Képek: Flickr, Ccnull.de
Az Egyesült Nemzetek Drogok és Bűnözés Hivatalának becslése alapján a globális GDP kettő-öt százalékát, kb. 632 milliárd és 1,5 billió dollár közötti pénzt évente átmosnak.
A pénzmosás komoly globális kihívás, gyorsabb és hatékonyabb detektálása fontos lépés, mert visszaadhatja a pénzügyi intézményekkel és az egész rendszerrel szemben megrendült bizalmat.
A pénzmosás technikái
A jelenlegi pénzmosás-felderítési módszerek vagy szabály-, vagy gépitanulás-alapúak. Automatizált pénzmosás-észlelési riasztásokat foglalnak magukban, amelyek gyanús tranzakcióknál lépnek működésbe tevékenységek előre meghatározott vonala mentén. Nem mindig hatékonyak, lassúak is bűncselekmények, különösen a pénzmosás felderítésére.
Mindkét módszerhez szakterületi ismeretek kellenek. Egy banknak a múltban sikeresen ki kellett védenie támadásokat, és e tapasztalatokat későbbi támadások elhárítására használták. Ha egy újszerű vagy kifejlődő pénzmosási módszerekkel foglalkozó szervezet nem rendelkezik ezekkel az adatokkal, már nem is lehet elég pontos.
A King’s College London kutatói gyorsabb és a másik kettőnél háromszor pontosabb, másodpercenkénti legalább ötvenmillió tranzakciót leszkennelő felderítő technikát találtak ki. A módszer teljesen új. Olyan algoritmusokon alapul, amelyek gyorsan felismerik, ha bűnözők komoly összegeket osztanak fel több bankszámla közötti kisebb tranzakciókra.
Csomópontok, gráf, nyílt forráskód
Az algoritmus több bankszámláról származó adatokon fut. A számlákat nagy és komplex gráf csomópontjai képviselik, míg a szoftvert a gráf azon részeire összpontosít, ahol a legtöbb gyanús tevékenységet észleli. Ha például egymillió font lerakatot észlel, még akkor is meg tudja figyelni, hogy a pénzt hova utalják, ha több, különböző számla között oszlik meg.
Az új technika automatizáltabb, gyorsabban elemzi az adatokat, de a kutatók még pontosabbá és gyorsabbá igyekeznek tenni. A szoftver nyílt forráskódú, ingyen hozzáférhető. Mivel a hagyományos módszereknél sokkal nagyobb adatmennyiséggel használható, időben is képes nagymennyiségű adatelemzésre.
A megközelítést meg nem nevezett cseh bank adataival és fiktív eseteken tesztelték. Mindig sikerrel járt, észrevette a tranzakciók összes gyanús mintázatait.
Fejlesztői szerint az eszközt pénzügyi csalások észlelésén túl máshol, például marketing kampányok optimalizálásához is használható.
