HỆ THỐNG PHÁT HIỆN GIAN LẬN GIAO DỊCH KẾT HỢP GNN VÀ XGBOOST

Abstract

Trong bối cảnh hệ thống tài chính toàn cầu ngày càng phức tạp, các hành vi rửa tiền và gian lận tài chính đang tiến hóa tinh vi, sử dụng mạng lưới giao dịch chằng chịt nhằm qua mặt các hệ thống giám sát tuyến tính dựa trên luật (rule-based) truyền thống. Khóa luận này đề xuất và phát triển một hệ thống tự động phát hiện rửa tiền (Anti-Money Laundering - AML) ứng dụng các kỹ thuật Học máy (Machine Learning) và Học sâu (Deep Learning) hiện đại, với trọng tâm đột phá là khai thác tập dữ liệu dưới dạng Đồ thị tương tác (Network Graph) kết hợp Chuỗi thời gian (Time-series). Về mặt nền tảng thuật toán, nghiên cứu giải quyết thành công rủi ro "rò rỉ dữ liệu tương lai" (temporal data leakage) — một thách thức kinh điển khi xử lý đồ thị động — thông qua cơ chế phân tách cửa sổ thời gian (Chronological Sub-splitting) nghiêm ngặt. Hệ thống thiết kế và huấn luyện thành công kiến trúc mạng nơ-ron đồ thị Không gian - Thời gian (Spatio-Temporal GNN), kết hợp giữa mạng truyền tin nhận thức cạnh (EdgeSAGE) và mạng bộ nhớ chuỗi (LSTM). Sự kết hợp này giúp mô hình thấu hiểu trọn vẹn cả cấu trúc tô-pô không gian lẫn chu kỳ dịch chuyển dòng tiền. Song song đó, nghiên cứu tiến hành đối chuẩn (benchmarking) toàn diện hệ thống với 5 mô hình Học máy truyền thống, qua đó khẳng định sự ưu việt của các thuật toán Boosting (đặc biệt là LightGBM) trong việc xử lý dữ liệu mất cân bằng cực độ. Về mặt ứng dụng thực tiễn, đề tài không dừng lại ở các chỉ số lý thuyết mà đã đóng gói thành công một nguyên mẫu phần mềm (Web Dashboard) hỗ trợ nghiệp vụ hoàn chỉnh. Ứng dụng cung cấp các công cụ điều tra trực quan mạnh mẽ: từ khả năng tự động nhận diện các cấu trúc hình học rửa tiền kinh điển (Cycle, Fan-out, Gather-Scatter, Bipartite,...), tái hiện biểu đồ mạng lưới tội phạm ba chiều, cho đến minh bạch hóa cơ sở ra quyết định của AI thông qua công cụ giải thích mô hình (SHAP). Kết quả của đề tài không chỉ đóng góp một phương pháp luận vững chắc cho các nghiên cứu về đồ thị tài chính, mà còn cung cấp một giải pháp công nghệ tiềm năng giúp các điều tra viên tại tổ chức ngân hàng truy vết nhanh chóng và triệt phá tận gốc các đường dây tội phạm có tổ chức. In the context of an increasingly complex global financial system, money laundering and financial fraud behaviors are evolving rapidly, utilizing intricate transaction networks to bypass traditional rule-based monitoring systems. This thesis proposes and develops an automated Anti-Money Laundering (AML) system applying modern Machine Learning and Deep Learning techniques, with a breakthrough focus on exploiting datasets formulated as Network Graphs and Time-series. Methodologically, the research successfully addresses the risk of "temporal data leakage" — a classic challenge when processing dynamic graphs — through a strict Chronological Sub-splitting mechanism. The system designs and successfully trains a Spatio-Temporal Graph Neural Network (GNN) architecture, combining an edge-aware message passing network (EdgeSAGE) with a long short-term memory network (LSTM). This combination empowers the model to comprehensively understand both the spatial topological structure and the temporal flow cycle of money. Concurrently, the study conducts comprehensive benchmarking of the system against 5 traditional Machine Learning models, thereby confirming the superiority of Boosting algorithms (specifically LightGBM) in handling highly imbalanced data. In terms of practical application, the project goes beyond theoretical metrics by successfully packaging the solution into a fully functional Web Dashboard prototype. The application provides powerful visual investigative tools: from the ability to automatically identify classic topological laundering patterns (Cycle, Fan-out, Gather-Scatter, Bipartite, etc.) and reconstruct interactive criminal network graphs, to enhancing the transparency of AI decision-making through model explainability tools (SHAP). The outcomes of this thesis not only contribute a solid methodology for research on financial graphs but also provide a potential technological solution to help investigators at banking institutions swiftly trace and completely dismantle organized criminal networks.