Artificial intelligence in financial sector security: preventive measures and management decisions

Введение. Финансовый сектор является ключевым элементом мировой экономики, и его безопасность становится вопросом первостепенной важности в условиях геополитической нестабильности. Угрозы, с которыми сталкиваются финансовые/банковские учреждения, постоянно эволюционируют, становятся все более сложными и изощренными. Традиционные методы защиты, основанные на ручном анализе и мерах реагирования, недостаточны для эффективной борьбы с новыми видами мошенничества, кибератаками и другими финансовыми преступлениями.

Именно поэтому исследование и внедрение искусственного интеллекта (ИИ) в обеспечение безопасности финансового сектора представляется перспективным направлением. Актуальность данной темы обусловлена следующими ключевыми факторами: рост объема и сложности финансовых операций; эволюция киберугроз; повышение эффективности борьбы с мошенничеством; усиление регуляторных требований; снижение операционных издержек.

Цель исследования: обосновать возможности применения ИИ в повышении уровня безопасности финансового сектора, акцентируя внимание на превентивных мерах и конкретных решениях.

Задачи исследования:

– изучить теоретические основы применения ИИ в обеспечении безопасности финансового сектора;

– выявить потенциал ИИ как инструмента превентивных мер по обеспечению безопасности финансового сектора;

– определить роль ИИ как инструмента реагирования на угрозы безопасности финансового сектора.

Научная новизна исследования содержится в систематизации спектра ИИ-решений, применяемых и разрабатываемых для обеспечения безопасности финансового сектора, с особым упором на превентивные меры и их эффективность.

В контексте темы исследования будут применены следующие основные термины:

1. ИИ в обеспечении безопасности финансового сектора – это не просто «умная» программа, а комплекс технологий, содержащий в себе: машинное обучение (ML); обработка естественного языка (NLP); компьютерное зрение [7]. ИИ применяется в различных областях финансовой безопасности, в том числе [1]: обнаружение мошенничества кибербезопасность, аутентификация и идентификация, управление рисками, соответствие нормативным требованиям.

2. Безопасность финансового сектора – это комплекс мер, направленных на защиту финансовых институтов, их клиентов и всей финансовой системы от угроз [10]. Угрозы могут быть как внешними (кибератаки, мошенничество, терроризм), так и внутренними (некомпетентность сотрудников, коррупция).

3. Превентивные меры в обеспечении безопасности финансового сектора с использованием ИИ – это не только технологические решения, но и соблюдение этических норм и законодательства [11]. ИИ значительно расширяет возможности в сфере безопасности, позволяя финансовым организациям оперативнее реагировать на угрозы, предотвращать их, защищая свои активы, клиентов и репутацию.

Практическая значимость исследования. Результаты исследования могут быть использованы для разработки и внедрения новых стратегий безопасности, обучения специалистов и преобразования нормативно-правовой базы с применением ИИ в финансовом секторе:

– превентивное обнаружение угроз: ИИ способен анализировать огромные объемы данных в режиме реального времени, выявляя аномалии и паттерны;

– автоматизация процессов безопасности: ИИ может автоматизировать рутинные задачи (мониторинг транзакций, проверка личности клиентов и выявление подозрительной активности);

– оптимизация точности и эффективности: алгоритмы машинного обучения способны адаптироваться и улучшать производительность, повышать точность обнаружения угроз [5];

– стимулирование экономического роста и социального развития финансово-бюджетного сектора при использовании новых видов автоматизации и мониторинга [14];

– разработка новых решений: исследование способствует разработке и внедрению инновационных решений на основе ИИ, которые могут быть адаптированы к конкретным потребностям финансово-банковских организаций [6];

– укрепление доверия к финансовой системе: эффективная защита от угроз безопасности выступает главным фактором поддержания доверия клиентов и инвесторов к финансовой системе.

