تشخیص تقلب: بهره‌گیری از الگوریتم‌های تشخیص ناهنجاری برای امنیت جهانی

در دنیای متصل امروزی، تقلب تهدیدی جدی برای کسب‌وکارها و افراد به شمار می‌رود. از کلاهبرداری‌های کارت اعتباری گرفته تا حملات سایبری پیچیده، فعالیت‌های متقلبانه به طور فزاینده‌ای پیچیده و دشوار برای شناسایی شده‌اند. سیستم‌های سنتی مبتنی بر قانون اغلب در شناسایی الگوهای جدید و در حال تکامل تقلب کوتاهی می‌کنند. اینجاست که الگوریتم‌های تشخیص ناهنجاری وارد عمل می‌شوند و رویکردی قدرتمند و انطباق‌پذیر برای حفاظت از دارایی‌ها و جلوگیری از زیان‌های مالی در مقیاس جهانی ارائه می‌دهند.

تشخیص ناهنجاری چیست؟

تشخیص ناهنجاری، که با نام تشخیص داده‌های پرت (outlier detection) نیز شناخته می‌شود، یک تکنیک داده‌کاوی است که برای شناسایی نقاط داده‌ای که به طور قابل توجهی از هنجار منحرف می‌شوند، استفاده می‌شود. این ناهنجاری‌ها می‌توانند نشان‌دهنده تراکنش‌های متقلبانه، نفوذ به شبکه، خرابی تجهیزات یا سایر رویدادهای غیرعادی باشند که نیاز به بررسی بیشتر دارند. در زمینه تشخیص تقلب، الگوریتم‌های تشخیص ناهنجاری مجموعه داده‌های وسیعی از تراکنش‌ها، رفتار کاربران و سایر اطلاعات مرتبط را تحلیل می‌کنند تا الگوهایی را که نشانگر فعالیت متقلبانه هستند، شناسایی کنند.

اصل اساسی در تشخیص ناهنجاری این است که فعالیت‌های متقلبانه اغلب ویژگی‌هایی را نشان می‌دهند که به طور قابل توجهی با تراکنش‌های قانونی متفاوت هستند. به عنوان مثال، افزایش ناگهانی تراکنش‌ها از یک مکان غیرعادی، یک خرید بزرگ خارج از ساعات کاری معمول، یا مجموعه‌ای از تراکنش‌ها که از عادات خرج کردن معمول یک کاربر منحرف می‌شوند، همگی می‌توانند نشانه‌های تقلب باشند.

انواع الگوریتم‌های تشخیص ناهنجاری

الگوریتم‌های متعددی برای تشخیص ناهنجاری به طور گسترده در زمینه تشخیص تقلب استفاده می‌شوند که هر کدام نقاط قوت و ضعف خود را دارند. انتخاب الگوریتم مناسب به ویژگی‌های خاص داده‌ها، نوع تقلبی که هدف قرار گرفته و سطح دقت و عملکرد مورد نظر بستگی دارد.

۱. روش‌های آماری

روش‌های آماری از قدیمی‌ترین و پرکاربردترین تکنیک‌های تشخیص ناهنجاری هستند. این روش‌ها بر مدل‌های آماری تکیه دارند تا توزیع احتمال داده‌ها را تخمین بزنند و نقاط داده‌ای را که خارج از محدوده مورد انتظار قرار می‌گیرند، شناسایی کنند. برخی از روش‌های آماری رایج عبارتند از:

• امتیاز زد (Z-score): تعداد انحراف معیارهایی که یک نقطه داده از میانگین فاصله دارد را محاسبه می‌کند. مقادیری که از یک آستانه مشخص (مثلاً ۳ انحراف معیار) فراتر روند، ناهنجاری محسوب می‌شوند.
• امتیاز زد اصلاح‌شده (Modified Z-score): جایگزین قوی‌تری برای امتیاز زد است، به ویژه هنگام کار با مجموعه داده‌هایی که حاوی داده‌های پرت هستند. این روش از میانه انحراف مطلق (MAD) به جای انحراف معیار استفاده می‌کند.
• آزمون گرابز (Grubbs' Test): یک آزمون آماری برای شناسایی یک داده پرت در یک مجموعه داده تک‌متغیره.
• آزمون کای-اسکوئر (Chi-Square Test): برای تعیین اینکه آیا تفاوت آماری معناداری بین فراوانی‌های مورد انتظار و مشاهده شده در یک یا چند دسته وجود دارد یا خیر، استفاده می‌شود. می‌توان از آن برای تشخیص ناهنجاری در داده‌های دسته‌ای استفاده کرد.

