Computerwetenschappers van het King’s College in Londen hebben een nieuw hulpmiddel ontwikkeld waarmee witwaspraktijken sneller en nauwkeuriger kunnen worden opgespoord. De tool kan in minder dan een seconde vijftig miljoen transacties scannen.
- De nieuwe software detecteert witwaspraktijken drie keer sneller dan conventionele methoden.
- De algoritmes identificeren wanneer criminelen geld opdelen in meerdere kleine transacties.
- De software werd getest met echte gegevens van een bank en kon verdachte patronen herkennen.
De onderzoekers hebben een geheel nieuwe aanpak ontwikkeld voor het detecteren van witwaspraktijken, gebaseerd op algoritmes die snel identificeren wanneer criminelen een groot geldbedrag opsplitsen in meerdere kleinere transacties tussen verschillende bankrekeningen – een techniek die bekend staat als ‘smurfen’.
De puntjes verbinden
De algoritmes werken op gegevens van verschillende bankrekeningen, die worden weergegeven als knooppunten in een grote, complexe grafiek. De software is geprogrammeerd om zich te richten op het deel van de grafiek waar de meest verdachte activiteit wordt gedetecteerd.
Als er bijvoorbeeld een storting is van een miljoen pond, kan de software controleren waar dit exacte bedrag naartoe wordt overgemaakt – het heeft de mogelijkheid om alle combinaties van gerelateerde transacties die plaatsvinden te identificeren, zelfs als het geld is verdeeld over verschillende rekeningen en uitgaven.
De nieuwe software is meer dan drie keer effectiever dan huidige detectiemethoden en ook grotere hoeveelheden gegevens kan analyseren.
Het Bureau van de Verenigde Naties voor drugs- en misdaadbestrijding (UNODC) schat dat jaarlijks tussen de twee en vijf procent van het wereldwijde BBP wordt witgewassen, ruwweg tussen de 632 miljard pond en meer dan 1,5 biljoen pond.
Open source software
Onderzoeker Loukides licht toe: “We hebben een optimale methode ontwikkeld die de best mogelijke oplossing kan vinden voor het detecteren van veelvoorkomende classificaties van smurfaanvallen over miljoenen hoeveelheden gegevens, gemiddeld 3,2 keer effectiever dan de state-of-the-art methoden die momenteel worden gebruikt. We zijn nu bezig om de tool verder te verbeteren, om een hogere snelheid te leveren dan conventionele benaderingen, maar met een nog hogere nauwkeurigheid.”
De software voor de nieuwe tool is open source en vrij toegankelijk. Omdat het kan worden gebruikt met veel grotere hoeveelheden gegevens dan conventionele detectiemethoden, kunnen de onderzoekers zeggen dat het grote hoeveelheden gegevens over lange perioden kan analyseren, filteren en een alarmsignaal afgeven om de bank aan te geven wanneer het verdachte activiteiten detecteert.
Meer dan alleen financiële activiteiten
De aanpak is getest met echte gegevens van een anonieme Tsjechische bank en met fictieve gevallen op basis van voorspellingen van veelvoorkomende patronen en activiteiten in echte witwaszaken. In beide gevallen konden de algoritmen alle verdachte transactiepatronen detecteren.
Onderzoekers zeggen dat de nieuwe tool ook een potentieel nut heeft buiten het detecteren van verdachte financiële activiteiten, omdat het marketingcampagnes zou kunnen optimaliseren door retailers in staat te stellen de meest winstgevende productbundels te vinden en te detecteren, waardoor de nauwkeurigheid van retailgegevens snel verbetert.
Als je dit artikel leuk vindt, lees dan ook:
