Desarrollo de un método para detección de fraudes de pagos en línea utilizando aprendizaje automático

Abstract

Durante el transcurso del tiempo el fraude ha ido evolucionando, el avance de las tecnologías ha provocado que el mundo cambie drásticamente y con ello los estafadores han innovado en sus técnicas y formas de fraude. Los pagos en línea han adquirido popularidad, siendo una de las más usadas en la actualidad, por lo que a los delincuentes le ha abierto nuevas formas de fraude. Uno de los problemas más grandes que existen en la industria del comercio electrónico es el fraude de pagos en línea, dada la fluctuación de tráfico de personas realizando compras y el desconocimiento existente en este tipo de casos. La detección de estos fraudes, es una ardua tarea para los ingenieros de seguridad informática, debido a la falta de datos de la vida real, los datos con distribución sesgada, y a las transacciones legítimas que se ven exactamente igual a transacciones fraudulentas. Por lo expuesto, se optó por desarrollar un método aplicando Decision Tree y Support Vector Machines para mejorar los niveles de eficiencia buscando detectar los fraudes de pagos en línea, puesto que, los modelos de fraudes evolucionan y se deben implementar formas que puedan afrontar este problema. En esa línea, se consideró complementariamente un aspecto comparativo que ayude a determinar si existe un alto o bajo grado de eficiencia, con la misma data, pero usando otros algoritmos como: Random Forest, Naive Bayes y Logistic Regression. Donde se concluyó que la inclusión del objeto svc dentro del algoritmo DT, permite una mayor correlación en sus variables, así obtuvo una precisión de 99,42%; exhaustividad de 98,73%; consumo de cpu de 24,3%, pero con una diferencia de tiempo de respuesta de 3s frente a Random Forest. En mención al consumo de memoria, se optimizó la combinación de los algoritmos trabajando con parámetros direccionales.