Earticle

This paper aims at providing valuable insights on Financial Fraud Detection on a mobile money transactional activity. We have predicted and classified the transaction as normal or fraud with a small sample and massive data set using Azure and Spark ML, which are traditional systems and Big Data respectively. Experimenting with sample dataset in Azure, we found that the Decision Forest model is the most accurate to proceed in terms of the recall value. For the massive data set using Spark ML, it is found that the Random Forest classifier algorithm of the classification model proves to be the best algorithm. It is presented that the Spark cluster gets much faster to build and evaluate models as adding more servers to the cluster with the same accuracy, which proves that the large scale data set can be predictable using Big Data platform. Finally, we reached a recall score with 0.73, which implies a satisfying prediction quality in predicting fraudulent transactions.

데이터 마이닝 분야에서 앙상블 모형의 유용성은 널리 인정되고 있다. 앙상블을 구성하는 단위모형들 사이의 다양성이 보장되는 경우, 최종 모형의 정확성 및 안정성이 향상되기 때문이다. 하지만, 얼마나 많은 단위 모형들이 어떤 방식으로 결합되어야 하는가에 대해서는 아직도 더 많은 연구가 필요하다. 본 연구에서는 신용카드 부정사용 유형 중 하나인 현금불법융통 문제에 대해 앙상블 모형의 유용성을 검증하고자 한다. 부정행위 적발 모형은 전형적인 분류 문제의 한 유형이나, 클래스간 불균형이 매우 심하다는 특징이 있다. 따라서, 현금불법융통 문제에 적합한 다양성(Diversity) 척도를 개발하여 최소한의 단위모형들로 앙상블 모형을 구성하는 방안을 제시하였다. 축소된 앙상블 모형이 많은 수의 모형을 결합한 앙상블 모형과 거의 같은 정확성 및 안정성을 보임을 국내 신용카드사의 실제 자료를 사용하여 입증하였다.

본 논문에서는 투표의 본질적 속성인 4대 원칙을 기반으로 온라인투표시스템이 어떻게 신뢰를 구현할 수 있는지 기술적 관점에서 조망해 본다. 이는 오프라인투표가 온라인투표보다 더 안전하고 신뢰할 수 있다는 기존의 믿음을 투표 절차와 기술적 원리를 기반으로 정교하게 평가해 보려는 것이다. 많은 연구들이 온라인투표시스템을 위한 아이디어를 제시해왔지만 투표의 요구조건 관점에서 절차적으로 엄밀히 따져보지 않았고 또 현실적 수용의 측면에서 검증이 미진한 경우가 많았다. 이에 본 연구는 온라인투표시스템이 어떻게 투표라는 과정의 엄격한 요구조건을 충족시키고 있는지 현업에서 검증된 기술을 중심으로 분석해본다. 일반적 데이터 보안에 더하여 온라인투표는 데이터 위․변조 및 부정행위 방지와 검증을 위한 기술이 더 필요하다. 뿐만 아니라 외부자는 물론이고 관리자 및 시스템 자체에게도 투표데이터가 노출되면 안 되는 고도의 기밀성이 요구된다. 이를 위해 은닉서명, 비트위임, 키분할 등을 활용하며 블록체인 기반 투표일 경우 익명성을 보장하기 위해 믹스넷과 영지식증명이 필요하다. 본 연구에서는 이론적으로 설명되고 있는 보안기술들을 실제 서비스하고 있는 현업의 시스템을 기반으로 고찰해봄으로써 온라인투표시스템의 현황을 진단한다. 이러한 시도는 온라인투표 보안기술에 대한 이해를 높이고 온라인투표의 적용 확장성을 조망하여 보다 신뢰 기반 투표 메커니즘을 구축하는데 기여할 것이다.

In this paper, we investigate how the online voting system can be a trust-based system from a technical perspective. Under four principles of voting, we finely evaluate the existing belief that offline voting is safer and more reliable than online voting based on procedural processes, technical principles. Many studies have suggested the ideas for implementing online voting system, but they have not attempted to strictly examine the technologies of online voting system from the perspective of voting requirements, and usually verification has been insufficient in terms of practical acceptance. Therefore, this study aims to analyze how the technologies are utilized to meet the demanding requirements of voting based on the technologies proven in the field. In addition to general data encryption, online voting requires more technologies for preventing data manipulation and verifying voting results. Moreover, high degree of confidentiality is required because voting data should not be exposed not only to outsiders but also to managers or the system itself. To this end, the security techniques such as Blind Signature, Bit Delegation and Key Division are used. In the case of blockchain-based voting, Mixnet and Zero-Knowledge Proof are required to ensure anonymity. In this study, the current status of the online voting system is analyzed based on the field system that actually serves. This study will enhance our understanding on online voting security technologies and contribute to build a more trust-based voting mechanism.

