ΑΜRules for fraud detection with Spark Streaming

Fragiadoulakis Emmanouil

URI	http://purl.tuc.gr/dl/dias/511D251A-FCD6-4B17-95D6-748E0F42FB40	-
Identifier	https://doi.org/10.26233/heallink.tuc.78971	-
Language	en	-
Extent	48 pages	en
Title	ΑΜRules for fraud detection with Spark Streaming	el
Title	ΑΜRules για ανίχνευση απάτης με Spark Streaming	el
Creator	Fragiadoulakis Emmanouil	en
Creator	Φραγκιαδουλακης Εμμανουηλ	el
Contributor [Thesis Supervisor]	Deligiannakis Antonios	en
Contributor [Thesis Supervisor]	Δεληγιαννακης Αντωνιος	el
Contributor [Committee Member]	Garofalakis Minos	en
Contributor [Committee Member]	Γαροφαλακης Μινως	el
Contributor [Committee Member]	Lagoudakis Michail	en
Contributor [Committee Member]	Λαγουδακης Μιχαηλ	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Content Summary	In 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 Summary	Στις 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 Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2018-10-05	-
Date of Publication	2018	-
Subject	Ανίχνευση απάτης	el
Subject	Fraud detection	en
Subject	Machine learning	en
Subject	Spark Streaming	en
Bibliographic Citation	Emmanouil Fragiadoulakis, "ΑΜRules for fraud detection with Spark Streaming", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2018	en
Bibliographic Citation	Εμμανουήλ Φραγκιαδουλάκης, "ΑΜRules για ανίχνευση απάτης με Spark Streaming", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018	el

Search

Browse

My Space

ΑΜRules for fraud detection with Spark Streaming

Fragiadoulakis Emmanouil

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: