The Specifics and Patterns of Cybercrime in the Field of Payment Processing
Notice bibliographique
Résumé
In the modern world, cybercrime in the field of payment processing as a phenomenon is developing rapidly. Highly developed, developing and least-developed states become victims of cyberattacks. The purpose of this study is to analyze the experience of the international community and a number of states in combating cybercrime in the field of payment processing. International and regional (on the example of the Council of Europe) legal regulation of the fight against this type of crime were analyzed. The data on the size of losses caused by cybercrime to the world economy are analyzed according to the latest report from the Center for Strategic and International Studies for 2018, the World Economic Forum for 2019, DLA Piper GDPR for the period January-April 2020. Besides, using the example of the Russian Federation, quantitative indicators of the growth of cybercrime and the level of its detection for the period from 2018 to April 2020 were investigated. Comparison of the experience of individual states and its analysis made it possible to single out the best possible measures to counter cybercrime in the field of financial processing. The necessity of interstate cooperation to counter cybercrime in the field of payment processing is indicated. However, due to the presence of significant differences in the legal systems of all states, it is proposed to interact within the framework of regional communities with gradual transfer to international interaction. The priority is given to precisely preventive measures to counter cybercrime in the field of payment processing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».