Fintek Güvenlik ve Dolandırıcılık Önleme: ML-Tabanlı Fraud Detection

Fintek Güvenlik ve Dolandırıcılık Önleme: Yapay Zekâ ile İş Kaybını Durdurmak

Türkiye'deki fintek sektörü hızlı büyüyüyor, ancak dolandırıcılık olayları da paralel şekilde artıyor. Banka Kartı ve Ödeme Sistemi İşletmecileri Birliği (BKM) 2024 verilerine göre, dijital ödeme dolandırıcılığı her yıl yüzde 35 oranında artmaktadır. Bu istatistikler, güvenlik altyapısına yapılan yatırımın artık opsiyonel değil, zorunlu olduğunu göstermektedir.

Geleneksel kurallara dayalı sistemler artık yeterli değildir. Modern dolandırıcılar sürekli yeni teknikler geliştirirken, statik kurallar çoğunlukla geride kalır. Makine öğrenmesi tabanlı çözümler bu sorunun cevabıdır. Smart Maple, Ankara'da geliştirdiği dolandırıcılık algılama sistemleriyle Türk fintek şirketlerinin veri güvenliğini artırmaktadır.

---

1. Türkiye'deki Dolandırıcılık Ortamı

1.1 Mevcut Tehditler ve Rakamlar

BKM'nin 2024 raporuna göre:

• Toplam 847.000+ dolandırıcılık vakası bildirilmiş
• Kimlik avı (phishing) ataklarında yüzde 52 artış
• Hesap ele geçirme (Account Takeover) olayları tüm dolandırıcılığın yüzde 38'ini oluşturuyor
• İşletme başına ortalama kayıp: 15.000-45.000 TL

Bir fintek platformu, dolandırıcılık algılama sistemine yapılan yatırımı ortalama 3-6 ay içinde geri alır.

1.2 Yaygın Dolandırıcılık Vektörleri

Hesap Ele Geçirme (ATO): Saldırganlar, veri tabanı sızıntılarından elde edilen kimlik bilgilerini kullanarak hesaplara erişir. Türkiye'de bu tür olaylar ortalama 25.000 TL zarara neden olmaktadır. Tipik bir ATO saldırısında saldırgan, dark web'den edinilen kimlik-şifre kombinasyonlarını dener, IP spoofing ve proxy kullanarak kimlik doğrulamayı atlatmaya çalışır ve hesaba girdikten sonra para transferi gerçekleştirir.

Sentetik Kimlik Dolandırıcılığı: Saldırganlar gerçek ve sahte bilgileri harmanlamış yapay kimlikler oluştururlar. Gerçek kimlik numarası ile sahte telefon numarası, veya gerçek banka hesabı ile sahte vergi numarası kombinasyonlarını kullanarak, sistem tarafından "güvenilir" olarak değerlendirilme sağlarlar. Türkiye'de yeni açılan fintek hesaplarının yüzde 12'sinde bu tür dolandırıcılık görülmektedir.

Ödeme Dolandırıcılığı: Sahte harcama işlemleri, cihaz compromisesi, phishing ve malware yoluyla gerçekleşir.

---

2. Kurallara Dayalı vs Makine Öğrenmesi Tabanlı Çözümler

Fintek güvenliğini sağlamanın iki yaklaşımı vardır. İlki, statik kurallara dayalı sistemlerdir. Bunlar bilinen dolandırıcılık tiplerini hızlı şekilde yakalar ama yüzde 65-75 doğruluk oranına sahiptir. Yüksek yanlış pozitif oranı (%8-12) müşteri şikayetlerine neden olur. Yeni tehditlere uyum sağlamak için manuel müdahale gerekir ve bu 2-3 gün sürer.

İkincisi, makine öğrenmesi tabanlı sistemlerdir. Bu sistemler yüzde 92-97 doğruluk oranı elde eder, yüksek boyutlu verilerde etkili çalışır ve yanlış pozitif oranı yüzde 2-4'tür. Yeni tehditlere otomatik uyum sağlar ve modeli güncelleme süresi gerçek zamanlıdır.

En etkili yaklaşım, her iki yöntemin güçlü yönlerini birleştiren hibrit modeldir. Hızlı kural motoru ilk seviye filtreleme yapar, ML skorlama ikinci seviyede şüpheli işlemleri değerlendirir. Bu yapı, Türkiye'deki başarılı fintek şirketlerinin çoğu tarafından tercih edilmektedir.

