ANUBIS: geAligneerde oNline en multilevel gebrUiker en entiteit geBruik gegevensanalyse voor Intelligente Systeembescherming (FWOAL957)

Fraude vormt een ernstige bedreiging voor de digitale economie. Een organisatie verliest naar schatting 5% van zijn inkomsten ten gevolge van fraude, welke moeilijk te stoppen is wegens het dynamische, systeemafhankelijke en organisatie-specifieke karakter. Krachtige en intelligente fraudedetectiesystemen om fraude tijdig te detecteren, te voorkomen en de bijhorende verliezen te beperken zijn daarom van cruciaal belang. Gebruiker en entiteit gedragsanalyses profileren de activiteit van gebruikers, hun peer-groups en apparaten, applicaties en netwerken, met als doel afwijkende patronen te detecteren die indicatief zijn voor beveiligingsbedreigingen zoals fraude. In dit onderzoeksproject zullen we de aanpassings- en detectiekracht van gebruiker en entiteit gedragsanalyses verbeteren door de doelfunctie van de verschillende machine learning technieken rekening te laten houden met de doelstelling van het bedrijf (i.e., fraudeverliezen minimaliseren). Hiertoe zullen we profit-driven analytics en cost- sensitive ensemble learning methodes bestuderen, implementeren, aanpassen en ontwerpen. Daarnaast zullen we de voorgestelde technieken uitbreiden zodat ze geschikt zijn voor online en multilevel learning van streaming data uit verschillende systemen en toepassingen. De ontwikkelde benaderingen zullen empirisch worden geëvalueerd op beschikbare datasets en uitgebreid vergeleken worden met state-of-the-art alternatieven.

Trefwoorden:Business Analytics, Fraud detection, robust statistics

Disciplines:Dataverzameling en data estimation methodologie, computerprogramma's, Econometrische en statistische methoden en methodologie, Mathematische en kwantitatieve methoden niet elders geclassificeerd, Mathematische methoden, programmeermodellen, mathematische en simulatiemodellering