기업의 이익을 인식하는데 있어서 투자자들이 회계담당자보다 더 적극적이다. 투자자들은 매출이 이루어지기도 전에 수익을 인식하는 경우도 있다. 그들은 기업의 재무제표에 기록된 과거의 수익을 기초로 투자의사결정을 하기보다 미래의 잠재적 수익력에 더 많은 비중을 둔다. 현대 기업들은 소유와 경영의 분리로 인해 부각되는 부적절한 현상을 처리하기위해 많은 노력을 해왔지만 고용 경영자의 이익 조작은 대표적인 역효과 현상으로 꼽을 수 있다. 증권가격은 시장기대치를 나타내는 것으로 투자 분석가의 예상 이익과 실제 이익간의 차이에 따른 이익발표에 따라 반응하게 된다. 고용 경영자가 이익조작에 따른 소송위험이나 명예 실추를 염두에 두지 않고 이익을 조작할 경우 이익조작에 따른 주식가격상승으로 미래에 고용 경영자의 소유주식처분은 많은 이익을 기대할 수 있을 것이다. 본 연구는 시장변수 즉, 시장의 기대수익이나 주식투자에 따른 시장의 불확실성을 측정함으로써 소송위험을 다중회귀분석방법으로 분석하였다. 또한 이러한 시장변수들이 기관의 기업통제나 투자자의 의사결정에 효과적으로 기업을 관찰할 수 있는 지표가 되는지를 살펴보았다. 소송위험에 관련한 본 연구는 재무제표상의 이익조작을 하기 전에 그 기업의 미래경영성과에 대한 증권시장의 선입견을 측정하는데 주력하였다. 그 결과, 우리가 기대한 바와 같이, 시장의 기대수익이 소송위험과 밀접하게 관련되었다는 것을 발견하였다. 시장의 불확실성 변수는 소송위험과 근소하게 관련이 있었다.

Investors are more aggressive than accountants with respect to income recognition. They recognize income even before the work is done. Investors are basing their purchases on the companies’ potential to earn future profits rather than their past earnings history as depicted in the companies’ financial statements. Modern corporations adapt various mechanisms to treat the adverse consequences arising from the separation of ownership and control the firms. Stock price generally react to earnings announcements in the direction of earnings surprises, with analysts’ forecasts as the proxy for market expectations. If stock price increase with earnings management, managers gain more from selling shares in the future than without earnings management unless litigation or reputation concerns change managers from taking advantage of the increased stock price. This study investigates if the market variables such as price-earnings ratio, market-to-book ratio, and stock return volatility are associated with litigation risk and if they can be effectively employed by regulators and investors in screening earnings management, reducing the informativeness of financial reporting and contributing to recent corporate scandals. In our examination of the circumstances associated with litigation liability, the stock market’s perception for firm’s future performance right before earnings management in financial statements is a primary interest. We find that, as we expected, Price-earnings ratio is positively significantly associated with the litigation risk. The positive association between Standard deviation of daily stock return and the litigation risk is only marginally significant.

금융분야의 파괴적 혁신인 디지털 전환은 금융업을 근본적으로 변화시키고 금융소비자에게 새로운 경험과 기회를 제공하 고 있다. 그러나 이와 동시에 보이스피싱 등 디지털금융사기 역시 IT와 결합하여 점차 고도화하고 있다. 각 금융회사에서는 디지털금융사기에 대응하고 금융소비자의 피해를 방지하기 위해 FDS(Fraud Detection System)를 구축·운영하고 있으나 관련 연구 대부분이 AI 등을 활용한 기술적인 연구에 집중되어 있으며, FDS 수준이 낮거나 신규구축하고자 하는 금융업권별 FDS 구축·운영 방법론에 대한 실증적인 연구는 현재까지 부족한 상황이다. 본 논문은 이러한 문제점 해소를 위해 각 금융업권별 비대면업무, 발생하는 디지털금융사기 유형 및 가용 데이터 등에 대한 분석 후 이를 FDS 업무 프로세스와 결합하여 FDS 프 레임워크 및 특성 변수를 마련하고 이를 바탕으로 각 금융업권별 FDS 구축·운영 방법론을 제시한다.

Digital transformation is fundamentally reshaping the financial industry, offering consumers new experiences and opportunities. However, alongside this, digital financial fraud such as voice phishing is becoming increasingly sophisticated by integrating with IT. Financial institutions implement Fraud Detection Systems (FDS) to combat these crimes and protect consumers, yet most research about FDS focuses on technological studies such as AI-based FDS. Practical methodologies for developing and operating FDS across various financial sectors remain scarce, especially for institutions with underdeveloped FDSs. This paper addresses these challenges by analyzing non-face-to-face operations, digital financial fraud types, and available data for each sector, integrating these with FDS processes. It proposes frameworks and variables for FDS development tailored to each financial sector.

인공지능이 다루기 어려운 개념에서 아주 익숙한 도구로 자리매김 하고 있다. 이와 더불어 금융권 에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀해져 가는 사이버 금융사기(Fraud)를 기존의 규칙기반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적대 신경망(Generative Adversarial Network, GAN)을 활용한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거래 데이터의 불균형 문제를 개선하는데 효과를 보였으며, WGAN이 가장 높은 개선 효과가 있음을 확인하였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버샘플링의 효과를 더 잘 반영함을 확인하였다.

