چکیده فارسی :

 در بسیاری از موارد، پایگاه داده ها در حال تکامل دائمی هستند، داده های جدید به طور مداوم وارد می شوند. جریان داده ها چندین مسئله منحصربفرد را مطرح می کند که برنامه های روش های تحلیل داده کلاسیک را منسوخ می کند. در واقع، این پایگاه های داده به طور مداوم برخط هستند و با ورود داده های جدید در حال رشد می باشند. علاوه بر این، توزیع احتمال مرتبط با داده ها ممکن است به مرور زمان تغییر کند. در بانکداری آنلاین، تقلب یکی از مباحث بزرگ اخلاقی است. برای این چالش، اهداف اصلی روشهای داده کاوی این هستند که اولاً انواع مختلف تقلب کارتهای اعتباری را شناسایی کنند، و، دوماً تشخیص تقلب را شناسایی کنند. ما در این مقاله روش مصنوعی ارائه ساختار داده ها را پیشنهاد می کنیم که برای ذخیره سازی کارآمد، و اندازه گیری عدم تشابه بین این نمایش ها برای تغییر در ساختار جریان، به منظور تشخیص انواع مختلف تقلب در طول یک دوره زمانی می باشد. روش پیشنهادی در یک کاربرد واقعی برای تشخیص تقلب کارتهای اعتباری آنلاین تایید شد.

چکیده انگلیسی:

In many cases, databases are in constant evolution, new data is arriving continuously. Data streams pose several unique problems that make obsolete the applications of classical data analysis methods. Indeed, these databases are constantly on-line, growing with the arrival of new data. In addition, the probability distribution associated with the data may change over time. In online banking, fraud is one of the major ethical issues. For this challenge, the main aims of the data mining approaches are, firstly, to identify the different types of credit card fraud, and, secondly, for the fraud detection. We propose in this paper a method of synthetic representation of the data structure for efficient storage of information, and a measure of dissimilarity between these representations for the detection of change in the stream structure, in order to detect different types of fraud during the a period of time. The proposed approach was validated on a real application for the on-line credit card fraud detection.