Ανάπτυξη υπηρεσιών και χαρακτηρισμός χρηστών επικοινωνιακής & δικτυακής τεχνολογίας

Abstract

The main task of the dissertation is the modeling of user behavior in a telecommunications network in order to detect fraudulent activities. User behavior characterization is achieved by means of appropriate user profiles. These can be either one- or multi-dimensional structures. One-dimensional user activity representations are actually time-series of a network usage measure, e.g. calls per day or bulk of downloaded data. Multi-dimensional profiles may use more usage characteristics such as calls per day, corresponding duration, cost, hour-of-day, etc. User profiles are analyzed through artificial intelligence, statistical and data mining methods. The dissertation uses both a dofferential and an absolute approach to the problem. Problem heuristics as well as all experimentation and conclusions are based on real world

Η παρούσα διατριβή ασχολείται με το πρόβλημα της μοντελοποίησης της συμπεριφοράς χρηστών σε τηλεπικοινωνιακά δίκτυα με στόχο τον εντοπισμό περιπτώσεων τηλεπικοινωνιακής απάτης. Η μοντελοποίηση των χρηστών γίνεται με τη μορφή πορτραίτων και η επιλογή του καταλληλότερου είναι ένας από τους στόχους. Τα πορτραίτα που κατασκευάζονται μπορεί να είναι μονοδιάστατα ή πολυδιάστατα. Τα πορτραίτα που κατασκευάζονται μπορεί να είναι μονοδιάστατα ή πολυδιάστατα. Τα μονοδιάστατα πορτραίτα είναι στην ουσία χρονοσειρές στις οποίες η μεταβλητή είναι ένα από τα μεγέθη χρήσης του δικτύου από τον χρήστη(π.χ. αριθμός κλήσεων ανά μέρα, ΜΒyte πληροφορίας που κατέβασε σε μία μέρα, κ.ο.κ.). Τα πολυδιάστατα αποτελούνται από περισσότερες μεταβλητές που μπορεί να είναι κάποια από τα δεδομένα χρήσης του δικτύου χωρισμένα ανά προορισμό ή ανά ώρα της ημέρας. Τα πορτραίτα αναλύονται με μεθόδους από την στατιστική, την τεχνητή νοημοσύνη και την περιοχή της εξόρυξης δεδομένων. Στη διατριβή χρησιμοποιούνται δύο αντίθετες αλλά συμπληρωματικές προσεγγίσεις, η διαφορική και η απόλυτη. Τόσο η ευρετική του προβλήματος όσο και οι πειραματισμοί και τα συμπεράσματα βασίστηκαν σε πραγματικά και όχι σε προσομοιωμένα δεδομένα. Βασική προϋπόθεση που τίθεται είναι η προστασία της ιδιωτικότητας και αποφεύγεται η χρήση προσωπικών δεδομένων. Το γεγονός αυτό περιορίζει δραματικά τον χώρο των εισόδων του προβλήματος. Ετσι, σε αντίθεση με άλλες προσεγγίσεις χρησιμοποιείται ένας ελάχιστος αριθμός παραμέτρων για την κατασκευή των πορτραίτων των χρηστών. Μετά τη κατασκευή των πορτραίτων ελέγχεται η ικανότητά τους στον χαρακτηρισμό των χρηστών και επιλέγεται το καταλληλότερο. Με αυτή τη λογική η αρχική προσέγγιση στο πρόβλημα είναι μία διαφορική προσέγγιση ανά χρήστη. Τα συμπεράσματα συνδυάζονται με μεθόδους δεδομένων και μετα-μάθησης ώστε να γενικευτούν τα αποτελέσματα και να εξαχθούν κανόνες για τον διαχωρισμό περιπτώσεων νόμιμης χρήσης και απάτης. Επίσης, στη διατριβή προτείνεται η χρήση μεθόδων ανάλυσης παρεμβάσεων σε χρονοσειρές ως μία μέθοδος εντοπισμού αλλαγών στη συμπεριφορά. Συμπληρωματικά, προτείνεται και μια νέα μέθοδος εντοπισμού παρεμβάσεων σε χρονοσειρές η οποία χρησιμοποιεί στατιστικά ανώτερης τάξης. Οι μέθοδοι συνδυάζονται σε ένα έμπειρο σύστημα για τη ανάλυση των λογαριασμών και την ανίχνευση απάτης. Τέλος, τονίζεται η σημασία της συμμετοχής των χρηστών στη διαδιακασία ώστε να επιτυγχάνεται ακριβέστερος χαρακτηριστικός των δεδομένων αλλά και να νομιμοποιείται ο αναλυτής να χρησιμοποιήσει παερισσότερα κι ενδεχομένως προσωπικά δεδομένα