Artificial Intelligence is establishing itself as a familiar tool from an intractable concept. In this trend, financial sector is also looking to improve the problem of existing system which includes Fraud Detection System (FDS). It is being difficult to detect sophisticated cyber financial fraud using original rule-based FDS. This is because diversification of payment environment and increasing number of electronic financial transactions has been emerged. In order to overcome present FDS, this paper suggests 3 types of artificial intelligence models, Generative Adversarial Network (GAN), Deep Neural Network (DNN), and Convolutional Neural Network (CNN). GAN proves how data imbalance problem can be developed while DNN and CNN show how abnormal financial trading patterns can be precisely detected. In conclusion, among the experiments on this paper, WGAN has the highest improvement effects on data imbalance problem. DNN model reflects more effects on fraud classification comparatively.

인공지능이 다루기 어려운 개념에서 아주 익숙한 도 구로 자리매김 하고 있다. 이와 더불어 금융권에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거 래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀 해져 가는 사이버 금융 사기(Fraud)를 기존의 규칙기 반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하 기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적 대 신경망(Generative Adversarial Network, GAN)을 활용 한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선 하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거 래 데이터의 불균형 문제를 개선하는데 효과를 보였 으며, WGAN이 가장 높은 개선 효과가 있음을 확인하 였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포 레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝 이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였 다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버 샘플링의 효과를 더 잘 반영함을 확인하였다.

신용카드 부정 사용 탐지를 위해 다양한 머신러닝 방식이 이루어지고 있으며, 단일 알고리즘 모형 이외에 여러 알고리즘을 함께 적용하는하이브리드 모형도 제시되고 있다. 또한, 부정 사용 탐지에서 데이터 불균형이 주요한 문제점으로 지적되는데, 이로 인해 오탐률과 미탐률을동시에 개선하기는 쉽지 않다. 본 논문에서는 서로 독립된 분류 알고리즘을 조언자-판단자 방식의 하이브리드 모형으로 구성하여 적용하였다. 제안된 모형은 조언자 계층과 판단자 계층으로 이루어지며, 조언자 계층에서는 단일 알고리즘으로 구성되는 다수의 분류모형을 포함하고, 자신의 알고리즘을 가지는 판단자 계층의 모형은 조언자 모형들의 결과를 특정 함수로 처리한 결과를 입력 데이터의 일부로 활용하는형태이다. 조언자 모형의 예측결과를 입력 데이터로 적용하는 방식에 따라 여러 판단자 모형을 구성하여 평가하였다. 조언자 계층의 여러모형과 판단자 계층을 포함한 전체 모형에 대해 성능을 비교한 결과, 조언자 모형의 특징과 조언자 모형의 결과를 처리하는 함수의 방식에따라 전체 모형의 정밀도 및 재현율의 값이 일정하지 유지되지 않았다. 그러나 조언자 및 판단자 모형의 알고리즘과 예측결과의 처리방식에대한 적절한 선택은 본 논문의 조언자-판단자 모형이 데이터 불균형 속에서 정밀도와 재현율의 개선효과를 가져오는 것으로 확인되었다.

Various machine learning methods have been suggested for the detection of credit card fraud. Besides exploring single-algorithm models, hybrid models utilizing multiple algorithms together are also being proposed. Furthermore, data imbalance is a major issue in fraud detection, making it difficult to improve both false positive and false negative rates simultaneously. In this paper, a judge-advisor hybrid layered model is proposed with layers of advisor models and a judge model. The advisor layer includes multiple classification models composed of single algorithm for each model, while the judge layer utilizes its own algorithm and the prediction results of the advisor models as part of the input data. Comparing the performance of the overall model including the judge layer with various advisor layer models, values of precision and recall are not steady depending on the characteristics of the advisor model and the method of processing the results of advisor models. However it is confirmed that the judge-advisor model can improve precision and recall rates in the face of data imbalance through the appropriate selection of algorithms for the layer of advisor and judge and the method of processing prediction results of advisor models.

COVID-19 여파로 인한 비대면 서비스와 가정 재정 불안정성의 증가로 이륜차 보험사기 발생이 예상되고 있다. 이와 함께 보험사기 수법도 갈수록 교묘해지고 있다. 하지만 비대면 배달 수요와 연관된 이륜차 교통사고와 보험사기 적발 모형 관련 연구는 매우 미흡한 실정이다. 이에 본 연구는 보험사기의 표본 편중문제를 해결하기 위해 균형 랜덤포 레스트 알고리즘을 이용하고 보험사기 조사 전문가의 정성적인 판단 기준을 반영한 변수를 모델에 포함하여 적용성을 향상시키며 적발력 높은 이륜차 보험사기 모형을 개발하고자 한다. 보험사기 적발 모형 개발 결과, 기존의 비균형 랜덤 포레스트 모형에 비해 균형 랜덤 포레스트가 보험 사기혐의자를 분류하는 데 있어 통계적으로 우수한 점을 확인할 수 있었다. 특히, 총 26개의 변수를 토대로 탐색적 변수 조합을 적용한 모형의 예측 성능이 가장 높았지만 일부 변수만을 사용한 확인적 모형의 예측 성능도 크게 떨어지지 않은 와중에, 정성적인 보험사기 전문가가 선정한 변수만을 사용한 확인적 모형은 예측력이 떨어지는 것을 확인하였다. 또한, 총 26개의 변수 중 운전자 성별, 연령, 운전자 피보험자 일치 여부, 미수선 청구금액, 대인보험금 등이 중요한 변수로 확인되어 이를 활용해 이륜차 보험사기 혐의자 선별을 위한 적극적인 대처가 필요해 보인다.