---

3. Gerçek Zamanlı İşlem İzleme

Etkili bir dolandırıcılık önleme sistemi, gerçek zamanlı işlem izlemesinin etrafında kurulur. Sistem mimarisi web, mobil ve API katmanlarından gelen işlemleri toplayarak, kurallar motoru ve ML modelleri üzerinden geçirir. Her işlem için İşlem-tabanlı, cihaz-tabanlı ve davranış-tabanlı öznitelikler hesaplanır.

3.1 Sistem Bileşenleri

Veri Toplama: Web, mobil uygulamalar ve doğrudan API çağrılarından işlem verisi toplanır.

API Gateway: Gelen istekler doğrulanır, oransal sınırlama uygulanır ve cihaz parmak izi toplanır.

Olay Akışı: İşlem, kullanıcı davranışı ve kimlik doğrulama olayları bir olay akışına alınır.

Skorlama Motoru: Hızlı kural motoru ve ML modelleri işlemleri paralel şekilde değerlendirir.

Karar Motoru: Risk puanına göre işlem izin verilir, ek doğrulama istenir, reddedilir veya manuel incelemeye gönderilir.

3.2 Performans Hedefleri

Sistem, saniyede 50.000'den fazla işlemi işleyebilecek şekilde tasarlanmıştır. Veri toplama 10ms, kurallar motoru 20ms, ML skorlama 30ms ve karar alma 10ms içinde tamamlanır. Toplam yanıt süresi 100ms'nin altında kalır. Türkiye'deki bankalar ve fintek şirketleri için yüzde 99,5 işlemde 100ms altında karar verilmesi standart taleptir.

---

4. Makine Öğrenmesi Modelleri

4.1 Anomali Tespiti

Isolation Forest algoritması, normal davranıştan sapan işlemleri tespit etmek için idealdir. Özellikle gerçek dolandırıcılık örneklerinin normal işlemlerden çok daha az olduğu durumları (sınıf dengesizliği) yönetmede etkilidir. Bu model, etiketlenmiş veriye ihtiyaç duymaz, yüksek boyutlu verilerde çalışır ve GPU gerektirmez.

4.2 Sınıflandırma Modelleri

Etiketlenmiş dolandırıcılık ve meşru işlem verileriniz varsa XGBoost veya derin sinir ağları kullanılmalıdır. XGBoost, hız ve doğruluk açısından mükemmeldir. Derin sinir ağları karmaşık etkileşimler ve davranış desenleri için daha güçlüdür. En iyi sonuç, her iki modelin sonuçlarını birleştirerek elde edilir.

4.3 Öznitelik Mühendisliği

Bir dolandırıcılık algılama modelinin başarısı, seçilen özniteliklerin kalitesine bağlıdır. Smart Maple'ın 3+ yıllık Türkiye fintek verisi analizi sonuç iyile 46 boyutlu öznitelik seti belirlenmiştir:

İşlem-tabanlı öznitelikler: İşlem tutarı, işlem türü, işlem zamanı (gece vs gündüz), gün içi işlem sayısı, hedef hesap yaşı, coğrafi yer değişimi hızı, ödeme yöntemi sayısı, VPN/Proxy kullanımı.

Cihaz-tabanlı öznitelikler: Cihaz parmak izi puanı, işletim sistemi, tarayıcı, ekran çözünürlüğü, coğrafi konum, mobil kimliği, jailbreak/root durumu, emulator tespiti, cihaz yaşı, hesabı kullanan cihaz sayısı.

Davranış-tabanlı öznitelikler: Yazma hızı ve hata oranı, dokunma dinamikleri, mouse hareket deseni, sayfada geçirilen zaman, navigasyon deseni, kimlik doğrulama geçmişi, hesap yaşı.

Bu 46 boyutlu öznitelik seti, yüzde 96-98 doğruluk oranıyla dolandırıcılık tespiti yapabilir.

---

5. Cihaz Parmak İzi ve Bağlama Teknolojisi

Cihaz parmak izi, cihazı benzersiz ve tekrarlanabilir bir şekilde tanımlama işlemidir. Bir kullanıcının birden fazla cihazı olabilir, ancak her cihazın kimliği farklıdır.

Sistem, tarayıcı user agent, ekran çözünürlüğü, zaman dilimi, dil ayarları gibi pasif öznitelikleri toplar. Ayrıca kullanıcı izniyle geolocation, sensör verileri ve batarya durumunu toplar.

Kullanıcı ilk defa giriş yaptığında, cihaz parmak izi toplanır ve hash'i kaydedilir. Bir "binding token" oluşturulur. Sonraki girişlerde, aynı cihazdan gelen işlemler güvenilir olarak işaretlenir. Farklı bir cihazdan giriş yapılırsa risk skoru artırılır ve ek kimlik doğrulama istenir.

