Применение PageRank в банках для борьбы с мошенничеством

[Cloned Boy]

Образовательный разбор алгоритма и реальных кейсов.

1. Что такое PageRank?​

Алгоритм PageRank, разработанный Google для ранжирования веб-страниц, в банках адаптирован для оценки "важности" и рискованности сущностей (карт, аккаунтов, IP).

Ключевая идея:

Чем больше "входящих связей" (транзакций, ассоциаций) у объекта, тем выше его "вес" в системе.

2. Как банки используют PageRank?​

2.1. Выявление ключевых узлов мошенничества​

Пример графа:
Диаграмма:

graph LR
A[Карта 111] -->|Перевод $500| B[Аккаунт X]
C[Карта 222] -->|Перевод $500| B
D[Карта 333] -->|Перевод $500| B
B -->|Обналичивание| E[Криптобиржа Y]

Анализ:

• Аккаунт X получает деньги с множества карт → высокий PageRank → помечается как "мул" (money mule).
• Криптобиржа Y — конечная точка обналичивания → тоже высокий риск.

2.2. Ранжирование подозрительных BIN/карт​

• Связи: Карта используется в 50+ аккаунтах → её PageRank растет.
• Действие: Банк блокирует карту и проверяет связанные аккаунты.

Формула PageRank (упрощённо):

PR(A) = (1-d) + d * (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn))

Где:

• PR(A) — вес объекта А (например, карты).
• T1...Tn — объекты, связанные с А.
• C(Ti) — количество исходящих связей у Ti.
• d — коэффициент затухания (~0.85).

3. Реальные кейсы в банках​

Кейс 1. Обнаружение "бот-сетей"​

• Данные: 1000 аккаунтов регистрируются с одного IP.
• Граф: Связь IP → Аккаунты.
• PageRank: IP получает максимальный вес → блокировка всей сети.

Кейс 2. Поиск организаторов фрода​

• Данные: Деньги с жертв поступают на 10 карт, затем объединяются на одной.
• PageRank: Итоговый аккаунт имеет высший вес → приоритет для расследования.

4. Техническая реализация​

4.1. Инструменты​

• Neo4j (графовая БД):
  cypher:
  

  MATCH (c:Card)-[r:USED_BY]->(a:Account)
  RETURN c.number, pagerank(a) AS risk_score
  ORDER BY risk_score DESC

• Apache Spark GraphX: Для Big Data.

4.2. Код на Python (NetworkX)​

import networkx as nx

# Создаём граф транзакций
G = nx.DiGraph()
G.add_edges_from([
("Карта 1", "Аккаунт A"),
("Карта 2", "Аккаунт A"),
("Аккаунт A", "Криптобиржа X")
])

# Считаем PageRank
pagerank = nx.pagerank(G, alpha=0.85)
print(pagerank)

Вывод:

{'Карта 1': 0.2, 'Карта 2': 0.2, 'Аккаунт A': 0.5, 'Криптобиржа X': 0.1}

→ Аккаунт A самый рискованный.

5. Ограничения и улучшения​

• Проблема: Ложные срабатывания (например, общий IP в коворкинге).
• Решение:
  • Комбинация с ML-моделями (анализ поведения).
  • Временные графы: Учёт "возраста" связей (новые связи рискованнее).

6. Где изучить глубже?​

1. Документация:
   • Neo4j Graph Algorithms
   • Apache Spark GraphX
2. Курсы:
   • "Graph Analytics for Financial Services" (Coursera).
3. Исследования:
   • Статьи IEEE о применении PageRank в фрод-детекшн.

Итог​

PageRank в банках — это:
Ранжирование риска карт, аккаунтов и IP.
Поиск центральных узлов в мошеннических схемах.
Инструмент для расследований (связь "жертва → мул → обналичивание").

Пример запроса для анализа:

"Показать 10 карт с самым высоким PageRank за последний месяц, получивших переводы от 50+ аккаунтов".

Хотите разобрать как сочетать PageRank с машинным обучением? Или примеры из практики? Спрашивайте!