مثال: یک بانک از امتیاز زد برای تشخیص تراکنش‌های غیرعادی کارت اعتباری استفاده می‌کند. اگر یک مشتری به طور معمول به طور متوسط ۱۰۰ دلار در هر تراکنش با انحراف معیار ۲۰ دلار خرج کند، یک تراکنش ۵۰۰ دلاری دارای امتیاز زد (۵۰۰ - ۱۰۰) / ۲۰ = ۲۰ خواهد بود که نشان‌دهنده یک ناهنجاری قابل توجه است.

۲. روش‌های مبتنی بر یادگیری ماشین

الگوریتم‌های یادگیری ماشین رویکردهای پیچیده‌تر و انعطاف‌پذیرتری برای تشخیص ناهنجاری ارائه می‌دهند. این الگوریتم‌ها می‌توانند الگوهای پیچیده در داده‌ها را یاد بگیرند و با روندهای متغیر تقلب سازگار شوند. روش‌های مبتنی بر یادگیری ماشین را می‌توان به طور کلی به رویکردهای نظارت‌شده، بدون نظارت و نیمه‌نظارتی دسته‌بندی کرد.

الف. یادگیری نظارت‌شده (Supervised Learning)

الگوریتم‌های یادگیری نظارت‌شده به داده‌های برچسب‌دار نیاز دارند، به این معنی که هر نقطه داده به عنوان نرمال یا متقلبانه برچسب‌گذاری شده است. این الگوریتم‌ها یک مدل را از داده‌های برچسب‌دار یاد می‌گیرند و سپس از آن مدل برای طبقه‌بندی نقاط داده جدید به عنوان نرمال یا متقلبانه استفاده می‌کنند. الگوریتم‌های یادگیری نظارت‌شده رایج برای تشخیص تقلب عبارتند از:

• رگرسیون لجستیک: یک مدل آماری که احتمال یک نتیجه باینری (مثلاً متقلبانه یا غیرمتقلبانه) را بر اساس مجموعه‌ای از ویژگی‌های ورودی پیش‌بینی می‌کند.
• درخت‌های تصمیم: ساختارهای درخت‌مانندی که داده‌ها را بر اساس یک سری تصمیمات مبتنی بر مقادیر ویژگی‌ها تقسیم‌بندی می‌کنند.
• جنگل تصادفی: یک روش یادگیری گروهی که چندین درخت تصمیم را برای بهبود دقت و استحکام ترکیب می‌کند.
• ماشین‌های بردار پشتیبان (SVM): یک الگوریتم قدرتمند که ابرصفحه بهینه را برای جداسازی نقاط داده نرمال و متقلبانه پیدا می‌کند.
• شبکه‌های عصبی: مدل‌های پیچیده‌ای که از ساختار مغز انسان الهام گرفته‌اند و قادر به یادگیری روابط بسیار غیرخطی در داده‌ها هستند.

مثال: یک شرکت بیمه از مدل جنگل تصادفی برای تشخیص خسارت‌های متقلبانه استفاده می‌کند. این مدل بر روی مجموعه داده‌ای از خسارت‌های برچسب‌دار (متقلبانه یا قانونی) آموزش داده می‌شود و سپس برای پیش‌بینی احتمال تقلب برای خسارت‌های جدید استفاده می‌شود. ویژگی‌های مورد استفاده در مدل ممکن است شامل سابقه مدعی، نوع خسارت و شرایط پیرامون حادثه باشد.