---

6. Davranışsal Biyometri

Davranışsal biyometri, bir kişinin etkileşim şeklini ölçer. Parmak izi gibi statik değildir ve sahte kimliklerle kopyalanamaz.

Yazma Deseni: Her insanın tuş basma hızı, hata oranı ve tuşlar arasındaki zaman farkı özgüldür.

Dokunma Dinamikleri: Mobil cihazlarda, her kullanıcının baskı kuvveti, dokunma alanı, dokunma hızı ve parmaklar arası açı farklıdır.

Navigasyon Deseni: Bir kullanıcının uygulama içinde ne kadar hızlı hareket ettiği, hangi öğelere tıkladığı gibi davranışlar, meşru kullanıcıları dolandırıcılardan ayırır.

---

7. 3D Secure Risk Tabanlı Kimlik Doğrulama

3D Secure 2.0, risk tabanlı kimlik doğrulama sunmaktadır. Düşük riskli işlemlerde (%25 altında) kimlik doğrulama atlanır ve frictionless deneyim sağlanır. Orta riskli işlemlerde (%25-50) SMS OTP veya push bildirimi istenir. Yüksek riskli işlemlerde (%50+) biometric doğrulama veya manuel inceleme yapılır.

Bu yaklaşım, kullanıcı deneyimini kötüleştirmeden güvenliği sağlar. Risk skoru düşük olan işlemler saniyeler içinde onaylanırken, gerçek tehditleri yakalamak mümkün olur.

---

8. Maliyet Analizi

Orta ölçekli bir fintek şirketi (aylık 500.000 işlem) için tam dolandırıcılık önleme sistemi kurmanın maliyeti:

İlk Yatırım: Yazılım geliştirme, ML modeli eğitimi, altyapı kurulumu, testing ve eğitim dahil toplam 57.000$ civarında.

Aylık İşletme Maliyeti: İnsan kaynağı, bulut altyapısı, servis ücretleri ve monitoring dahil toplam 19.400$/ay.

ROI: Dolandırıcılık oranı yüzde 1,2'den yüzde 0,3'e düştüğünde, aylık tasarruf 26.800$ olur. Net aylık kar (tasarruf - maliyet) 7.400$ olmakta ve yatırım geri dönüş süresi 7,7 ay (yaklaşık 8 ay) olmaktadır.

Dolandırıcılık oranı yüzde 0,1'e iyileşirse, tasarruf 36.000$'a çıkar ve ROI süresi 5,9 aya düşer.

Alternatifler: SaaS çözümleri (Seon, Fraud.net) daha düşük başlangıç maliyeti ile plug-and-play deneyim sunar. Hibrit yaklaşım, kontrol ve kolaylığın dengeli kombinasyonunu sağlar. Smart Maple gibi in-house çözümler yüksek ilk yatırım gerektirir ancak uzun vadıda en ucuz seçenektir.

---

9. Türkiye'deki Fintek Uygulamaları

Smart Maple'ın sistemi, çeşitli fintek şirketlerinin ihtiyaçlarını karşılamaktadır:

Mobil Ödeme Uygulamaları: Gerçek zamanlı işlem skorlaması, düşük latency ve çoklu para birimi desteği.

Kredi ve Mikro-Finans Platformları: Sentetik kimlik tespiti, tekrarlanan başvuruların algılanması, bir cihazdan çoklu hesap açılışının engellenmesi.

Kriptopara Borsaları: KYC/AML uyumluluğu, washing trading algılaması, pump-and-dump manipülasyonu tespiti.

---

Sonuç

Türkiye'deki dolandırıcılık verileri açıkça göstermektedir ki, güvenlik sistemi olmayan fintek şirketleri aylık önemli kayıplarla karşı karşıyadır. ML-tabanlı fraud detection sistemleri, parasal kayıpları engellemekle kalmaz, müşteri güvenini ve marka itibarını da korur.

Bir fintek şirketinin başarısı, özellikleri kadar güvenliği ile ölçülür. Risk-tabanlı kimlik doğrulama, ML modelleri ve gerçek zamanlı izleme, yeni tehditlere otomatik uyum sağlarken aynı zamanda iyi bir kullanıcı deneyimi sunar. ROI hesaplamaları göstermektedir ki, 8 ay içinde yapılan yatırım kendi kendisini ödemiş olmaktadır.

---

Dolandırıcılık sorununu çözmek için hazır mısınız? Smart Maple'ın dolandırıcılık önleme çözümleri hakkında daha fazla bilgi almak için smart-maple.com adresini ziyaret edin.