29
Evitando el fraude a través de la REpresentación de la información en grafos Dr. Jesús Barrasa Univ. Deusto, 27 Oct 2015

Evitando el fraude a través de la presentación de la información en grafos

Embed Size (px)

Citation preview

Page 1: Evitando el fraude a través de la presentación de la información en grafos

Evitando el fraude a través de la REpresentación de la información en grafos

Dr. Jesús Barrasa Univ. Deusto, 27 Oct 2015

Page 2: Evitando el fraude a través de la presentación de la información en grafos

Aclaración: esto no son grafos.

Page 3: Evitando el fraude a través de la presentación de la información en grafos

Qué es un grafo?

Vértice

Arco

Page 4: Evitando el fraude a través de la presentación de la información en grafos

Análisis de la “popularidad” de los diferentes tipos de bases de datos (db-engines.com)

Page 5: Evitando el fraude a través de la presentación de la información en grafos

El origen: Teoría de grafos

Con ustedes… Leonhard Euler

• Matemático suizo • Inventor de la teoría

de grafos (1736)

Page 6: Evitando el fraude a través de la presentación de la información en grafos

Königsberg (Prusia) - 1736

Page 7: Evitando el fraude a través de la presentación de la información en grafos

A

B

D

C

Page 8: Evitando el fraude a través de la presentación de la información en grafos

A

B

D

C

1

23

4

7

65

Page 9: Evitando el fraude a través de la presentación de la información en grafos

El modelo ‘Labeled Property Graph’

Page 10: Evitando el fraude a través de la presentación de la información en grafos

Redes sociales

Page 11: Evitando el fraude a través de la presentación de la información en grafos

Análisis de impacto en redes de telecomunicaciones

Page 12: Evitando el fraude a través de la presentación de la información en grafos

Sistemas de recomendación

Page 13: Evitando el fraude a través de la presentación de la información en grafos

Logística

Page 14: Evitando el fraude a través de la presentación de la información en grafos

Detección y prevención de fraude

Page 15: Evitando el fraude a través de la presentación de la información en grafos

Qué ha pasado hasta ahora? Límites del enfoque relacional• Introduce complejidad al modelizar

relaciones • Degradación del rendimiento al

aumentar el numero de asociaciones, y con el volumen de datos

• Complejidad de las consultas crece necesidad de JOINs

• Introducir nuevos tipos de datos y asociaciones requieres rediseño del esquema, migración, coste

… hacen a las RDB inadecuadas cuando las asociaciones entre puntos de datos son valiosas en tiempo real

Desarrollo lento Rendimiento pobre

Problemas escalabilidadCoste de mantenimiento

Page 16: Evitando el fraude a través de la presentación de la información en grafos

NoSQL al rescate, pero que pasa con las asociaciones?• No ofrecen estructuras de datos

para modelizar o almacenar relaciones

• Los lenguajes de consultas no incluyen elementos para consultarlas

• La logica de association de datos vive en la capa de aplicación

• No transaccionales (ACID)

… hacen a estas tres categorías NoSQL inadecuadas cuando las asociaciones entre puntos de datos son valiosas en tiempo real

Page 17: Evitando el fraude a través de la presentación de la información en grafos

El cruce de caminos

Page 18: Evitando el fraude a través de la presentación de la información en grafos

El modelo conceptual es el modelo físico

Page 19: Evitando el fraude a través de la presentación de la información en grafos

Fraude: First-Party

• Objetivo de los defraudadores? Solicitar lineas de credito, actuar de forma aparentemente normal, extender el credito… y desaparecer!

• Creación de identidades sintéticas

• Caso poco mediatizado, ya que solo los bancos se ven afectados. • En el caso de 3rd party se da una suplantación de personalidad y el

afectado es una tercera persona.

Page 20: Evitando el fraude a través de la presentación de la información en grafos

Tamaño del problema

• Decenas de miles de millones de $ son defraudados al año solo a bancos estadounidenses

• 25% del total de créditos personales amortizados como perdidas

Page 21: Evitando el fraude a través de la presentación de la información en grafos

Anillo de fraude

Page 22: Evitando el fraude a través de la presentación de la información en grafos

Hasta donde llega el análisis discreto?

Page 23: Evitando el fraude a través de la presentación de la información en grafos

…la reacción no es sencilla

• Cuando el fraude es detectado, qué se debe cancelar? • Cómo hacerlo mas rápido que los defraudadores para minimizar

pérdidas? Es posible prevenirlo?

• Modelizando los datos como grafos

Page 24: Evitando el fraude a través de la presentación de la información en grafos

La gente comparte piso… y es normal

Page 25: Evitando el fraude a través de la presentación de la información en grafos

La gente comparte piso… y es normal

MATCH (p1:AccountHolder)-[:HAS_ADDRESS]->(a)<- [:HAS_ADDRESS]-(p2:AccountHolder) WHERE p1 <> p2 RETURN p1,p2,a

Page 26: Evitando el fraude a través de la presentación de la información en grafos

Cadena sospechosa

Page 27: Evitando el fraude a través de la presentación de la información en grafos

Cadena sospechosa

MATCH p = (a1:AccountHolder)-[r1:HAS_ADDRESS|:HAS_PHONENUMBER*8]-(a2:AccountHolder) WHERE a1 <> a2 return p

Page 28: Evitando el fraude a través de la presentación de la información en grafos

Bloqueo de tarjetas

MATCH p = (a1:AccountHolder)-[r1:HAS_ADDRESS|:HAS_PHONENUMBER*8]-(a2:AccountHolder) WHERE a1 <> a2 WITH nodes(p) as fraudsterList limit 1 UNWIND fraudsterList AS fraudster MATCH fraudster-[:HAS_CREDITCARD]->(cc) return fraudster.fullName, fraudster.UniqueId, cc.accountNumber

Page 29: Evitando el fraude a través de la presentación de la información en grafos

Neo Technology Overview

Product • Neo4j - World’s leading graph database

• 1M+ downloads, adding 50k+ per month

• 14 years of R&D

Company • Neo Technology, Inc., founded 2007

• 110 employees with HQ in Silicon Valley; offices in London, Munich, Paris and Malmö

• 160+ enterprise subscription customers including 60+ G2k companies

• 20,000+ education registrants

• 18,000+ Meetup members

• 100+ technology and service partners

• $45M in funding from Fidelity, Sunstone, Conor, Creandum, Dawn Capital

Customers & Partners • Retail: Walmart, Target, Adidas, eBay

• Telco: Telenor, Tre, AT&T, Deutsche Telecom

• Financial Services: UBS, JP Morgan, RBC, ICE

• Partners: Accenture, McKinsey, BCG

May 14 2015