al día con las
tendencias criminales.”
Market Guide for Online Fraud Detection, April 27, 2015

Detenga el fraude complejo con Neo4j

Análisis del
comportamiento de
navegación y patrones
sospechosos.
Centrado en el
Dispositivo
Análisis de los usuarios
y sus dispositivos
1.
Centrado en la
Navegación
2.
Centric en la
Identidad
Análisis del
comportamiento de
anomalías por canal.
3.
Computadora,
Teléfonos Móviles
Direcciones IP
y ID del
Usuario
Transacción Comparativa
Verificación de Identidad
Métodos Tradicionales de  
Detección de Fraude

Incapaz de detectar:
• Anillos de Fraude
• Direcciones IP falsas
• Dispositivos
secuestrados
• Identidades Sintéticas
• Identidades Robadas
• Y más…
Debilidades
ANÁLISIS DISCRETO
Métodos Tradicionales de  
Detección de Fraude
Centrado en el
Dispositivo
y sus dispositivos
1.
Centrado en la
Navegación
Análisis del
comportamiento de
sospechosos.
2.
Centric en la
Identidad
Análisis del
comportamiento de
3.

ANÁLISIS CONECTADOANÁLISIS DISCRETO
Entre Canales
Análisis del
comportamiento de
anomalías
correlacionado entre
canales.
4.
Enlace de
Entidades
Análisis de las
relaciones para detectar
el crimen organizado y
la colusión.
5.
Detección de Fraude Aumentada
Centrado en el
Dispositivo
y sus dispositivos
1.
Centrado en la
Navegación
Análisis del
comportamiento de
sospechosos.
2.
Centric en la
Identidad
Análisis del
comportamiento de
3.

INVESTIGAR
Deuda Rotatoria
Numero de Cuentas
INVESTIGAR
Comportamiento Normal
Detección de Fraude con  
Análisis Discreto

Deuda Rotatoria
Numero de Cuentas
Comportamiento Normal
Patrón Fraudulento
Detección de fraude con  
Análisis Conectado

Detección de fraude con Graphos

Patrones de Subgrapho
Ni: numero de vecinos de un nodo
Ei: numero de relaciones en un subgrapho
Wi: “peso” total the una subgrapho
λw,i: mayor variabilidad de los "pesos" de
un subgrafo

Power Law Densidad
slope=2
slope=1
slope=1.35

Power Law Variabilidad de Peso

•Inﬂuencia
•Poder
•Posición Social
•Control
•Independencia
•Información
¿Qué nodos son importantes?
Famoso en el Grapho

•PageRank
•ArticleRank
•Betweenness Centrality
•Closeness Centrality
•Eigenvector Centrality
•Degree Centrality
•Harmonic Centrality
Centralidad

Agregue funciones gráﬁcas a sus modelos
de detección de fraude existentes
Account ID Community
Size
Degree PageRank
1 31 15 10.7
3 4 12 3.4
5 98 9 11.2
•Inﬂuencia
•Relaciones
•Comunidades

Vamos a crear algunos usuarios
CREATE (john:User {name:"John"}) 
CREATE (sheila:User {name:"Sheila"}) 
CREATE (karen:User {name:"Karen"})

Sheila
Modelando un anillo de fraude como
un gráﬁco
John
Karen

John tiene algunas cuentas
CREATE (cc1:Card {number:"4012888888881881", balance: 493.23})
CREATE (ba1:Account {number:"85474584", balance:1322.30, type:”Checking"})
CREATE (us1:Loan {number:"63493639", balance:5000.00, type:"Loan”})
CREATE (john)-[:HAS_ACCOUNT]->(cc1)
CREATE (john)-[:HAS_ACCOUNT]->(ba1)
CREATE (john)-[:HAS_ACCOUNT]->(us1)

Sheila también tiene un número de
identiﬁcación
CREATE (ba2:Account {number:"25384738", balance:2983.99, type:"Checking"})
CREATE (ssn2:Identification {number:"000-42-4329", type:”SSN"})
CREATE (sheila)-[:HAS_ACCOUNT]->(ba2)
CREATE (sheila)-[:HAS_ACCOUNT]->(cc2)
CREATE (sheila)-[:HAS_ID]->(ssn2)