Теоретические основы применения ИИ в обеспечении безопасности финансового сектора. В последние годы наблюдается значительный рост исследований, посвященных применению ИИ в обеспечении безопасности финансового сектора, охватывающих широкий спектр задач, от выявления мошеннических транзакций до защиты от кибер-атак и оценки кредитных рисков. Рассмотрим подробнее основные.

Обнаружение мошеннических транзакций – это наиболее исследуемая область. ИИ, особенно методы машинного обучения (нейронные сети, алгоритмы классификации) используются для анализа огромных объемов транзакционных данных и выявления аномалий [9]. Исследования демонстрируют способность ИИ обнаруживать мошеннические операции с большей точностью/скоростью, чем традиционные методы, основанные на правилах.

Ф. Чан (Ph. Chan) и его коллеги тщательным образом изучили, как применять алгоритмы машинного обучения для анализа данных, связанных с кредитными картами, в целях выявления аномалий, указывающих на мошенничество. В частности, они протестировали [17; 19]:

– деревья решений (классификации мошеннических/законных транзакций);

– случайный лес – Random Forest (обработка большого количества входных переменных и автоматической обработки пропущенных значений);

– искусственные нейронные сети (выявление закономерностей в данных, не соответствующих установленным закономерностям);

– методы опорных векторов – SVM (выявление мошенничества в условиях несбалансированного набора данных, характерного для данных о транзакциях по кредитным).

В работе «Решение графовых классификационных задач как инструмент обнаружения мошеннических банковских транзакций» [15] представлены методы обнаружения аномалий в графах, включая выявление фальшивых аккаунтов и ложных транзакций в социальных сетях и финансовых системах.

Ч. Аггарвал (Ch. Aggarwal) – автор многочисленных работ по обнаружению аномалий, включая методы, основанные на статистических моделях, кластеризации и машинном обучении. «Deep Learning for Anomaly Detection: Challenges, Methods, and Opportunities» [16] – это исчерпывающее руководство по обнаружению аномалий, охватывающее широкий спектр подходов:

– статистические тесты (применяются к отдельным параметрам для поиска экстремальных значений);

– методы на основе кластеризации (схожие данные группируются в кластеры, после чего выявляются аномалии-точки, не входящие ни в один кластер или существенно отклоняющиеся от общей структуры данных);

– метрические методы (используют метрику в пространстве объектов, находящие аномалии);

– методы на основе машинного обучения (рассматриваются алгоритмы для одного класса (OneClassSVM), изолированного леса (IsolationForest) и эллипсоидальной аппроксимации данных (EllipticEnvelope);

– гибридные модели (интеграция нескольких методов обнаружения аномалий, повышение общей производительности и снижение ложных срабатываний).

Финансовый сектор часто подвергается кибератакам из-за своей повышенной уязвимости. В целях усиления защиты от фишинга, вредоносного программного обеспечения (ПО) и DDoS-атак [1] финансовые учреждения все чаще используют ИИ. Алгоритмы машинного обучения анализируют сетевой трафик и другие данные, способствуя обнаружению подозрительной активности и автоматическому реагированию на возникающие угрозы. Исследование кибербезопасности привлекает множество специалистов (учёных, практиков) и перечислить всех, внесших вклад, не представляется возможным. Тем не менее можно выделить ряд ключевых личностей и направлений, чье влияние на развитие этой области было особенно значительным.

Теория информации, разработанная К.Э. Шеннон (Claude Elwood Shannon) легла в основу современных методов криптографии и кодирования. Статья «Communication Theory of Secrecy Systems» [25] является основополагающей для понимания принципов шифрования. Ранее К.Э. Шеннон изложил часть концептуальных наработок в докладе «A Mathematical Theory of Cryptography» (1945 г.) [18], в котором содержались следующие положения:

– «математическая структура секретных систем». Введено формальное определение криптосистемы, определены функция шифрования и процесс дешифрования;

– «теоретическая секретность». Рассмотрена проблема безопасности системы против криптоанализа при условии, что злоумышленник имеет неограниченное время и ресурсы для анализа перехваченных криптограмм;

– «практическая секретность». Проанализированы критерии оценки безопасности криптосистем по критериям (размер ключа, сложность операций шифрования и дешифрования).