ب. یادگیری بدون نظارت (Unsupervised Learning)

الگوریتم‌های یادگیری بدون نظارت به داده‌های برچسب‌دار نیاز ندارند. این الگوریتم‌ها با یافتن نقاط داده‌ای که با اکثریت داده‌ها شباهت ندارند، ناهنجاری‌ها را شناسایی می‌کنند. الگوریتم‌های یادگیری بدون نظارت رایج برای تشخیص تقلب عبارتند از:

• خوشه‌بندی (Clustering): الگوریتم‌هایی که نقاط داده مشابه را با هم گروه‌بندی می‌کنند. ناهنجاری‌ها نقاط داده‌ای هستند که به هیچ خوشه‌ای تعلق ندارند یا به خوشه‌های کوچک و پراکنده تعلق دارند. K-Means و DBSCAN الگوریتم‌های خوشه‌بندی محبوبی هستند.
• تحلیل مؤلفه‌های اصلی (PCA): یک تکنیک کاهش ابعاد که مؤلفه‌های اصلی (جهت‌های حداکثر واریانس) را در داده‌ها شناسایی می‌کند. ناهنجاری‌ها نقاط داده‌ای هستند که به طور قابل توجهی از مؤلفه‌های اصلی منحرف می‌شوند.
• جنگل ایزوله (Isolation Forest): الگوریتمی که با تقسیم تصادفی داده‌ها، ناهنجاری‌ها را جدا می‌کند. ناهنجاری‌ها برای جداسازی به پارتیشن‌های کمتری نسبت به داده‌های نرمال نیاز دارند.
• ماشین بردار پشتیبان تک‌کلاسه (One-Class SVM): نوعی از SVM که یک مرز در اطراف نقاط داده نرمال یاد می‌گیرد. ناهنجاری‌ها نقاط داده‌ای هستند که خارج از این مرز قرار می‌گیرند.

مثال: یک شرکت تجارت الکترونیک از خوشه‌بندی K-Means برای شناسایی تراکنش‌های متقلبانه استفاده می‌کند. این الگوریتم تراکنش‌ها را بر اساس ویژگی‌هایی مانند مبلغ خرید، مکان و زمان روز گروه‌بندی می‌کند. تراکنش‌هایی که خارج از خوشه‌های اصلی قرار می‌گیرند به عنوان تقلب احتمالی علامت‌گذاری می‌شوند.

ج. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)

الگوریتم‌های یادگیری نیمه‌نظارتی از ترکیبی از داده‌های برچسب‌دار و بدون برچسب استفاده می‌کنند. این الگوریتم‌ها می‌توانند از اطلاعات داده‌های برچسب‌دار برای بهبود دقت مدل تشخیص ناهنجاری بهره ببرند و در عین حال از فراوانی داده‌های بدون برچسب نیز استفاده کنند. برخی از الگوریتم‌های یادگیری نیمه‌نظارتی برای تشخیص تقلب عبارتند از:

• خودآموزی (Self-Training): یک فرآیند تکراری که در آن یک الگوریتم یادگیری نظارت‌شده ابتدا بر روی مجموعه کوچکی از داده‌های برچسب‌دار آموزش داده می‌شود و سپس برای پیش‌بینی برچسب‌های داده‌های بدون برچسب استفاده می‌شود. نقاط داده بدون برچسبی که با اطمینان بالا پیش‌بینی شده‌اند، به مجموعه داده‌های برچسب‌دار اضافه می‌شوند و این فرآیند تکرار می‌شود.
• شبکه‌های مولد تخاصمی (GANs): GANها از دو شبکه عصبی تشکیل شده‌اند: یک مولد و یک تمایزدهنده. مولد سعی می‌کند داده‌های مصنوعی شبیه به داده‌های نرمال ایجاد کند، در حالی که تمایزدهنده سعی می‌کند بین داده‌های واقعی و مصنوعی تمایز قائل شود. ناهنجاری‌ها نقاط داده‌ای هستند که مولد در بازآفرینی آنها با مشکل مواجه می‌شود.

مثال: یک ارائه‌دهنده پرداخت موبایلی از رویکرد خودآموزی برای تشخیص تراکنش‌های متقلبانه استفاده می‌کند. آنها با مجموعه کوچکی از تراکنش‌های متقلبانه و قانونی برچسب‌دار شروع می‌کنند. سپس مدلی را بر روی این داده‌ها آموزش می‌دهند و از آن برای پیش‌بینی برچسب‌های یک مجموعه داده بزرگ از تراکنش‌های بدون برچسب استفاده می‌کنند. تراکنش‌هایی که با اطمینان بالا پیش‌بینی شده‌اند به مجموعه داده‌های برچسب‌دار اضافه می‌شوند و مدل دوباره آموزش داده می‌شود. این فرآیند تا زمانی که عملکرد مدل به ثبات برسد، تکرار می‌شود.