Karen tiene un número de teléfono
CREATE (us2:Loan {number:"28372342", balance:5000.00, type:"Loan"})
CREATE (phone2:Phone {number:”312-606-0842"})
CREATE (karen)-[:HAS_ACCOUNT]->(ba3)
CREATE (karen)-[:HAS_ACCOUNT]->(us2)
CREATE (karen)-[:HAS_PHONE]->(phone2)

Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Nada sospechoso todavía
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES

John y Sheila están compartiendo un
número de teléfono
CREATE (phone1:Phone {number:"312-876-5309"})
CREATE (john)-[:HAS_PHONE]->(phone1)
CREATE (sheila)-[:HAS_PHONE]->(phone1)

John y Karen comparten un número
de identiﬁcación
CREATE (ssn1:Identification {number:"000-91-7434", type:"SSN"})
CREATE (john)-[:HAS_ID]->(ssn1)
CREATE (karen)-[:HAS_ID]->(ssn1)

Todos comparten la misma dirección
CREATE (ad:Address {line1:"175 N. Harbor Drive",
city:"Chicago", state:"IL", zip:”60601"})
CREATE (john)-[:HAS_ADDRESS]->(ad)
CREATE (karen)-[:HAS_ADDRESS]->(ad)
CREATE (sheila)-[:HAS_ADDRESS]->(ad)

Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Comenzando a conectar los puntos ...
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
DIRECCION
NÚMERO
DE
TELÉFONO
SSN 1

Agreguemos a Robert
CREATE (robert:User {name:"Robert"})
CREATE (robert)-[:HAS_ACCOUNT]->(ba4)
CREATE (robert)-[:HAS_ACCOUNT]->(cc3)

• Triangle Count
• Clustering Coefficients
• Connected Components (Union Find)
• Strongly Connected Components
• Label Propagation
• Louvain Modularity
• Balanced Triad (identification)
Community
Detection
• Degree Centrality
• Closeness Centrality
• CC Variations: Harmonic, Dangalchev,
Wasserman & Faust
• Betweenness Centrality
• Approximate Betweenness Centrality
• PageRank
• Personalized PageRank
• ArticleRank
• Eigenvector Centrality
• Euclidean Distance
• Cosine Similarity
• Jaccard Similarity
• Overlap Similarity
• Pearson Similarity
Centrality /
Importance
Similarity
Link
Prediction
• Adamic Adar
• Common Neighbors
• Preferential Attachment
• Resource Allocations
• Same Community
• Total Neighbors
Algoritmos Gráﬁcos

Algoritmo de graﬁco
Union Find
Encuentra conjuntos donde todos los nodos
pueden llegar a todos los demás nodos
•Detección de fraude
•Deduplicación
•Resolución de la entidad
Consulte la publicación del blog
“The Real Property Graph”

Algoritmo de graﬁco
Union Find
CALL algo.unionFind.stream(
  'MATCH (p:User) RETURN id(p) as id',
  'MATCH (p1:User)-->()<--(p2:User)
   RETURN id(p1) as source, id(p2) as target',
  {graph:'cypher'}
) YIELD nodeId, setId
RETURN algo.asNode(nodeId).name AS user, setId

Algoritmo de graﬁco Union Find

Componentes Conectados
Conjunto
3
Conjunto
0

Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Supongamos que no son tan estúpidos
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES

Llamaron desde el mismo número
MATCH (john:User {name:"John"}),
(sheila:User {name:"Sheila"})
CREATE (ani:ANI {number:"312-666-1234"})
CREATE (ani)-[:CALLED]->(john)
CREATE (ani)-[:CALLED]->(sheila)

Ingresaron usando el mismo
navegador
MATCH (john:User {name:”John"}),
(robert:User {name:”Robert"})
CREATE (fg:Browser {fingerprint:”asdf7373jsdf3rw"})
CREATE (fg)-[:ACCESSED]->(john)
CREATE (fg)-[:ACCESSED]->(robert)