Due to the COVID-19 pandemic, with increased ‘untact’ services and with unstable household economy, the bike insurance fraud is expected to surge. Moreover, the fraud methodology gets complicated. However, the fraud detection model for bike insurance is absent. we deal with the issue of skewed class distribution and reflect the criterion of fraud detection expert. We utilize a balanced random-forest algorithm to develop an efficient bike insurance fraud detection model. As a result, while the predictive performance of balanced random-forest model is superior than it of non-balanced model. There is no significant difference between the variables used by the experts and the confirmatory models. The important variables to detect frauds are turned out to be age and gender of driver, correspondence between insured and driver, the amount of self-repairing claim, and the amount of bodily injury liability.

상해상병으로 청구되는 건수가 증가함에 따라 조사 대상을 보다 정교하게 선정하여 상해요인 조사 대상을 줄이면서 환수율 및 환수금액을 올릴 수 있는 방안을 마련할 필요가 있다. 이를 위해서 2006∼2011년까지의 상해요 인 조사자료를 수집하여 의사결정나무 모형을 활용하여 지역가입자 상해상병 진료건에 대한 부당환수 조사대상 선정 모형을 개발하였다. 최종 개발된 모형결과에 따르면, 조사대상 유형은 18개로 분류되었고, 이러한 분류결과는 실제 조사가 시행될 시, 모형을 적용하지 않았을 때 보다 최고 12.8배 높은 부당환수결정율을 나타낼 수 있을 것으로 분 석되었다. 또한, 본 연구에서 개발된 조사 대상자 선정 모형을 실제 업무에 적용하기 위해서는 조사물량 대비 국민 건강보험공단의 조사인력 및 운영 계획을 보다 면밀히 검토해야만 모형 적용의 효과성이 극대화 될 수 있을 것으로 판단된다.

According to increasing number of injury claims, the challenge is reducing investigation of cases of injuries by selecting them more delicately, while also increasing the redemption rates and the amount of restitution. In this regards, we developed the fraud detection model for injury claims of self-employed insured by using decision tree after collecting medical claim data from 2006 to 2011 of the National Health Insurance in Korea. As a result of this model, subject types were classified into 18 types. If applying these types to the actual survey compared with if not applying, the redumption collecting rate will be increasing by 12.8%. Also, the effectiveness of this model will be maximize when the number of claims handlers considering their survey volume and management plans are examined thoroughly.

인공지능(AI)1)은 많은 분야에서 활용되고 있으며, 특히 FDS와 결합된 인공지능 기술은 금융보안 및 금융범죄예방 분야에서 중요한 역할을 경주하고 있다. 코로나(COVID-19)의 영향에 따른 비대면 소비생활의 안전한 거래 질서 확립을 FDS에 서 모두 보장할 수는 없으나, 인공지능과 결합한 FDS는 안전한 금융보안에 부합할 수 있는 최적의 기술이라고 할 수 있다. 또한 자금세탁에 대한 이슈가 전세계적으로 높아져 있고 자금세탁방지의무는 금융회사 외에도 가상자산사업자, 전자금융업자, 대부업자, P2P, 카지노업자 등 금전을 취급하 는 모든 업종으로 확대되고 있는 상황으로 FDS의 역할과 중요성은 더욱 높아질 것 이며, 활용도가 디지털 신기술과 접목하여 더욱 정교화되고 있다. 이에 본 연구에서는 인공지능(AI), FDS의 개념과 특성 및 금융보안 영역에서의 FDS의 정보수집, 분석 및 탐지, 대응, 모니터링, DATA보존 등 5가지 핵심기술을 연구하였고, 선결 과제를 1. 정상거래의 과부화 해결, 2. 고객 불편 해소, 3. 효율성 확보, 4. 사고 DATA 저장, 5. 판단의 신뢰성 확보, 6. 다양한 트랜드 반영, 7. 화이트박스 기술 도입 등 7가지의 선결 과제를 제시하였다. 이렇듯 인공지능을 활용한 FDS는 핵심기술의 발전과 선결 과제의 해결을 통하여 더욱 고도화될 것이며, 이를 통하여 금융범죄 예방 및 차단에 더욱 효율적일 것이다.

Artificial intelligence is being used in many fields, and in particular, artificial intelligence technology combined with FDS is playing an important role in financial security and financial crime prevention. Although FDS cannot guarantee the establishment of a safe trading order for non-face-to-face consumption life due to the influence of COVID-19, FDS combined with artificial intelligence is the best technology to meet safe financial security. In addition, the issue of money laundering has risen worldwide, and the obligation to prevent money laundering is expanding to all industries dealing with money, including virtual self-employed, electronic financial companies, lenders, P2P, and casino companies, further elaborating the role and importance of FDS. Therefore, this study studied the concepts and characteristics of artificial intelligence (AI) and FDS, five core technologies of FDS in the financial security area were studied, including information collection, analysis, detection, response, monitoring, and DATA preservation, and seven prerequisites were presented: 1. Overloading normal transactions, 2. relieving customer inconvenience. 3. Seven prerequisites were presented, including securing efficiency, 4. storing accident DATA, 5. securing reliability of judgment, 6. reflecting various trends, 7. introducing white box technology. As such, FDS using artificial intelligence will be further advanced through the development of core technologies and the resolution of priorities, and through this, it will be more efficient in preventing and blocking financial crimes.