۳. سیستم‌های مبتنی بر قانون

سیستم‌های مبتنی بر قانون یک رویکرد سنتی برای تشخیص تقلب هستند که بر قوانین از پیش تعریف‌شده برای شناسایی فعالیت‌های مشکوک تکیه دارند. این قوانین معمولاً بر اساس دانش کارشناسان و الگوهای تاریخی تقلب ایجاد می‌شوند. در حالی که سیستم‌های مبتنی بر قانون می‌توانند در تشخیص الگوهای شناخته‌شده تقلب مؤثر باشند، اغلب انعطاف‌پذیر نیستند و در سازگاری با تکنیک‌های جدید و در حال تکامل تقلب با مشکل مواجه می‌شوند. با این حال، می‌توان آنها را با الگوریتم‌های تشخیص ناهنجاری ترکیب کرد تا یک رویکرد ترکیبی ایجاد شود.

مثال: یک شرکت کارت اعتباری ممکن است قانونی داشته باشد که هر تراکنش بیش از ۱۰,۰۰۰ دلار را به عنوان بالقوه متقلبانه علامت‌گذاری کند. این قانون بر اساس مشاهده تاریخی است که تراکنش‌های بزرگ اغلب با فعالیت‌های متقلبانه مرتبط هستند.

مزایای تشخیص ناهنجاری در تشخیص تقلب

الگوریتم‌های تشخیص ناهنجاری چندین مزیت نسبت به سیستم‌های سنتی مبتنی بر قانون برای تشخیص تقلب ارائه می‌دهند:

• شناسایی الگوهای جدید تقلب: الگوریتم‌های تشخیص ناهنجاری می‌توانند الگوهای تقلبی را که قبلاً ناشناخته بوده‌اند و ممکن است سیستم‌های مبتنی بر قانون آنها را نادیده بگیرند، شناسایی کنند.
• انطباق‌پذیری: الگوریتم‌های تشخیص ناهنجاری می‌توانند با روندهای متغیر تقلب و رفتار کاربران سازگار شوند و اطمینان حاصل کنند که سیستم تشخیص تقلب در طول زمان مؤثر باقی می‌ماند.
• کاهش هشدارهای کاذب مثبت: با تمرکز بر انحرافات از هنجار، الگوریتم‌های تشخیص ناهنجاری می‌توانند تعداد هشدارهای کاذب مثبت (تراکنش‌های قانونی که به اشتباه به عنوان متقلبانه علامت‌گذاری شده‌اند) را کاهش دهند.
• بهبود کارایی: الگوریتم‌های تشخیص ناهنجاری می‌توانند فرآیند تشخیص تقلب را خودکار کنند و تحلیلگران انسانی را آزاد بگذارند تا بر روی تحقیقات پیچیده‌تر تمرکز کنند.
• مقیاس‌پذیری: الگوریتم‌های تشخیص ناهنجاری می‌توانند حجم زیادی از داده‌ها را پردازش کنند، که آنها را برای تشخیص تقلب در زمان واقعی در کانال‌ها و مناطق جغرافیایی مختلف مناسب می‌سازد.

چالش‌های تشخیص ناهنجاری در تشخیص تقلب

با وجود مزایایشان، الگوریتم‌های تشخیص ناهنجاری چالش‌هایی را نیز به همراه دارند:

• کیفیت داده‌ها: الگوریتم‌های تشخیص ناهنجاری به کیفیت داده‌ها حساس هستند. داده‌های نادرست یا ناقص می‌توانند منجر به نتایج نادرست در تشخیص ناهنجاری شوند.
• مهندسی ویژگی: انتخاب و مهندسی ویژگی‌های مناسب برای موفقیت الگوریتم‌های تشخیص ناهنجاری حیاتی است.
• انتخاب الگوریتم: انتخاب الگوریتم مناسب برای یک مسئله خاص تشخیص تقلب می‌تواند چالش‌برانگیز باشد. الگوریتم‌های مختلف نقاط قوت و ضعف متفاوتی دارند و انتخاب بهینه به ویژگی‌های داده‌ها و نوع تقلبی که هدف قرار گرفته، بستگی دارد.
• قابلیت تفسیر: تفسیر برخی از الگوریتم‌های تشخیص ناهنجاری، مانند شبکه‌های عصبی، می‌تواند دشوار باشد. این امر می‌تواند درک اینکه چرا یک نقطه داده خاص به عنوان ناهنجاری علامت‌گذاری شده است را چالش‌برانگیز کند.
• داده‌های نامتعادل: مجموعه داده‌های تقلب اغلب به شدت نامتعادل هستند و نسبت کوچکی از تراکنش‌های متقلبانه در مقایسه با تراکنش‌های قانونی وجود دارد. این می‌تواند منجر به مدل‌های تشخیص ناهنجاری سوگیرانه شود. تکنیک‌هایی مانند نمونه‌برداری بیش از حد (oversampling)، نمونه‌برداری کمتر (undersampling) و یادگیری حساس به هزینه می‌توانند برای رفع این مشکل استفاده شوند.

