Finantspettuste avastamine: deklaratiivne lähenemine
Nimi
Mohga Soliman Emam Hewashy
Kokkuvõte
Lõputöö eesmärk on tutvustada deklaratiivset lähenemist finantsjärelevalve üksuste poolt määratletud staatiliselt määratletud finantspettuste avastamise kasutusjuhtudele ja stsenaariumidele, et tabada rahapesu ja terrorismi rahastamisega seotud tegevusi ML/TF. Lõputöö tutvustab Match_Recognize Pythoni teeki, mis asendab pankade ja finantsasutuste tehingute jälgimise süsteemi sisestatud staatilisi reegleid, et tuvastada finantspettusi ja kahtlasi tegevusi. Kasutusele võetud Match_Recognize Pythoni teek jäljendab SQL-i klausli Match_Recognize funktsionaalsust, mis teostab mustrituvastuse regulaaravaldiste abil, mida saab kasutada finantspettuste mustrite tuvastamiseks ja seega välistab vajaduse kavandada ja arendada spetsiaalseid staatiliste kasutusjuhtumite stsenaariume. Teeki Match_Recognize kasutades saavad finantsasutused ja organisatsioonid koostada finantspettuste tuvastamise
kasutusjuhtumi stsenaariume, mida nõuavad finantsregulatsiooniüksused, kasutades lihtsaid regulaaravaldisi, mis edastatakse koos andmestikuga teeki. Lisaks sisaldab Match_Recognize Pythoni teek funktsiooni Match_Recognize Automaton, mis kinnitab uued pakutud mustrid regulaaravaldiste kujul Match_Recognize klausli mustri regulaaravaldises, kasutades mittedeterministlikku automaati, mis on loodud dünaamiliselt Match_Recognize mustri regulaaravaldisest.
Lõputöö tutvustab ka mitmeid mitmekülgseid ja paindlikke finantspettuste avastamise stsenaariume, mis on inspireeritud Financial Action Task Force'i soovitustest. Match_Recognize Pythoni teegi hindamine viiakse läbi, käivitades finantspettuste tuvastamise stsenaariumid nii Oracle'i andmebaasi Match_Recognize klausli kui ka Match_Recognize Pythoni raamatukogu ja seejärel tulemusi võrreldes. Spetsiaalne ajalogi on loodud selleks, et võrrelda iga finantspettuste tuvastamise stsenaariumi staatiliseks simuleerimiseks kuluvat keskmist aega ja seda Match_Recognize Pythoni teegi abil. Tulemused näitavad, et Match_Recognize teek vähendab tõepoolest finantspettuste stsenaariumi simulatsiooni aega 96.3%.
kasutusjuhtumi stsenaariume, mida nõuavad finantsregulatsiooniüksused, kasutades lihtsaid regulaaravaldisi, mis edastatakse koos andmestikuga teeki. Lisaks sisaldab Match_Recognize Pythoni teek funktsiooni Match_Recognize Automaton, mis kinnitab uued pakutud mustrid regulaaravaldiste kujul Match_Recognize klausli mustri regulaaravaldises, kasutades mittedeterministlikku automaati, mis on loodud dünaamiliselt Match_Recognize mustri regulaaravaldisest.
Lõputöö tutvustab ka mitmeid mitmekülgseid ja paindlikke finantspettuste avastamise stsenaariume, mis on inspireeritud Financial Action Task Force'i soovitustest. Match_Recognize Pythoni teegi hindamine viiakse läbi, käivitades finantspettuste tuvastamise stsenaariumid nii Oracle'i andmebaasi Match_Recognize klausli kui ka Match_Recognize Pythoni raamatukogu ja seejärel tulemusi võrreldes. Spetsiaalne ajalogi on loodud selleks, et võrrelda iga finantspettuste tuvastamise stsenaariumi staatiliseks simuleerimiseks kuluvat keskmist aega ja seda Match_Recognize Pythoni teegi abil. Tulemused näitavad, et Match_Recognize teek vähendab tõepoolest finantspettuste stsenaariumi simulatsiooni aega 96.3%.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Ahmed Awad
Kaitsmise aasta
2023