Sheila
John
Robert
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Conectados por sus "conexiones"
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
BROWSER
ANI
NUMBER

Algoritmo de graﬁco Union Find otra vez
CALL algo.unionFind.stream(
  'MATCH (p1:User)<-[:ACCESSED]-()-[:ACCESSED]->(p2:User)
  {graph:'cypher'}
) YIELD nodeId, setId
RETURN algo.asNode(nodeId).name AS user, setId

Componentes Conectados
Conjunto 0
Conjunto 2

Almacene los resultados de Union Find
CALL algo.unionFind(
  'MATCH (p1:User)--()--(p2:User)
  {graph:'cypher'}
) YIELD setCount

Veamos estas particiones
MATCH (n:User)
RETURN n.partition, COUNT(*) AS members,
COLLECT(n.name) AS names
ORDER BY members DESC

Nuestros estafadores están todos
conectados

De un Cajero
Automático
Violaciones de Datos Sofisticadas
Recopilación de información de Tarjeta de Crédito
Comerciante
Fraudulento

UTILIZA
EMITE
Terminal
ATM Violacíon de
Datos
Titular de la tarjeta
Banco
Estafador
UTILIZA $5HACE
$1
0
HACE
$2
HACE
HACE $4000
CON
Pruebas
Comerciantes
CON
HACE Tx

Transacciones con tarjeta de crédito como
un gráﬁco
CREATE (john:User {name:"John"})
CREATE (m1:Merchant {name:"Computer Store"})
CREATE (m2:Merchant {name:"Gas Station"})
CREATE (m3:Merchant {name:"Jewelry Store"})
CREATE (m4:Merchant {name:"Furniture Store"})
CREATE (tx1:Transaction:Fraudulent {amount: 2000.00, date:datetime()})
CREATE (tx2:Transaction {amount: 35.00, date:datetime() - duration('P1D')})
CREATE (tx1)-[:AT_MERCHANT]->(m1)

CREATE (john)-[:MAKES]->(tx1)
un gráﬁco

// The last week of John's transactions
MATCH p = (n:User {name:"John"})-[:MAKES]->(tx)
WHERE tx.date > datetime() - duration('P7D')
RETURN p
Transacciones de John la semana pasada

una lista
MATCH (u:User)
WHERE SIZE((u)-[:PREV_TX]->()) = 0 AND SIZE((u)-[:MAKES]->()) > 0
WITH u
LIMIT 100
MATCH (u)-[r:MAKES]->(tx)
WITH u, tx ORDER BY tx.date DESC
WITH u, COLLECT(tx) AS transactions, HEAD(COLLECT(tx)) AS last
CREATE (u)-[:PREV_TX]->(last)
FOREACH (n IN RANGE(0, SIZE(transactions)-2) |
FOREACH (next IN [transactions[n]] |
FOREACH (prev IN [transactions[n+1]] |
CREATE (next)-[:PREV_TX]->(prev)
)))

// The last week of John's transactions
MATCH p = (n:User {name:"John"})-[:PREV_TX*]->(tx)
WHERE NONE (tx IN tail(nodes(p))
WHERE tx.date <= datetime() - duration('P7D'))
RETURN p

TxTx Tx TxTx Tx Tx TxTxTx TxJuan

Tx
$20000
TxTx Tx Tx TxTxTxTx Tx Tx
Tienda
Computad
Juan

Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan

Siguiendo los pasos en la arena
// All the transactions marked fraudulent in the last week
// and the transactions that came before them
// up to two weeks ago.
MATCH p = (fraud:Fraudulent)-[:PREV_TX*]->(tx)
WHERE fraud.date > datetime() - duration('P7D')
AND NONE (tx IN tail(nodes(p))
RETURN p

Siguiendo los pasos en la arena

Tx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Maria
$20
TxTx TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30

Tx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Maria
$20
TxTx TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
Roberto TxTxTx Tx TxTx TxTxTx Tx Tx

TxTx
$20
TxTx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
María
Roberto
$30
Sofía
TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
TxTxTx Tx Tx TxTx TxTx
TxTx TxTx Tx Tx TxTx
$80 $120
Tx
$50000
Tienda de
Muebles
Tx Tx Tx

