Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

ΑΜRules for fraud detection with Spark Streaming

Fragiadoulakis Emmanouil

Simple record


URIhttp://purl.tuc.gr/dl/dias/511D251A-FCD6-4B17-95D6-748E0F42FB40-
Identifierhttps://doi.org/10.26233/heallink.tuc.78971-
Languageen-
Extent48 pagesen
TitleΑΜRules for fraud detection with Spark Streamingel
TitleΑΜRules για ανίχνευση απάτης με Spark Streamingel
CreatorFragiadoulakis Emmanouilen
CreatorΦραγκιαδουλακης Εμμανουηλel
Contributor [Thesis Supervisor]Deligiannakis Antoniosen
Contributor [Thesis Supervisor]Δεληγιαννακης Αντωνιοςel
Contributor [Committee Member]Garofalakis Minosen
Contributor [Committee Member]Γαροφαλακης Μινωςel
Contributor [Committee Member]Lagoudakis Michailen
Contributor [Committee Member]Λαγουδακης Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryIn this day and age, an important part of our daily interaction with our electronic devices is on-line payments, which results in a great amount of transactions. In order to handle these transactions, to determine if they're fraudulent, we need an efficient, distributed and streamable machine learning algorithm, that can process big amount of incoming data and react to it instantly. Thus, we implemented the distributed Adaptive Model Rules on Spark Streaming, an extension of the Spark Core API which enables the development of scalable, fault-tolerant streaming applications. Adaptive Model Rules is an one-pass algorithm for training its model from streaming data and is robust to outliers and irrelevant features. The experimental results concluded, that there is a noticeable speedup from Vertical Adaptive Model Rules to Hybrid Adaptive Model Rules at the cost of reduced accuracy.en
Content SummaryΣτις μέρες μας, ένα σημαντικό κομμάτι της καθημερινότητας μας όσον αφορά τις ηλεκτρονικές μας συσκευές είναι οι online πληρωμές, το οποίο έχει ως αποτέλεσμα πληθώρα συναλλαγών. Με σκοπό να διαχειριστούμε αυτές τις συναλλαγές, για να καθορίσουμε αν είναι απάτη, χρειαζόμαστε έναν αποτελεσματικό, κατανεμημένο και streamable αλγόριθμο μηχανικής μάθησης, όπου να μπορεί να διαχειριστεί μεγάλη μέγεθος εισερχόμενων δεδομένων και να αντιδρά σε αυτά άμεσα. Έτσι, υλοποιήσαμε τον κατανεμημένο Adaptive Model Rules στο Spark Streaming, μία επέκταση του Spark Core API, που επιτρέπει την υλοποίηση scalable, με ανθεκτικότητα σε σφάλματα εφαρμογών streaming. O Αdaptive Model Rules είναι ένας αλγόριθμος ενός περάσματος για την εκπαίδευση του μοντέλου του από ροές δεδομένων και είναι ανθεκτικός σε απότομες αλλαγές και άσχετες ιδιότητες. Τα πειραματικά αποτελέσματα κατέληξαν στο ότι υπάρχει σημαντική αλλαγή στο χρόνο από τον κάθετο Adaptive Model Rules στο υβριδικό Αdaptive Model Rules, το οποίο έχει ως κόστος την μείωση της ακρίβειας.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2018-10-05-
Date of Publication2018-
SubjectΑνίχνευση απάτηςel
SubjectFraud detectionen
SubjectMachine learningen
SubjectSpark Streamingen
Bibliographic CitationEmmanouil Fragiadoulakis, "ΑΜRules for fraud detection with Spark Streaming", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2018en
Bibliographic CitationΕμμανουήλ Φραγκιαδουλάκης, "ΑΜRules για ανίχνευση απάτης με Spark Streaming", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018el

Available Files

Services

Statistics