Hogyan működhetnek együtt a bankok a csalási adatok elemzésében nyers tranzakciós adatok megosztása nélkül?

Ez egy háromrészes cikksorozat első része. Az első rész azt mutatja be, hogy a bűnözők miként használhatják ki a jelenlegi rendszerek korlátait; a második rész hét konkrét felhasználási esetet ismertet , míg a harmadik rész gyakorlati megoldásokat mutat be.

Az identitást nem felfedő adatrekord-összekapcsolás, (Privacy-Preserving Data Linkage, PPDL) olyan bűnözői hálózatokat tárhat fel, amelyeket egyetlen intézmény sem képes önmagában átlátni

A bankok jelentős beruházásokat hajtottak végre a tranzakciómonitoring, a csalásfelderítési analitika, a személyazonosság-ellenőrzés, a viselkedési modellezés és az ügyfél-hitelesítés területén. Ezek a rendszerek jelentős veszteségeket előznek meg, ugyanakkor minden egyes intézmény továbbra is csupán a pénzügyi rendszeren keresztül zajló bűnözői tevékenység egy részét látja.

Az átutalást indító bank például érzékelheti, hogy egy ügyfelet manipulálnak egy szokatlan fizetési tranzakció végrehajtására. A kedvezményezett bank azt láthatja, hogy az összeg egy újonnan nyitott pénzmosó stróman- vagy „mule” számlára érkezik. Egy harmadik intézmény azt észlelheti, hogy a pénzt több számla között osztják szét. Egy pénzforgalmi szolgáltató felismerhet egy korábbi támadások során már használt eszközt, míg egy távközlési szolgáltató számlaátvételre vagy social engineering támadásra utaló bizonyítékokkal rendelkezhet.

Ezek az események önmagukban akár nem is feltétlenül bizonyító erejűek. Együttesen vizsgálva azonban egy koordinált csalási hálózat rajzolódhat ki belőlük.

A probléma az, hogy a bankok egyszerűen nem egyesíthetik ügyfélállományaikat és tranzakciós előzményeiket egy közös adatbázisban. A nyers pénzügyi adatok személyes adatokat, üzletileg érzékeny információkat, bizalmas kockázati indikátorokat, valamint a bankok belső detektálási módszereire vonatkozó részleteket tartalmaznak. Ezek korlátozás nélküli megosztása jogi, információbiztonsági, irányítási és versenyjogi kockázatokat teremtene.

Az adatvédelmet megőrző adat-összekapcsolás, vagyis a Privacy-Preserving Data Linkage (PPDL) más megközelítést kínál.

A Privacy-Preserving Record Linkage (PPRL) elnevezéssel is használt megoldás lehetővé teszi a szervezetek számára annak megállapítását, hogy különböző rekordok ugyanahhoz a személyhez, számlához, vállalathoz, eszközhöz vagy eseményhez kapcsolódnak-e, anélkül hogy az alapul szolgáló azonosítókat nyílt szöveges formában meg kellene osztaniuk. Biztonságos multi-party computationnel, homomorf titkosítással, kontrollált analitikával és más adatvédelmet erősítő technológiákkal, azaz Privacy-Enhancing Technologies (PET) megoldásokkal kombinálva intézmények közötti, több szereplős, azonosítókat elrejtő adatelemzést tehet lehetővé.

Az üzleti értékajánlat egyértelmű:

A bankok intézményi határokon átívelő mintázatokat azonosíthatnak anélkül, hogy korlátlan hozzáférést biztosítanának egymásnak a nyers tranzakciós adatokhoz.

A csalás hálózati probléma – a bankok azonban jellemzően intézményenként, elkülönülten elemzik

A modern csalási tevékenység ritkán marad egyetlen bank keretein belül.

A bűnözők gyorsan mozgatják a pénzt bankszámlák, pénzforgalmi intézmények, digitális pénztárcák, kriptoeszköz-szolgáltatók, kereskedők és nemzetközi fizetési hálózatok láncolatán keresztül. Tudatosan használják ki azt a körülményt, hogy minden egyes résztvevő csak részleges rálátással rendelkezik a teljes folyamatra.

A Bank for International Settlements, a BIS szerint a silószerű, intézményenként elkülönülő tranzakciómonitoring nem kellően hatékony az összetett, több intézményen és országhatáron átívelő pénzmosási konstrukciókkal szemben. A BIS Project Aurora projektje azt állapította meg, hogy az adatvédelmet erősítő technológiákat, gépi tanulást és hálózatelemzést kombináló együttműködésen alapuló elemzés hatékonyabb az izolált monitoringnál. A projekt szimulált környezetében akár háromszor több összetett pénzmosási tevékenységet sikerült azonosítani, miközben a téves pozitív találatok száma 80 százalékkal is csökkent.

A BIS Innovation Hub és a Bank of England által megvalósított Project Hertha ugyanezt a problémát vizsgálta a valós idejű lakossági fizetések kontextusában. A bűnözők több pénzügyi intézményen átívelő számlahálózatokat használnak, miközben a fizetési rendszer egészének szintjén végzett elemzés olyan kapcsolatokat is képes feltárni, amelyeket az egyes intézmények önmagukban nem látnak.

A potenciális pénzügyi érték jelentős. A UK Finance adatai szerint 2025-ben az Egyesült Királyságban a bűnözők közel 1,3 milliárd fontot tulajdonítottak el fizetési csalások révén. Az engedélyezett push payment, azaz APP-csalások értéke önmagában elérte az 576,4 millió fontot, miközben a pénzügyi szektor 1,68 milliárd font értékű jogosulatlan csalási kísérletet akadályozott meg.

