Ethio telecomにおけるサブスクリプション詐欺検出のアンサンブル学習による強化

科学分野:

• コンピューターサイエンス
• データサイエンス
• 電気通信

背景:

• サブスクリプション詐欺は、世界中の電気通信会社にとって重大な財政的および国家安全保障上のリスクをもたらしています。
• Ethio Telecom は、ネットワーク内でのサブスクリプション詐欺の検出と軽減において重大な課題に直面しています。

研究 の 目的:

• 電気通信サブスクリプション詐欺に合わせた高度な不正検知モデルを開発および評価すること。
• アンサンブル学習およびアダプティブ学習技術を採用することにより、不正検知の精度を向上させること。

主な方法:

• 1,000,000件の通話明細レコード (CDR) のデータセットは、前処理と特徴選択の後、8つの主要な特徴を保持して349,164件のレコードに精製されました。
• 個々のモデル (決定木、ロジスティック回帰、人工ニューラルネットワーク) およびアンサンブル法 (バギング、ブースティング、スタッキング、投票) が実装されました。
• Hoeffding Tree および Adaptive Random Forest を含むアダプティブ・モデルが不正検知に利用されました。

主要な成果:

• 特徴選択により、効果的な不正検知のための8つの重要な特徴が特定されました。
• アンサンブル法、特にスタッキングは、不正行為の特定において強力なパフォーマンスを示しました。
• アダプティブ・ランダム・フォレスト (ARF) も、サブスクリプション詐欺検出において堅牢な能力を示しました。

結論:

• スタッキングおよびアダプティブ・ランダム・フォレスト (ARF) は、電気通信におけるサブスクリプション詐欺検出に非常に効果的なモデルとして推奨されます。
• 開発されたモデルは、Ethio Telecom のような企業にとってサブスクリプション詐欺との戦いにおいて重要な進歩を提供します。