온라인 C2C 중고거래에 대한 수요가 증가하고 있으나 물품을 보내지 않거나 명시한 것과 다른 물건을 보내는 방식으로 부당한 금전적 이득을 챙기려는 사기 행위자들의 수도 증가하고 있다. 본 연구는 이러한 사기를 미연에 방지하기 위한 머신 러닝 방법을 이용한 사기 탐지 모델을 구축하였다. 이를 위해 대표적 C2C 중고거래 플랫폼인 중고나라에서 145,536건의 거래 게시글을 수집하였다. 이후 이들 게시글에서 토픽 모델링 기법을 이용하여 상품 설명 내용의 주제를 추출하였으며, 상품 설명의 언어적 특성, 준언어적 특성, 상품의 특성, 게시글의 포스팅 특성, 구매자 특성, 거래 특성들을 추출하였다. 이를 XGBoost 방법에 기반한 머신 러닝 모델을 구축하여 사기 게시글을 탐지하였다. 분석 결과, 사기 게시글은 글 자체의 길이가 대체로 짧고, 제공하는 정보가 적고 상대적으로 구체적이지 않은 것으로 나타났으며 명사를 상대적으로 적게 쓰고 이미지도 사용하지 않거나 적게 사용하는 글이 대부분인 것으로 나타났다. 또한 상대적으로 숫자와 공백의 비율이 높게 나타났으며 정상 게시글의 경우 명사의 경우 상품의 정보, 동사의 경우 전달, 형용사의 경우는 행위와 관련된 단어들이 사용되었으나 사기 게시글은 뚜렷한 주제를 가지지 못하는 것으로 나타났다. 본 연구는 전화번호나 계좌번호를 사용한 기존의 방법과 달리 다양한 게시글의 특성으로 사기 여부를 탐지하는 모델을 구축했다는 점에서 학술적, 실무적 시사점을 가지고 있다.

As the transaction volume of the C2C second-hand market is growing, the number of frauds, which intend to earn unfair gains by sending products different from specified ones or not sending them to buyers, is also increasing. This study explores the model that can identify frauds in the online C2C second-hand market by examining the postings for transactions. For this goal, this study collected 145,536 field data from actual C2C second-hand market. Then, the model is built with the characteristics from postings such as the topic and the linguistic characteristics of the product description, and the characteristics of products, postings, sellers, and transactions. The constructed model is then trained by the machine learning algorithm XGBoost. The final analysis results show that fraudulent postings have less information, which is also less specific, fewer nouns and images, a higher ratio of the number and white space, and a shorter length than genuine postings do. Also, while the genuine postings are focused on the product information for nouns, delivery information for verbs, and actions for adjectives, the fraudulent postings did not show those characteristics. This study shows that the various features can be extracted from postings written in C2C second-hand transactions and be used to construct an effective model for frauds. The proposed model can be also considered and applied for the other C2C platforms. Overall, the model proposed in this study can be expected to have positive effects on suppressing and preventing fraudulent behavior in online C2C markets.

본 연구는 최근 전자 금융거래의 증가와 동시에 금융거래 정보의 탈취 혹은 변조 등 보안위협 또한 급증 하면서 안전한 보안 방안과 대응이 시급한 실정이다. 이에 종래에 사용된 사기방지시스템 혹은 이상금융거래 탐지 시스템(FDS, Fraud Detection System, 이하 FDS)을 최근 주목 받고 있는 빅데이터 관련 기술(이상금융거래에 대한 다양한 형태의 정형/비정형 금융거래 이벤트 데이터를 실시간으로 수집/저장하고 과학적 연관 분석 기법을 활용하여 비정상 행위를 탐지 및 차단할 수 있는 기능)을 활용하여 국내 금융회사인 A사에 개선 모델을 구축 하였 다. 구축결과 시나리오 고도화 분석을 통한 오검출을 최소화 하여 기존 시나리오 Detect탐지 대상의 감소 효과를 나타냈다. 아울러 FDS고도화에 대한 향후 발전방향을 제안하고자 한다.

The growing number of electronic financial transactions (e-banking) has entailed the rapid increase in security threats such as extortion and falsification of financial transaction data. Against such background, rigid security and countermeasures to hedge against such problems have risen as urgent tasks. Thus, this study aims to implement an improved case model by applying the Fraud Detection System (hereinafter, FDS) in a financial corporation ‘A’ using big data technique (e.g. the function to collect/store various types of typical/atypical financial transaction event data in real time regarding the external intrusion, outflow of internal data, and fraud financial transactions). As a result, There was reduction effect in terms of previous scenario detection target by minimizing false alarm via advanced scenario analysis. And further suggest the future direction of the enhanced FDS.

대면편취에 의한 보이스피싱 범죄가 급격하게 증가함에 따라 시민들의 보이스피싱 피해를 예방하는 데 있어 은행권의 역할은 크다. 은행권은 금융범죄를 사전에 막고자 이상금융 거래 탐지시스템(FDS: Fraud Detection System)을 운영하여 고객들의 금융범죄 피해를 줄 이는 노력을 쏟아왔지만, 현재의 자체 탐지시스템 절차로는 보이스피싱과 같은 지능형 금 융범죄를 예방하는 데 한계가 있다. 보이스피싱 수법은 매우 빠른 속도로 바뀌고 있어 기 존의 탐지시스템만으로는 한계가 있으며, 연구개발 예산과 시스템운영 비용을 투입하는 것이 은행권에 부담이 되어 효과적인 대응이 어렵다. 본 연구는 보이스피싱 범죄를 예방하 기 위해 은행권이 수행하는 이상금융거래 탐지절차의 전반을 살펴보고, 현재 시스템 절차 의 한계점을 극복하여 보이스피싱을 효과적으로 예방하는 방안을 마련하는 것을 목표로 한다. 금융범죄 중에서도 특히 보이스피싱으로 인한 시민들의 범죄피해를 최소화하고자 은행권의 범죄대응력을 강화하고 기술적용 기능의 향상방안을 제시한다.

As the number of phishing crimes caused by face-to-face defrauding is rapidly increasing, the role of banks is great in preventing citizens from being victimized by phishing. Banks has been operating Fraud Detection Systems (FDS) to prevent financial crimes, and has been making efforts to reduce financial crime damage of customers. However, there are limits to preventing financial crimes. For example, it can be a burden for banks to pay for their own huge R&D budgets and system operation costs. The purpose of this study is to look into the overall procedures of Fraud Detection Systems used by banks, and to prepare measures to effectively prevent phishing by overcoming the limitations of the system. In order to minimize the damage to citizens caused by financial crimes or phishing, we strengthen the ability of banks and suggest effective crime response and technology application plans.

금융회사들은 나날이 발전하는 전자금융기술과 이를 악용하는 공격기술에 대응하기 위해 이상금융거래시스템(아하 FDS) 을 운영하고 있다. 전자금융 이상거래와 전기통신 금융사기의 탐지 및 대응을 위해 기존 FDS는 시나리오 기반 탐지룰 즉, 블 랙리스트(Black List) 기반으로 운영하고 있으나 이를 교묘하게 우회하는 공격에 대해서는 대응에 한계가 있다. 이에 금융회사 들은 기존 FDS에 인공지능(AI) 기술을 접목하여 대응 강화를 모색하고 있다. 본 논문에서는 FDS에 적용할 수 있는 딥러닝 모델을 설계하고 구현한다. 본 논문에서 제안하는 FDS를 위한 딥러닝 모델은 비지도학습 기반인 Auto Encoder과 지도학습 기반인 DNN을 연계한 모델이다. Auto Encoder의 데이터의 복원률을 통해서 이상거래를 분류하고 이를 시나리오 룰 기반의 DNN 검증을 통해 이상금융거래를 탐지하고 대응한다. 본 모델은 지속적인 학습을 통해 탐지의 정확도를 높이고 이상금융거 래 대응을 강화할 수 있다.

Financial companies are operating the Fraud Detection System(FDS) to cope with the ever-developing electronic financi al technology and attack technology that exploits it. For the detection and response of electronic financial abnormal transa ctions and telecommunications financial fraud, the existing FDS is operated based on scenario-based detection rules, that i s, Black List, but there is a limit to respond to attacks that cleverly bypass them. Accordingly, financial companies are see king to strengthen their response by applying artificial intelligence (AI) technology to existing FDS. In this paper, a deep learning model applicable to FDS is designed and implemented. The deep learning model for FDS proposed in this paper is a model that links Auto Encoder, an unsupervised learning base, and DNN, an supervised learning base. Abnormal transac tions are classified through Auto Encoder's data recovery rate, and abnormal financial transactions are detected and respo nded through scenario rule-based DNN verification. This model can increase the accuracy of detection and strengthen the response to abnormal financial transactions through continuous learning.

최근 급격히 증가하고 있는 금융 이상 거래는 막대한 경제적 손실을 일으키고 있다. 하지만 금융 이상 거래 탐지에 이용되는 데이터에서 이상 거래는 정상 거래에 비해 극히 적어 효과적인 탐지를 어렵게 하는 불균형 데이터 문제가 제기되어왔다. 본 연구는 이러한 불균형한 데이터 특성의 한계를 극복하기 위해 VAE-GAN(Variational Autoencoder-Generative Adversarial Network) 과 Semi-Hard Example Mining 기법을 결합하여, 이상 거래 데이터의 품질을 유지하면서 실제로 이상 거래이지만 정상 거래로 판단하는 거짓 음성(False Negative)을 줄이는 모델을 제안한다. 먼저, VAE-GAN을 통해 실제 거래와 유사한 소수 클래스 합성 데이터를 생성하고, Semi-Hard Example Mining으로 분류기가 헷갈리기 쉬운 사례를 집중적으로 재생성한다. 이를 신용카드 이상 거래 데이터셋에 적용한 결과, 기존 보간 기반 오버샘플링 기법(SMOTE, Borderline-SMOTE, ADASYN)과 기존 VAE-GAN 증강 대비 재현율(Recall), F2 스코어(F2 Score)가 향상됨을 확인하였다. 본 연구는 금융권 FDS(Fraud Detection System)에서 불균형 데이터 문제를 완화하고 탐지 성능을 극대화하는 데 기여할 것으로 기대한다.

The rapid rise in fraudulent financial transactions is inflicting substantial economic losses, yet effective detection remains difficult because genuine fraud represents only a tiny fraction of overall activity. To overcome this extreme class-imbalance problem, we propose a model that integrates a Variational Autoencoder Generative Adversarial Network (VAE-GAN) with Semi-Hard Example Mining (SHEM). The VAE-GAN synthesizes high-fidelity minority-class samples that closely mimic real transactions, while SHEM repeatedly targets borderline cases that the classifier is prone to misjudge, thereby reducing false negatives (fraudulent transactions incorrectly labeled as legitimate). Experiments on a benchmark credit- card-fraud dataset show that our method consistently outperforms interpolation-based oversampling techniques (SMOTE, Borderline-SMOTE, ADASYN) and a vanilla VAE-GAN baseline, achieving higher Precision, Recall, F1, and F2 scores. These results demonstrate the model’s potential to alleviate class imbalance and maximize detection performance in financial-sector fraud-detection systems(FDS).

최근 공공부문의 효과측정 연구를 중심으로 PSM 기법의 활용도가 점점 증가하고 있다. PSM 기법은 의학의 임상실험에서 활용되는 대표적인 연구방법으로 실험군과 대조군을 실험목적에 맞게 처리하여 효과를 측정하는 것이다. 이러한 PSM을 공공부문에서는 지원 전·후 또는 지원집단과 지원하지 않은 집단 등을 비교하여 효과를 측정하기 위해 활용되고 있어, 본 연구에서는 반사실적 분석기법의 하나인 성향점수매칭(Propensity Score Matching) 기법과 햇살론을 이용한 근로자의 보증자료를 활용하여 정밀심사 및 부정대출방지심사의 사고방지 효과를 측정하고자 하였다. 분석결과, 정밀심사건과 미심사건의 성향점수 매칭결과, 정밀심사에 의해 5.5% 사고율이 낮아지는 효과가 있는 것으로 나타났으며, 부정대출방지심사건과 미심사건의 성향점수 매칭결과는 부정대출방지심사에 의해 15.4% 사고율이 낮아지는 효과가 있는 것으로 나타났다. 성향점수매칭 전·후를 비교하면 매칭 후 정밀심사의 사고율 차이는 5.5%로 매칭 전 -2.8% 대비 8.3%의 보증사고 억제효과가 발생한 것을 알 수 있으며, 매칭 후 부정대출방지심사의 사고율 차이는 15.4%로 매칭 전 2.1% 대비 9.9% 보증사고 억제효과가 발생한 것을 알 수 있다. 일반금융기관과 마찬가지로 정책금융 기관에서도 정밀심사 및 부정대출방지심사는 도덕적 해이 및 대손율을 감소시키는 아주 중요한 역할을 수행하고 있으며, 이러한 점에서 정밀심사 및 부정대출방지심사의 효과측정에 대한 연구는 아주 의미 있다고 할 수 있다.

This study tests the effects of accident prevention on both closer inspection and anti fraud defection using Propensity Score Matching(PSM) and Sunshine loan. The matching results based on the closer inspection - unexamined inspection linkage show that the accident rates drop to reach 5.5% by the closer inspection. In particular, the matching results based on the anti fraud defection - unexamined inspection linkage show that the accident rates drop to reach 15.4% by the anti fraud defection. These results before and after PSM indicate that the controlling effect of the guarantee accident is significant[before: -2.8% vs. after 5.5%; the difference of accident rates = +8.3%]. Similarly, the difference of the anti fraud defection has a significant controlling effect on the guarantee accident[before: 2.1% vs. after 9.9%]. The authors discuss managerial insights for practitioners and provide future research directions.