Encuentra a los comerciantes sospechosos
// Top 5 common merchants from fraudulent transaction chains
up to two weeks ago.
MATCH p = (fraud:Fraudulent)-[:PREV_TX*]->(tx)
WHERE fraud.date > datetime() - duration('P7D')
AND NONE (tx IN tail(nodes(p))
WITH nodes(p) AS transactions
UNWIND transactions AS tx
WITH DISTINCT tx
MATCH (tx)-[:AT_MERCHANT]->(merchant)
RETURN merchant.name, COUNT(*) AS txCount
ORDER BY txCount DESC
LIMIT 5

Encuentra a los comerciantes sospechosos

TxTx
$20
TxTx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Gasolinera
María
Roberto
$30
Sofía
TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
TxTxTx Tx Tx TxTx TxTx
TxTx TxTx Tx Tx TxTx
$80 $120
Tx
$50000
Tienda de
Muebles
Tx Tx Tx

Cómo Neo4j encaja en su Arquitectura

Transferencia
de Dinero
Compras Servicios
Bancarios Base de Datos
Relacional
Desarrollar Patrones
Equipo de Ciencia de Datos
+ Bueno para análisis discreto
– Sin visión holística de las relaciones de datos
– Velocidad de consulta lenta para conexiones

Transferencia
de Dinero
Compras Servicios
Bancarios Base de Datos
Relacional
Lago de
Datos
+ Bueno para “Map Reduce”
+ Bueno para cargas de trabajo analíticas
– Sin visión holística
– Cargas de trabajo no operacionales
– Procesos de semanas a meses
Datos del
comerciante
Datos
de
Crédito
Otra
Información

Transferencia
de Dinero
Compras Servicios
Bancarios
Tiempo Real
Neo4j
Cluster
DETECTAR
Flujo de Transacciones
RESPONDER
Alertas y
Notificaciones
CARGAR DATOS RELEVANTES
Base de Datos
Relacional
Lago de
Datos
Visualización
Patrones de Ajuste
Fino
Datos del
comerciante
Datos
de
Crédito
Otra
Información

Transferencia
de Dinero
Compras Servicios
Bancarios
Tiempo Real
Neo4j
Cluster
DETECTAR
Flujo de Transacciones
RESPONDER
Alertas y
Notificaciones
CARGAR DATOS RELEVANTES
Base de Datos
Relacional
Lago de
Datos
Visualización
Patrones de Ajuste
Fino
Datos del
comerciante
Datos
de
Crédito
Otra
Información
Conjunto de
datos
utilizado para
explorar
nuevas ideas

Nosotros hablamos acerca de…
Los Estafadores de Hoy
Ejemplos:
Anillos de fraude
Prueba de Tarjeta de Crédito
Origen del Fraude
Cómo Neo4j encaja en una Arquitectura

Detectar y prevenir fraudes en tiempo real
Análisis y transacciones de riesgo
crediticio más rápidos
Reduce las devoluciones de cargo
Adaptarse rápidamente a nuevos métodos
de fraude
¿Por qué Neo4j? ¿Quién lo está usando?
Las Instituciones Financieras usan Neo4j para:
FINANCE
Empresas de
Tarjetas de Crédito
Comerciantes

No realmente, ¿por qué Neo4j?

Registros de tamaño fijo en
dos formaciones
“Uniones” desde la creación
A través de esta estructura
de datos
Acceso directo en lugar de
búsquedas1
2
3
4
La Receta Secreta de Neo4j
Saltamos de la colección de nodos a la
colección de relaciones y otra vez a nodos

Particiones
Las relaciones de
cada nodo están
divididas por tipo
y dirección.

¡Recursos Valiosos!
neo4jsandbox.com https://neo4j.com/use-cases/fraud-detection/ neo4j.com/product
Sandbox Detección de Fraude Producto

Detenga el fraude complejo con Neo4j

Más contenido relacionado

Más de Max De Marzi (20)

Último (20)

Detenga el fraude complejo con Neo4j