کاربردهای واقعی تشخیص ناهنجاری در تشخیص تقلب

الگوریتم‌های تشخیص ناهنجاری در طیف گسترده‌ای از صنایع برای شناسایی و جلوگیری از تقلب استفاده می‌شوند:

• بانکداری و مالی: تشخیص تراکنش‌های متقلبانه کارت اعتباری، درخواست‌های وام و فعالیت‌های پولشویی.
• بیمه: شناسایی خسارت‌های بیمه متقلبانه.
• خرده‌فروشی: تشخیص خریدهای آنلاین متقلبانه، بازگشت کالا و سوء استفاده از برنامه‌های وفاداری.
• مراقبت‌های بهداشتی: شناسایی ادعاهای پزشکی متقلبانه و سوء استفاده از نسخه‌ها.
• مخابرات: تشخیص تماس‌های تلفنی متقلبانه و تقلب در اشتراک.
• امنیت سایبری: تشخیص نفوذ به شبکه، آلودگی به بدافزار و تهدیدات داخلی.
• تجارت الکترونیک: شناسایی حساب‌های فروشنده متقلبانه، نظرات جعلی و تقلب در پرداخت.

مثال: یک بانک چندملیتی از تشخیص ناهنجاری برای نظارت بر تراکنش‌های کارت اعتباری در زمان واقعی استفاده می‌کند. آنها روزانه بیش از ۱ میلیارد تراکنش را تحلیل می‌کنند و به دنبال الگوهای غیرعادی در عادات خرج کردن، موقعیت جغرافیایی و نوع تاجر هستند. اگر ناهنجاری تشخیص داده شود، بانک فوراً به مشتری هشدار می‌دهد و حساب را تا زمان تأیید تراکنش مسدود می‌کند. این امر از زیان‌های مالی قابل توجه ناشی از فعالیت‌های متقلبانه جلوگیری می‌کند.

بهترین شیوه‌ها برای پیاده‌سازی تشخیص ناهنجاری در تشخیص تقلب

برای پیاده‌سازی موفقیت‌آمیز تشخیص ناهنجاری در تشخیص تقلب، بهترین شیوه‌های زیر را در نظر بگیرید:

• تعریف اهداف واضح: اهداف سیستم تشخیص تقلب و انواع تقلبی که باید شناسایی شوند را به وضوح تعریف کنید.
• جمع‌آوری داده‌های باکیفیت: اطمینان حاصل کنید که داده‌های مورد استفاده برای آموزش و تست مدل تشخیص ناهنجاری دقیق، کامل و مرتبط هستند.
• انجام مهندسی ویژگی: ویژگی‌های مناسب را برای ثبت مشخصات مرتبط با فعالیت‌های متقلبانه انتخاب و مهندسی کنید.
• انتخاب الگوریتم مناسب: الگوریتم تشخیص ناهنجاری را که برای مسئله خاص تشخیص تقلب بهترین است، انتخاب کنید. ویژگی‌های داده‌ها، نوع تقلبی که هدف قرار گرفته و سطح دقت و عملکرد مورد نظر را در نظر بگیرید.
• آموزش و تست مدل: مدل تشخیص ناهنجاری را بر روی یک مجموعه داده نماینده آموزش دهید و عملکرد آن را با استفاده از معیارهای ارزیابی مناسب به طور کامل تست کنید.
• نظارت و نگهداری مدل: به طور مداوم بر عملکرد مدل تشخیص ناهنجاری نظارت کنید و در صورت لزوم آن را برای سازگاری با روندهای متغیر تقلب مجدداً آموزش دهید.
• ادغام با سیستم‌های موجود: سیستم تشخیص ناهنجاری را با سیستم‌ها و گردش‌های کاری مدیریت تقلب موجود ادغام کنید.
• همکاری با کارشناسان: با کارشناسان تقلب، دانشمندان داده و متخصصان فناوری اطلاعات برای اطمینان از پیاده‌سازی و عملکرد موفقیت‌آمیز سیستم تشخیص ناهنجاری همکاری کنید.
• مقابله با عدم تعادل داده‌ها: از تکنیک‌هایی برای مقابله با ماهیت نامتعادل مجموعه داده‌های تقلب، مانند نمونه‌برداری بیش از حد، نمونه‌برداری کمتر یا یادگیری حساس به هزینه، استفاده کنید.
• هوش مصنوعی قابل توضیح (XAI): استفاده از تکنیک‌های هوش مصنوعی قابل توضیح را برای بهبود قابلیت تفسیر مدل تشخیص ناهنجاری و درک اینکه چرا یک نقطه داده خاص به عنوان ناهنجاری علامت‌گذاری شده است، در نظر بگیرید. این امر به ویژه برای الگوریتم‌هایی مانند شبکه‌های عصبی مهم است.

