Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

05
Οκτ

Παρουσίαση Διπλωματικής Εργασίας κ. Φραγκιαδουλάκη Εμμανουήλ, Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΗΜΜΥ  
ΤοποθεσίαΛ - Κτίριο Επιστημών/ΗΜΜΥ, Αίθουσα Εργαστηρίου Softnet, Πολυτεχνειούπολη
Ώρα05/10/2018 11:00 - 12:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Πρόγραμμα Προπτυχιακών Σπουδών

 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΕΜΜΑΝΟΥΗΛ ΦΡΑΓΚΙΑΔΟΥΛΑΚΗ

 

με θέμα

ΑΜRules για Ανίχνευση Απάτης με Spark Streaming

ΑΜRules for Fraud Detection with Spark Streaming

 

Παρασκευή 5 Οκτωβρίου 2018, 11 π.μ.

Αίθουσα Softnet, Κτίριο Επιστημών, Πολυτεχνειούπολη

 

Εξεταστική Επιτροπή

Αναπληρωτής Καθηγητής Δεληγιαννάκης Αντώνιος (επιβλέπων)

Καθηγητής Γαροφαλάκης Μίνως

Αναπληρωτής Καθηγητής Λαγουδάκης Μιχαήλ

 

​​​​​​​Περίληψη

Στις μέρες μας, ένα σημαντικό κομμάτι της καθημερινότητας μας όσον αφορά τις ηλεκτρονικές μας συσκευές είναι οι online πληρωμές, το οποίο έχει ως αποτέλεσμα πληθώρα συναλλαγών. Με σκοπό να διαχειριστούμε αυτές τις συναλλαγές, για να καθορίσουμε αν είναι απάτη, χρειαζόμαστε έναν αποτελεσματικό, κατανεμημένο και streamable αλγόριθμο μηχανικής μάθησης, όπου να μπορεί να διαχειριστεί μεγάλη μέγεθος εισερχόμενων δεδομένων και να αντιδρά σε αυτά άμεσα. Έτσι, υλοποιήσαμε τον κατανεμημένο Adaptive Model Rules στο Spark Streaming, μία επέκταση του Spark Core API, που επιτρέπει την υλοποίηση scalable, με ανθεκτικότητα σε σφάλματα εφαρμογών streaming. O Αdaptive Model Rules είναι ένας αλγόριθμος ενός περάσματος για την εκπαίδευση του μοντέλου του από ροές δεδομένων και είναι ανθεκτικός σε απότομες αλλαγές και άσχετες ιδιότητες. Τα πειραματικά αποτελέσματα κατέληξαν στο ότι υπάρχει σημαντική αλλαγή στο χρόνο από τον κάθετο Adaptive Model Rules στο υβριδικό Αdaptive Model Rules, το οποίο έχει ως κόστος την μείωση της ακρίβειας.

Abstract

In this day and age, an important part of our daily interaction with our electronic devices is on-line payments, which results in a great amount of transactions. In order to handle these transactions, to determine if they're fraudulent, we need an efficient, distributed and streamable machine learning algorithm, that can process big amount of incoming data and react to it instantly. Thus, we implemented the distributed Adaptive Model Rules on Spark Streaming, an extension of the Spark Core API which enables the development of scalable, fault-tolerant streaming applications. Adaptive Model Rules is an one-pass algorithm for training its model from streaming data and is robust to outliers and irrelevant features. The experimental results concluded, that there is a noticeable speedup from Vertical Adaptive Model Rules to Hybrid Adaptive Model Rules at the cost of reduced accuracy.

 

© Πολυτεχνείο Κρήτης 2012