가나의 모바일 머니 스캠 메시지 탐지를 위한 기계 학습 기반 접근 방식: Naive Bayes, Support Vector Machine, 및
요약
본 연구는 가나의 모바일 머니(MoMo) 서비스에서 발생하는 사회 공학적 사기 메시지를 탐지하기 위한 기계 학습 기반 접근 방식을 제시합니다. 220개의 레이블링된 코퍼스를 사용하여 TF-IDF 벡터화와 함께 Naive Bayes, 선형 SVM 등 여러 분류기를 훈련하고 평가했습니다. 이 모델들은 높은 정확도 및 F1-score를 기록하며 사기 메시지 탐지에 효과적임을 입증했습니다.
핵심 포인트
- 가나 MoMo의 스캠 메시지를 탐지하는 지도 학습 파이프라인을 제시함.
- TF-IDF 벡터화와 unigrams/bigrams를 사용하여 텍스트 데이터를 처리함.
- Naive Bayes, 선형 SVM 등 여러 분류기를 비교 평가하여 성능을 검증함.
- 테스트 세트에서 Naive Bayes와 선형 SVM이 높은 정확도(1.00)를 기록함.
모바일 머니(MoMo)는 가나의 선호되는 소매 결제 채널로, 2025년 12월에 GHC518.4억 건의 거래를 기록했으며 2,670만 개 이상의 활성 계정을 보유하고 있습니다 (Graphic Online, 2026). 이러한 성장은 Short Message Service (SMS)와 Unstructured Supplementary Service Data (USSD)를 통한 사회 공학적 사기(social-engineering fraud) 증가와 일치합니다. 이 과정에서 사기범들은 네트워크 운영자, 에이전트, 친척 또는 규제 기관을 사칭하여 개인 식별 번호(PINs), 신원 데이터 또는 자금을 탈취합니다. 본 연구에서는 18개의 스캠 및 정상 하위 범주에 걸친 레이블링된 220개 메시지 코퍼스를 사용하여 가나 MoMo의 스캠 메시지와 정상 메시지를 분류하는 지도 학습 기반 파이프라인을 제시합니다. 통화 금액, 전화번호, USSD 코드에 대한 도메인별 정규화(normalisation)가 이루어진 후, unigrams 및 bigrams의 TF-IDF 벡터화가 수행되었습니다. 계층적 5겹 교차 검증(stratified five-fold cross-validation)과 20%를 제외한 테스트 세트를 사용하여, Multinomial Naive Bayes, 선형 Support Vector Machine (SVM), Random Forest 분류기를 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, Matthews correlation coefficient (MCC), 그리고 area under the receiver operating characteristic curve (AUC-ROC)를 기준으로 훈련하고 평가했습니다. 제외된 테스트 세트에서 Naive Bayes와 선형 SVM의 정확도, F1, AUC는 1.00을 기록했으며; 교차 검증된 평균 정확도는 각각 96.6% (+/-3.3), 94.9% (+/-4.6), 92.0% (+/-4.2)였습니다. 식별 가능한 n-gram은 명령형의 긴급성(
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기