Разработка криптографии с открытым ключом М. Хеллман и У. Диффи (M. Hellman and W. Diffie) ознаменовала собой революцию в области безопасной коммуникации и электронной коммерции, предоставив новые возможности для защиты финансовой информации. Их работа «New Directions in Cryptography» [24] стала отправной точкой для множества последующих исследований. Концепции, изложенные в работе, оказали значительное влияние на современную кибербезопасность, сделав защищённую электронную коммуникацию доступной и практичной для людей и компаний по всему миру.

Дж. Рутковская (Joanna Rutkowska) – эксперт в области безопасности операционных систем и виртуализации. Ее исследования направлены на выявление и устранение уязвимостей в критически важных компонентах финансовой инфраструктуры.

Дж. Рутковская в 2007 г. основала Invisible Things Lab, компанию, специализирующуюся на анализе безопасности операционных систем, виртуализации и предоставлении консультаций в области кибербезопасности. Известна своими исследованиями, посвященными уязвимостям архитектуры Intel x86 [20].

Б. Шнайер (Bruce Schneier) – криптограф и эксперт по безопасности, автор множества книг и статей, посвященных различным аспектам кибербезопасности, включая безопасность веб-приложений и облачных технологий:

– «Прикладная криптография» (1994 г.) [21] – работа посвящена практическим аспектам криптографических алгоритмов, включая их реализацию и применение в различных областях;

– «Секреты и ложь. Безопасность данных в цифровом мире» (2000 г.) [23], главными идеями книги являются: безопасность должна быть комплексной и многоуровневой (нельзя полагаться на один единственный метод защиты), криптография – важный, но не единственный инструмент безопасности (она должна использоваться в сочетании с другими мерами), понимание рисков и угроз (необходимо знать, от чего защищаться), безопасность – это компромисс между удобством и защитой (слишком строгие меры могут сделать систему неудобной для использования);

– «За пределами страха: разумное мышление о безопасности в нестабильном мире» (2003 г.) [22] – в этом исследовании Б. Шнайер описал процесс оценки полезности мер противодействия угрозам безопасности, утверждая, что страх часто используется для манипулирования общественным мнением и оправдания неэффективных мер безопасности.

Проведённый анализ теоретических работ доказывает: применение ИИ в финансовой сфере в контексте обеспечения безопасности является обоснованным и эффективным. Благодаря своим возможностям в обнаружении мошеннических транзакций и защите от кибер-атак, ИИ способствует поддержанию стабильности современной финансовой системы.

Потенциал ИИ как инструмент превентивных мер по обеспечению безопасности финансового сектора характеризуется следующими критериями (табл. 1)

Таблица 1. Потенциал ИИ как инструмента превентивных мер

по обеспечению безопасности финансового сектора

Аргументируем систематизированную информацию в таблице 1.

Обнаружение аномалий и подозрительных транзакций. Анализируя исторические данные, обученные модели машинного обучения способны распознавать необычные закономерности, потенциально указывающие на мошеннические/подозрительные операции. Процесс состоит из нескольких этапов: (1) сбор и подготовка данных; (2) выбор алгоритма; (3) алгоритмы кластеризации; (4) алгоритмы классификации; (5) алгоритмы обнаружения выбросов; (6) обучение модели; (7) обнаружение аномалий; (8) анализ и реагирование; (9) оценка эффективности и точности.

Главным в использовании машинного обучения является оценка эффективности и точности работы алгоритмов. Для этого используются различные метрики, в их числе [4]:

– точность (Accuracy): процент правильно классифицированных транзакций

– точность (Precision): процент правильно выявленных подозрительных транзакций среди всех транзакций, отмеченных как подозрительные

– полнота (Recall): доля истинно положительных результатов от общего числа реальных подозрительных транзакций

– F1-мера: показатель, оценивающий качество модели, учитывая, как точность, так и полноту, стремящийся к их сбалансированному сочетанию.

