arXiv cs.AI· Joseph Walusimbi, Joshua Benjamin Ssentongo·· 9 天前AI 评分31
面向银行业的自主 AI 安全智能体：跨零售与企业账户的多向量欺诈与 AML 检测
An Autonomous AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts
AI 导读
一篇论文提出面向零售与企业银行的自主 AI 安全智能体，在低中风险层级独立处置、高风险升级给人工分析师，采用覆盖交易与会话两条并行事件流的三组件融合架构。在 237,669 笔交易和 113,508 个会话的合成日志上，其交易与会话 F1 分别达 0.787 和 0.867，高于规则基线的 0.562/0.733 和纯 LSTM 基线的 0.655/0.713。
正文 · AI 翻译
摘要：银行面临两类检测需求根本不同的威胁：基于签名的欺诈（无卡交易攻击、账户接管、ATM 克隆）与行为性金融犯罪（结构化、分层、钱骡网络、商务电子邮件入侵）。静态规则引擎能捕获高速事件，但对 BEC 支付重定向、会话劫持和洗钱分层仍然视而不见，这些手段在个体层面被设计得与合法活动无异。本文提出一种自主 AI 安全代理，在低风险和中风险层级独立行动，并在高风险和关键操作时升级至人类分析师或合规官，面向零售和企业银行，采用跨两条并行事件流的三组件融合架构：交易（卡欺诈、ACH/电汇欺诈、AML）和会话（账户接管、劫持、SIM 卡交换、内部人员滥用）。每条流结合了每账户行为的 LSTM 序列模型、统计速度/阈值监控器，以及捕获账户-交易对手模式（扇入、扇出、过账比率）的图模块，用于洗钱检测。在涵盖 13 个威胁类别、3,470 个账户的 237,669 笔交易和 113,508 个会话的合成日志上的实验表明，该代理的总体 F1 达到 0.787（交易）和 0.867（会话），而基于规则的基线为 0.562/0.733，仅 LSTM 基线为 0.655/0.713。该代理还包含面向客户的验证聊天机器人（身份准确率 96.6%，批量重置检测率 86.8%）和分析师案件摘要助手（行动建议 F1 为 99.3%），关键层级响应延迟在第 95 百分位下低于 0.43 毫秒。
| 评论： | 6 页，1 幅图，5 张表 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；新兴技术（cs.ET） |
| 引用为： | arXiv:2606.17555 [cs.CR] |
| （或 arXiv:2606.17555v4 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.17555 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Joseph Walusimbi [查看电子邮件]
[v1]
2026 年 6 月 16 日星期二 05:58:40 UTC（47 KB）
[v2]
2026 年 6 月 28 日星期日 14:10:36 UTC（49 KB）
[v3]
2026 年 10 月 6 日星期二 22:36:17 UTC（46 KB）
[v4]
2026 年 10 月 8 日星期四 05:40:53 UTC（46 KB）
来源：arXiv cs.AI · arxiv.org