Nieuwe software detecteert witwaspraktijken sneller dan ooit tevoren

Onderzoekers van het Centrum Wiskunde & Informatica (CWI) en King's College London hebben een geheel nieuwe aanpak ontwikkeld voor het detecteren van witwaspraktijken, gebaseerd op algoritmes die snel identificeren wanneer criminelen een groot geldbedrag opdelen in meerdere kleinere transacties tussen veel bankrekeningen - een techniek die bekend staat als 'smurfen'.

De algoritmes werken met gegevens van verschillende bankrekeningen die worden voorgesteld als knooppunten in een grote, complexe grafiek. De software is geprogrammeerd om zich te concentreren op dat deel van de grafiek waar de meest verdachte activiteit wordt gedetecteerd.

Als er bijvoorbeeld een storting van één miljoen euro is gedaan, kan de software monitoren waar dit exacte bedrag naartoe wordt overgemaakt. Het kan alle combinaties van gerelateerde transacties die plaatsvinden identificeren, zelfs als het geld is verdeeld over verschillende rekeningen en uitgaven.

Zoals beschreven in een artikel dat is gepubliceerd in de Proceedings of the 2023 SIAM International Conference on Data Mining, zeggen onderzoekers Solon Pissis (CWI, Networks and Optimization group), Huiping Chen en Grigorios Loukides (King's College, Department of Informatics) samen met onafhankelijk onderzoeker Robert Gwadera, dat de nieuwe software ruim drie keer effectiever is dan de huidige detectiemethoden en ook grotere hoeveelheden gegevens kan analyseren.

De huidige methoden voor het detecteren van witwaspraktijken zijn ‘rule-based’ of gebaseerd op machine-learning (ML), waarbij automatisch witwasalarmen afgaan bij 'verdachte' transactiescenario's zoals buitensporig grote stortingen met contant geld, of waarbij grote sets transacties uit het verleden worden verwerkt om volgens vooraf bepaalde richtlijnen mogelijke witwaspraktijken op te sporen. Deze methoden kunnen ineffectief of traag zijn bij het aan het licht brengen van misdrijven, vooral bij de praktijk van smurfen.

Beide bestaande methoden vereisen ook domeinkennis. Een bank moet bijvoorbeeld in het verleden met succes aanvallen hebben onderschept en deze hebben gebruikt om andere aanvallen te detecteren. Als een organisatie die gegevens niet heeft, wat het geval kan zijn bij nieuwe of zich ontwikkelende witwasmethoden, dan betekent dat een verminderde nauwkeurigheid.

Huiping Chen, een promovendus van King's College (Department of Informatics), zegt: “Het witwassen van geld vormt wereldwijd een grote uitdaging. De ontwikkeling van een snellere en effectievere aanpak om deze criminele activiteit op te sporen is een belangrijke stap in de goede richting om het probleem aan te pakken en financiële instellingen gerust te stellen”.

Het Bureau van de Verenigde Naties voor drugs- en misdaadbestrijding (United Nations Office on Drugs and Crime - UNODC) schat dat jaarlijks tussen 2% en 5% van het mondiale BBP wordt witgewassen, grofweg tussen 764 miljard euro en ruim 1,9 biljoen euro.

Grigorios Loukides legt uit: "We hebben een optimale methode ontwikkeld die de best mogelijke oplossing kan vinden voor het detecteren van veelvoorkomende classificaties van smurfaanvallen uit miljoenen hoeveelheden gegevens, gemiddeld 3,2 keer effectiever dan de state-of-the-art methoden die momenteel worden gebruikt."

“Onze tool is ook meer geautomatiseerd en maakt een veel snellere analyse van de gegevens mogelijk dan wat momenteel beschikbaar is. Door witwasexperts in staat te stellen om sneller dan ooit tevoren enorme hoeveelheden gegevens te onderzoeken, kunnen ze actoren met kwade bedoelingen efficiënt opsporen”.

“We werken er nu aan om de tool verder te verbeteren, met als doel een hogere snelheid te leveren dan conventionele benaderingen en met een nog hogere nauwkeurigheid”.

De software voor de nieuwe tool is open source en vrij toegankelijk. Omdat deze met veel grotere hoeveelheden gegevens kan werken dan conventionele detectiemethoden, zeggen onderzoekers dat deze software grote hoeveelheden gegevens over lange perioden kan analyseren en filteren en de bank kan waarschuwen wanneer de software verdachte activiteiten detecteert.

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 waren de algoritmen in staat om alle verdachte patronen in de transacties te detecteren.

Onderzoekers zeggen dat de nieuwe tool ook potentieel nut heeft buiten het opsporen van verdachte financiële activiteiten, omdat het marketingcampagnes zou kunnen optimaliseren door detailhandelaren in staat te stellen de meest winstgevende productbundels te vinden en te detecteren, waardoor de nauwkeurigheid van detailhandelgegevens snel verbetert.

Dit artikel is overgenomen van de website van King's College en vertaald door het CWI.