Важно понимать, что ни один алгоритм не обеспечивает абсолютной точности в обнаружении мошеннических операций. Вероятность ложноположительных результатов (ошибочная идентификация легитимных транзакций как мошеннических) может привести к негативному клиентскому опыту, в то время как ложноотрицательные результаты (необнаружение мошеннических транзакций) чреваты финансовыми потерями. Поэтому непрерывный мониторинг, регулярное переобучение моделей и адаптация к новым схемам мошенничества являются критически важными элементами эффективной системы защиты.

Прогнозирование финансовых рисков. Традиционные методы оценки кредитоспособности часто оказываются неэффективными, упуская из виду важные факторы, влияющие на способность заемщика погасить долг. ИИ способен анализировать огромные объемы данных (кредитную историю, социальные сети, транзакционную активность и другие нетрадиционные источники информации), создавая всесторонний портрет заемщика. Это позволяет: точнее оценивать кредитные риски; автоматизировать процесс принятия решений; персонализировать условия кредитования.

Рыночные колебания могут вызвать серьезные убытки. ИИ способен обрабатывать исторические данные, новости, сообщения в социальных сетях и другие источники, выявлять тенденции и прогнозировать движения на рынке. Это дает возможность: заблаговременно выявлять потенциальные риски; оптимизировать инвестиционные стратегии; автоматизировать торговые операции.

Для решения задач прогнозирования рисков применяются различные модели, основанные на технологиях ИИ, такие как [3]:

– машинное обучение (ML): алгоритмы ML (регрессия, классификация, кластеризация) используются для анализа данных и прогнозирования будущих событий;

– нейронные сети (NN): NN способны обрабатывать неструктурированные данные и выявлять нелинейные зависимости, это делает их эффективными в прогнозировании рыночных колебаний;

– обработка естественного языка (NLP): NLP применяется для анализа текстовых данных (новости, социальные сети), выявляя настроения и тренды, которые могут повлиять на финансовые рынки.

Идентификация и аутентификация клиентов. Современные системы идентификации и аутентификации, использующие ИИ, опираются на [13]:

– адаптивную аутентификацию: система анализирует контекст входа в систему (местоположение, устройство, время) и запрашивает дополнительную аутентификацию только в случае подозрительной активности;

– поведенческую биометрию: ИИ анализирует уникальные паттерны поведения пользователя (скорость набора текста, движения мыши, манера держать телефон) для подтверждения его личности;

– анализ социальных сетей: ИИ способен изучать профили пользователей в социальных сетях с целью верификации их подлинности и обнаружения фейковых аккаунтов.

Анализ социальных сетей и открытых источников. NLP (обработка естественного языка) представляет собой совокупность вычислительных методов, позволяющих компьютерам анализировать, понимать и генерировать человеческий язык. Применение NLP включает: автоматический перевод, анализ тональности текста, создание чат-ботов, извлечение информации из текста, классификация текста, распознавание речи, генерация текста.

Для мониторинга социальных сетей и выявления потенциальных угроз с помощью NLP можно: определять признаки потенциальных угроз; анализировать настроения аудитории; выявлять фейковые аккаунты и ботов; автоматически агрегировать и классифицировать новости.

Таким образом, ИИ представляет собой инструмент превентивных мер в повышении уровня безопасности финансового сектора, однако его действенность зависит от грамотного применения технологий и систематического обновления моделей в целях адаптации к новым вызовам.

ИИ как инструмент реагирования на угрозы безопасности финансового сектора. Благодаря своим технологическим возможностям, ИИ является незаменимым инструментом в противодействии финансовым угрозам (табл. 2).

Таблица 2. ИИ как инструмент реагирования на угрозы безопасности

финансового сектора

Обоснуем, представленную информацию в таблице 2.