최근 코로나 사태로 인하여 비대면 거래가 점점 증가하는 추세로 그 중 모바일 소액 결제가 점점 높 은 비중을 차지하고 있다. 이와 동시에 모바일 금융 결제를 악용하여 보이스 피싱, 스미싱, 휴대폰 소 액결제 한도를 현금으로 바꿔주는 이른바 '소액결제 깡' 등 이상거래로 인하여 피해 사례도 함께 증가 하는 추세다. 이러한 이상거래는 점점 교묘해지고 피해 유형이 다양해짐에 따라 규칙 기반의 탐지만으 로는 한계가 있다. 이 한계를 보완하기 위해서는 이상 거래 패턴을 스스로 학습하여 이상거래를 스스 로 판단할 수 있는 기계학습 기법을 이용한 이상거래 탐지 시스템 (Fraud Detection System) 구축해 야 한다. 하지만 이상 거래 데이터는 정상 거래에 비해서 현저하게 적기 때문에 기계 학습 시 제한이 있다. 이러한 데이터 불균형을 보완하기 위해서 데이터 전처리 과정에서 Over-Sampling 방법론을 이용한다. 모바일 소액 결제는 사용자 편의성과 동일한 서비스와의 경쟁을 위하여 빠른 속도가 중요하 다. 그리하여 성능이 가장 뛰어난 알고리즘으로 기존의 결제 시스템의 성능보다 뛰어나거나 차이가 없 는 것에 중점을 두고 진행하고자 한다. 이를 기반한 알고리즘을 기존 룰 기반의 탐지 시스템에 연동하 여 이상 거래 탐지율 및 정확도를 상승시키고 오탐률을 최소화함으로써 기존 고객 이탈률을 최소화하 고, 추가적인 이상 거래 피해자 및 금융 이상 거래 발생률을 낮추는 것을 목표로 한다

전자금융의 확산으로 스미싱, 파밍 등 다양한 금융사기가 급증하면서 이상거래탐지시스템(FDS; Fraud Detection System)의 중요성이 부각되고 있다. 기존 룰 기반 FDS는 새로운 사기 유형에 취 약하고 규칙 갱신의 한계가 있어, 최근 금융권은 인공지능(AI)과 빅데이터를 결합한 지능형 FDS로 전 환하고 있다. AI 기반 FDS는 대규모 거래 데이터를 학습하여 이상 패턴을 실시간 탐지하며, 자가학 습(Self-learning) 구조를 통해 탐지 정확도를 지속적으로 향상시킨다. 국내에서는 주요 은행들이 머 신러닝과 설명 가능한 AI(XAI)를 도입해 자동화와 탐지 효율을 강화하고 있으며, 해외에서도 페이팔 등 주요 기업이 딥러닝 기반 FDS를 상용화하였다. 그러나 AI FDS는 데이터 품질, 개인정보 보호 규 제 등 기술적·법적 한계를 지니며, 이를 해결하기 위해 연합학습(Federated Learning)과 XAI의 활 용이 필요하다. 향후에는 생성형 AI 및 대규모 언어모델(LLM)을 통한 자동 탐지 고도화, 표준화된 평 가체계 구축, 클라우드 기반 인프라 확산이 핵심 과제로 제시된다. 빅데이터·AI 기반 FDS는 금융보 안을 넘어 디지털 신뢰 인프라의 핵심 기술로 발전할 것으로 기대된다.

The expansion of electronic finance has led to increasing financial fraud, making Fraud Detection Systems (FDS) more essential. Traditional rule-based systems are limited in detecting new fraud types, leading to the adoption of AI and Big Data-based intelligent FDSs. AI-based FDSs analyze massive transaction data, detect anomalies in real time, and improve accuracy through self-learn-ing. Korean and global financial institutions are applying machine learning and eXplainable AI (XAI) to enhance detection and automation. Despite progress, issues such as data quality and privacy regulations remain. Federated Learning and XAI offer potential solutions, while future directions include generative AI integration, standardized evaluation, and cloud-based infrastructure. Ultimately, AIpowered FDSs are expected to become a key foundation for financial security and digital trust.

본 연구는 산업보안상 인적취약요소로 분류되는 조직구성원에 의한 업무부정행위의 정의와 발생원인, 방지대책 등에 대하여 문헌연구를 통해 고찰하고, 선행연구를 통해 드러난 부정행위의 행동적 발생징후들에 대하여 은행, 보험사, 증권사 등 국내 금융산업에 종사하고 있는 근로자들에게 설문자료를 수집하여 기술통계, 요인분석, 로지스틱 회귀분석 등을 실시하였다. 분석결과, 부정행위의 발생징후들은 ‘경제적 동기’, ‘비경제적 동기’ 두 가지 요인으로 분류되었으며, ‘과도한 주식투자’와 ‘빈번한 이사 등으로 생활환경의 불안정’의 두 징후에 대한 정확성 평가와 실제 부정행위의 적발 경험이 통계적으로 유의미하게 연관되어 있는 것으로 확인되었다. 또한 내·외부 제보에 의해서 업무부정행위가 가장 많이 적발되는 것으로 나타났다. 본 연구의 분석결과를 토대로 향후 금융산업에서 발생할 수도 있는 업무부정행위를 조기에 발견하여 피해규모를 최소화도록 일조하는 데 연구의 목적이 있다.

This study aims to contribute to the early detection of occupational fraud in the Korean financial industry by analyzing fraud symptoms. Firstly, the definition, cause of occupational fraud, and fraud symptoms were discussed through literature review. Secondly, survey data were collected from the employees of the financial industry such as bank, insurance, and securities companies to conduct statistical analysis. The result of analysis showed that the symptoms of ‘excessive stock investment’ and ‘unsettled life style’ were statistically significant predictors of fraud detection experience. Plus, ‘tips and complaints’ were the most frequent method for detecting occupational fraud in the Korean financial industry. The financial institutions can minimize the loss of occupational fraud by early detection through educating their employees and vendors on these important symptoms of occupational fraud.