Ezek a számok a megfelelő technológia alkalmazásának mindkét oldalát jól szemléltetik. A csalás már jelenleg is jelentős közvetlen költséget jelent, ugyanakkor a hatékony detektálási rendszerek bizonyíthatóan képesek nagymértékű veszteségek megelőzésére is.

A további lehetőség abban rejlik, hogy a bankok azt is képesek legyenek felismerni, ami saját adataikból önmagában nem látható.

Mit tesz lehetővé az Privacy-Preserving Data Linkage?

Az adatrekordok összekapcsolásának célja annak meghatározása, hogy különböző adatállományokban szereplő rekordok ugyanarra az entitásra vonatkoznak-e.

Hagyományos összekapcsolás esetén a bankok neveket, számlaszámokat, címeket, telefonszámokat, adóazonosítókat, eszközazonosítókat vagy cégnyilvántartási adatokat hasonlíthatnak össze. A probléma az, hogy ezen mezők olvasható formában történő megosztása olyan ügyfelek adatait is felfedheti, akiknek semmilyen kapcsolatuk nincs csalási tevékenységgel.

A Privacy-Preserving Data Linkage (PPDL) ezt a folyamatot alakítja át.

Mielőtt az adatok elhagynák a résztvevő intézményt, a kiválasztott azonosítók normalizálhatók, majd védett formátumúvá alakíthatók. Az együttműködési környezet ezt követően már ezeket a védett rekordokat hasonlítja össze vagy kapcsolja össze, nem pedig az eredeti azonosítókat.

Az alkalmazott architektúrától függően a bankok például megállapíthatják, hogy:

• ugyanaz a személy több intézménynél is rendelkezik vagy irányít számlákat;
• két gyanús kedvezményezett ugyanahhoz a védett formában kezelt telefonszámhoz kapcsolódik;
• több hitel-, számla- vagy szolgáltatási igénylés ugyanarról az eszközről származik;
• ugyanaz a kereskedő több chargeback-vizsgálatban is megjelenik;
• ugyanaz a cégvezető több gyanús vállalkozáshoz is kapcsolódik;
• pénzeszközök ismétlődően ugyanazon mule-számlákból álló hálózaton haladnak keresztül;
• több intézmény egymástól függetlenül ugyanazt az entitást jelölte meg kockázatosként vagy gyanúsként;
• egy újonnan nyitott számla valamely azonosítója egyezést mutat egy korábbi csalási ügyhöz kapcsolódó azonosítóval.

A résztvevőknek ehhez nem szükséges egymás teljes ügyfélállományát megkapniuk. Ehelyett kizárólag az engedélyezett egyezésről, kockázati indikátorról, hálózati kapcsolatról vagy analitikai eredményről szereznek tudomást.

Ez lényeges különbség. A PPDL nem egyszerűen egy újabb titkosított fájlátviteli mechanizmus. Az együttműködés modelljét változtatja meg: rekordok megosztása helyett a rekordok közötti kapcsolatok közös kiszámítását teszi lehetővé.

Miért nem elegendők a hagyományos adatmegosztási megközelítések?

A bankok már jelenleg is osztanak meg információkat hatósági és felügyeleti jelentések, kétoldalú megkeresések, iparági adatbázisok, tranzakciós üzenetek, bűnüldöző szervek megkeresései, valamint hivatalos információmegosztási programok keretében.

Ezek a mechanizmusok továbbra is nélkülözhetetlenek, ugyanakkor gyakran operatív korlátokkal rendelkeznek.

A manuális megkeresések lassúak, és jellemzően csak akkor indulnak el, amikor a gyanú már felmerült. A központi adatbázisok vonzó célpontot jelentenek a kibertámadók számára, továbbá megkövetelik, hogy a résztvevők megbízzanak az adatbázis üzemeltetőjében. A közös figyelőlisták képesek az ismert szereplők azonosítására, de kevésbé alkalmasak a kialakulóban lévő hálózatok feltárására. Az aggregált statisztikák ugyan védik a bizalmas adatokat, azonban nem teszik lehetővé a rekordszintű összekapcsolást. A kétoldalú adatcsere pedig nehezen skálázható, ha több tucat intézmény vesz részt az együttműködésben.

Az identitást nem felfedő elemzés kiegészítheti ezeket a mechanizmusokat azáltal, hogy előre meghatározott szabályok szerint ismételhető, automatizált és több résztvevős ellenőrzéseket tesz lehetővé.

Az Egyesült Államok jól szemlélteti az ilyen együttműködés iránti igényt. A USA PATRIOT Act 314(b) szakasza meghatározott pénzügyi bűnözés elleni célok esetén jogi védelmet, úgynevezett safe harbor státuszt biztosít az információt megosztó, jogosult pénzügyi intézmények számára. A 2025-ös pénzügyi évben több mint 7 200 intézmény vett részt a programban, és több mint 65 000 Suspicious Activity Report, azaz gyanús tevékenységről szóló jelentés hivatkozott a 314(b) szerinti információmegosztásra.

A FinCEN 2026 júniusában egyértelművé tette, hogy a résztvevő intézmények – a program követelményeinek betartása mellett – a feltételezett csalásokkal kapcsolatos információk megosztására is alkalmazhatják ezt a keretrendszert.

A jogszerű információmegosztási lehetőségek megléte ugyanakkor nem szünteti meg a nyers rekordok feltárásával járó technológiai és üzleti kockázatokat. A PPDL további adatminimalizálási réteget biztosíthat azáltal, hogy korlátozza, pontosan milyen információkat szükséges felfedni az együttműködés során.

A háromrészes, „Hogyan működhetnek együtt a bankok a csalási adatok elemzésében nyers tranzakciós adatok megosztása nélkül?” című sorozat következő részében hét konkrét felhasználási esetet mutatunk be .