Использование ИИ в автоматизации процессов реагирования на инциденты позволяет значительно повысить скорость/точность обнаружения и нейтрализации угроз, снизить нагрузку на специалистов по безопасности и минимизировать потенциальный ущерб. Ключевыми направлениями применения ИИ в этой области выступают:

– автоматическая блокировка подозрительных транзакций/счетов: используя ИИ, можно мгновенно обрабатывать колоссальные объемы данных о финансовых операциях, оперативно обнаруживая отклонения и признаки мошенничества. При выявлении подозрительных действий, система автоматически блокирует транзакции/счета, тем самым предотвращая финансовые убытки. Эта технология критически важна для банков, финансовых организаций и онлайн-платформ;

– автоматическая генерация отчетов об инцидентах и уведомлений: после выявления инцидента, ИИ автоматически генерирует подробные отчеты, содержащие информацию о характере угрозы, затронутых системах и предпринятых мерах. Своевременная отправка отчетов в соответствующие службы безопасности позволяет оперативно реагировать на инциденты, координировать действия и предотвращать их эскалацию, экономя время специалистов и обеспечивая своевременное информирование.

Системы на базе ИИ автоматического реагирования на инциденты значительно повышают эффективность управления кризисными ситуациями, поскольку способны самостоятельно обнаруживать, анализировать и устранять проблемы, постоянно адаптируя и оптимизируя свои действия.

Улучшение расследования финансовых преступлений. ИИ революционизирует борьбу с финансовыми преступлениями, предоставляя инструменты для [2]:

– глубокого анализа данных: ИИ способен быстро и точно анализировать огромные объемы информации из различных источников, выявляя скрытые связи между преступниками и раскрывая сложные схемы отмывания денег и финансирования терроризма;

– автоматизированного поиска улик/доказательств: ИИ автоматизирует поиск улик, сканируя документы, электронную почту и другие источники, значительно экономя время и ресурсы следователей.

Чат-боты/виртуальные ассистенты предлагают инновационные решения для защиты пользователей [12]:

– оперативная клиентская помощь в критических ситуациях: чат-бот, доступный 24/7, мгновенно реагирует на запрос, помогает заблокировать карту, предоставляет информацию о дальнейших действиях и направляет к специалисту, если это необходимо, предотвращая финансовые потери;

– обучение и профилактика: виртуальные ассистенты реагируют на проблемы, действуя на их предотвращение. Они могут обучать клиентов правилам безопасного поведения в интернете, распознаванию фишинговых писем и мошеннических сайтов. «Интерактивные уроки и персонализированные советы, предоставляемые виртуальным ассистентом, способствуют повышению осведомленности пользователей, формируя их психологическую устойчивость к онлайн-угрозам» [8].

Таким образом, в целях эффективного использования ИИ в безопасности финансового сектора предлагается обеспечить его совместимость с уже используемыми системами безопасности и IT-инфраструктурой. Несмотря на сложность процесса, он является критически важным для достижения максимальной отдачи от внедрения ИИ.

Заключение

В результате исследования были получены следующие выводы:

1. Благодаря ИИ финансовый сектор получает возможность проактивно предотвращать угрозы безопасности и оперативно реагировать на возникающие инциденты.

2. ИИ позволяет реализовывать превентивные меры, такие как выявление аномалий в транзакциях, прогнозирование мошеннических действий и оценку рисков, снижая вероятность финансовых преступлений.

3. ИИ предлагает решения для автоматизации процессов безопасности, таких как мониторинг транзакций в реальном времени, идентификация и аутентификация клиентов, повышая эффективность и скорость реагирования на угрозы.

4. Внедрение ИИ в финансовом секторе требует учета этических и регуляторных аспектов, обеспечение прозрачности и интерпретируемости алгоритмов.

5. Дальнейшие исследования и разработки в области ИИ могут привести к созданию рациональных и надежных решений в обеспечении безопасности финансового сектора.

[1] DDoS-атака (Distributed Denial of Service, «распределённый отказ в обслуживании») – это тип кибератаки, при которой множество устройств одновременно отправляют большое количество запросов к одному серверу или сети. Это приводит к перегрузке ресурсов, из-за чего сервис становится недоступным для пользователей.