Métodos y técnicas de Machine Learning e Inteligencia Artificial para el enfrentamiento al fraude en las Telecomunicaciones: Técnicas de minería de datos aplicadas a las gestión del fraude

Claudia Beatríz  Martínez Castro; Jose Alberto Vilalta Alonso

Autores/as

Claudia Beatríz Martínez Castro Empresa de Telecomunicaciones de Cuba ETECSA
Jose Alberto Vilalta Alonso Universidad Tecnológica de la Habana "José Antonio Echeverría"

Palabras clave:

aprendizaje automático; fraude en telecomunicaciones; fraude bypass; inteligencia artificial; minería de datos

Resumen

Este trabajo recoge un estudio bibliográfico sobre diferentes métodos y técnicas de minería de datos (MD), Machine Learning (ML) o aprendizaje automático, e Inteligencia Artificial (IA), asociados al enfrentamiento al fraude en las telecomunicaciones, el cual está en constante transformación y se ha complejizado a la par que los servicios y las tecnologías. Cada vez la cantidad de datos para procesar es mayor, lo que incide en un aumento del tiempo de respuesta al fraude si no se emplean técnicas apropiadas, además de que se exige la combinación de diversas fuentes de datos, por lo que este tipo de herramienta es fundamental, tanto para la detección de patrones (comportamientos de fraude), como para la automatización de los procesos de trabajo que permitan reducir los tiempos de respuesta. Esto se logra con la aplicación de una serie de métodos que pueden ser supervisados, semisupervisados y no supervisados, que comprenden algoritmos para el tratamiento de grandes volúmenes de datos, específicamente para el tratamiento del fraude bypass. Al reducir el tiempo de detección y mitigación del fraude, así como la correcta caracterización de patrones de comportamiento fraudulentos, se garantiza el aseguramiento de los ingresos y se evitan pérdidas económicas.

Citas

Abdallah, A., M. A. Maarof & A. Zainal (2016). "Fraud detection system: A survey". Journal of Network and Computer Applications, 68: 90-113.

Al Bougha, M. R. (2016). "Comparing data mining classification algorithms in detection of simbox fraud".

Alcívar León, C. R. (2020). "Diseño de un modelo predictivo a través de la técnica de minera de datos ‘Random Forest’para la detección de fraude bypass en redes telefónicas en el Ecuador".

Arana Porlles, D. A. (2017). "Influencia de un sistema integrado de información en la gestión del fraude en una empresa de telecomunicaciones, 2016".

Arias, F. & N. Cerpa (2008). "Extendiendo el modelo e-SCARF de detección de fraude en sistemas de comercio electrónico". Ingeniare. Revista chilena de ingeniería, 16(2): 282-294.

Arun, K., M. Ali, G. Irtaza & T. Anwar (2020). "Big Data analytics with Machine Learning for iot sensed data". Pal Arch's, Journal of Archaeology of Egypt/Egyptology 17(7): 5293-5301.

Association, C. F. C. (2021). Fraud loss survey report, 2021.

Cano Cancela, J. R. I., David; Moreno Izquierdo, Raúl (2011). Improving Fraud Detection Modeling.

Castro Aguilar, G. F. (2017). "Modelo para el aseguramiento de ingresos en organizaciones orientadas a proyectos basado en minería de datos anómalos".

Chouiekh, A. & E. H. I. E. Haj (2018). "Convnets for fraud detection analysis". Procedia Computer Science, 127: 133-138.

Da Costa, R. F. L. (2020). "Next Generation Machine Learning Based Real Time Fraud Detection".

Eng, D. A. & S. G. G. Álvarez (2018). "Lógica Difusa para la detección de comportamientos anómalos en los sistemas de telefonía". Tono, Revista Técnica de la Empresa de Telecomunicaciones de Cuba S.A., 14(2): 73-84.

Ferreira, L., A. Pilastri, C. Martins, P. Santos & P. Cortez (2020). "An automated and distributed Machine Learning framework for telecommunications risk management".

Getahun, A. (2020). Telecom Voice Traffic Termination Fraud Detection Using Ensemble Learning: The Case of Ethio Telecom, St. Mary’s University.

Ighneiwa, I. & H. Mohamed (2017). "Bypass fraud detection: Artificial intelligence approach". arXiv preprint arXiv:1711.04627.

Jiménez Burgos, M. L. "El impacto del fraude en empresas de telecomunicaciones".

Kouam, A. J., A. C. Viana & A. Tchana (2021). "SIMBox bypass frauds in cellular networks: Strategies, evolution, detection, and future directions". IEEE Communications Surveys & Tutorials.

Menes Camejo, I., G. Arcos Medina & K. Gallegos Carrillo (2015). "Desempeño de algoritmos de minería en indicadores académicos: Árbol de Decisión y Regresión Logística". Revista Cubana de Ciencias Informáticas, 9(4): 104-117.

Orbe Ordoñez, M. A. (2018). Propuesta metodológica de analítica de datos para estudio y análisis de tráfico en redes de telecomunicaciones, Quito, 2017.

Pérez, A. M., et al. (2004). "Aplicaciones de aprendizaje no supervisado para la detección de patrones de fraude en telecomunicaciones". Comunicaciones de Telefónica I+D, (34): 161-180.

Subudhi, S. & S. Panigrahi (2016). "Use of fuzzy clustering and support vector machine for detecting fraud in mobile telecommunication networks". International Journal of Security and Networks, 11(1-2): 3-11.

Tarmazakov, E. I. & D. S. Silnov (2018). Modern approaches to prevent fraud in mobile communications networks. IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), IEEE.

Zhao, Q., K. Chen, T. Li, Y. Yang & X. Wang (2018). "Detecting telecommunication fraud by understanding the contents of a call". Cybersecurity, 1(1): 1-12.