آینده تشخیص ناهنجاری در تشخیص تقلب

حوزه تشخیص ناهنجاری دائماً در حال تحول است و الگوریتم‌ها و تکنیک‌های جدیدی همواره در حال توسعه هستند. برخی از روندهای نوظهور در تشخیص ناهنجاری برای تشخیص تقلب عبارتند از:

• یادگیری عمیق: الگوریتم‌های یادگیری عمیق، مانند شبکه‌های عصبی، به دلیل توانایی‌شان در یادگیری الگوهای پیچیده در داده‌های با ابعاد بالا، به طور فزاینده‌ای برای تشخیص ناهنجاری محبوب می‌شوند.
• تشخیص ناهنجاری مبتنی بر گراف: الگوریتم‌های مبتنی بر گراف برای تحلیل روابط بین نقاط داده و شناسایی ناهنجاری‌ها بر اساس ساختار شبکه آنها استفاده می‌شوند. این امر به ویژه برای تشخیص تقلب در شبکه‌های اجتماعی و شبکه‌های مالی مفید است.
• یادگیری فدرال (Federated Learning): یادگیری فدرال به چندین سازمان اجازه می‌دهد تا یک مدل تشخیص ناهنجاری مشترک را بدون به اشتراک گذاشتن داده‌های خود آموزش دهند. این امر به ویژه در صنایعی که حریم خصوصی داده‌ها یک نگرانی عمده است، مفید است.
• یادگیری تقویتی: الگوریتم‌های یادگیری تقویتی می‌توانند برای آموزش عامل‌های خودمختاری استفاده شوند که یاد می‌گیرند از طریق آزمون و خطا تقلب را تشخیص داده و از آن جلوگیری کنند.
• تشخیص ناهنجاری در زمان واقعی: با افزایش سرعت تراکنش‌ها، تشخیص ناهنجاری در زمان واقعی برای جلوگیری از تقلب قبل از وقوع آن حیاتی شده است.

نتیجه‌گیری

الگوریتم‌های تشخیص ناهنجاری ابزاری قدرتمند برای شناسایی و جلوگیری از تقلب در دنیای پیچیده و متصل امروزی هستند. با بهره‌گیری از این الگوریتم‌ها، کسب‌وکارها و سازمان‌ها می‌توانند امنیت خود را افزایش دهند، زیان‌های مالی را کاهش دهند و از اعتبار خود محافظت کنند. با ادامه تکامل تکنیک‌های تقلب، ضروری است که از آخرین پیشرفت‌ها در زمینه تشخیص ناهنجاری آگاه باشیم و سیستم‌های قوی تشخیص تقلب را پیاده‌سازی کنیم که بتوانند با تهدیدات متغیر سازگار شوند. ترکیب سیستم‌های مبتنی بر قانون با تکنیک‌های پیچیده تشخیص ناهنجاری، همراه با هوش مصنوعی قابل توضیح، مسیری را به سوی پیشگیری مؤثرتر و شفاف‌تر از تقلب در مقیاس جهانی ارائه می‌دهد.