Secure Optimization of API-Driven Financial Transactions Using Deep Learning: A Threat Detection Framework for Mutual Fund Processing
Notice bibliographique
Résumé
For software applications and systems to interact smoothly and support automated and efficient service delivery, system-to-system communication via Application Programming Interfaces (APIs) is crucial. APIs enable the sharing of data and functions across various platforms, improving both operational performance and user interaction. However, this integration can expose systems to security threats that may be exploited by malicious entities, emphasizing the need to recognize and address related security risks. In this paper, secure optimization of API-driven financial transactions using deep learning a threat detection framework for mutual fund processing (SO-APID-FT-DL-TDF-MFP) is proposed. At first, the input data is taken from the CIC-IDS2017 dataset. Then, the gathered data are fed into the pre-processing segment using implicit unscented particle filter (IUPF) which is used to eliminating noise. The pre-processed data are fed into Gegenbauer graph neural networks (GGNN) for prediction purpose. GGNN is used to predict potential security threats in the API-driven financial transactions by identifying irregular patterns and anomalies in the transaction data, thereby enhancing the overall security of the mutual fund processing system. Then, the proposed method implemented in python and the performance metrics like accuracy, precision, F1-score, recall, receiver operating characteristic (ROC) and specificity analyzed. The proposed SO-APID-FT-DL-TDF-MFP achieves 98% precision, 97% recall, 96% F1-score, 97.1% specificity, 97.5% accuracy, and 1.149 seconds computational time, with a high ROC of 0.99 compared with existing methods, such as adoption of deep-learning models for managing threat in API calls with transparency obligation practice for overall resilience (MT-APIC-TOP-OR-DL), deep learning for intelligent assessment of financial investment risk prediction (IA-FIRP-DL) and fraud prediction using machine learning: the case of investment advisors in canada (FP-CIAC-ML).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».