SIDERAU: Sistema de Detecção de Fraudes em Cartões de Crédito baseado em Aprendizado Federado

• Jackson S. R. da Silva UFABC https://orcid.org/0009-0006-4657-145X
• Joahannes B. D. da Costa UNIFESP https://orcid.org/0000-0001-9973-2479
• Helder M. N. da S. Oliveira USP https://orcid.org/0000-0003-3143-6280

DOI: https://doi.org/10.5753/courb.2026.24071

Resumo

A detecção de fraudes em cartões de crédito tornou-se um desafio crítico para instituições financeiras devido ao crescimento das transações digitais e à crescente sofisticação das estratégias utilizadas por fraudadores. Este trabalho propõe o SIDERAU, sistema que integra Aprendizado Federado (FL) e IDS para identificação colaborativa de fraudes preservando a privacidade. Os resultados indicam que o SIDERAU alcançou F1-Score de 78,9% e Recall de 86,4%. A arquitetura demonstrou redução de 28% no tempo de execução (124s vs 172s) e diminuição de 5 vezes na carga de memória local por nó (21,5 MB vs 107,6 MB), viabilizando detecção em tempo real.

Referências

Akour, I., Mohamed, N., and Salloum, S. (2025). Hybrid cnn-lstm with attention mechanism for robust credit card fraud detection. IEEE Access.

Aurna, N. F., Hossain, M. D., Taenaka, Y., and Kadobayashi, Y. (2023). Federated learning-based credit card fraud detection: Performance analysis with sampling methods and deep learning algorithms. In 2023 IEEE International Conference on Cyber Security and Resilience (CSR), pages 180–186.

Btoush, E. A. L. M., Zhou, X., Gururajan, R., Chan, K. C., Genrich, R., and Sankaran, P. (2023). A systematic review of literature on credit card cyber fraud detection using machine and deep learning. PeerJ Computer Science, 9:e1278.

de Souza, A. M., Maciel, F., da Costa, J. B., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A., and Villas, L. A. (2024). Adaptive client selection with personalization for communication efficient federated learning. Ad Hoc Networks, 157:103462.

Fares, A. A. Y. R., Wunder, C. S., de Caldas Filho, F. L., Rocha Filho, G. P., Serrano, A. L. M., and Gonçalves, V. P. (2026). Identificação e mitigação de ataques ddos em redes iot utilizando hidps, nids e aprendizado de máquina. Revista Ibérica de Sistemas e Tecnologias de Informação, 1(E78):1–12.

Khraisat, A., Gondal, I., Vamplew, P., and Kamruzzaman, J. (2019). Survey of intrusion detection systems: techniques, datasets and challenges. Cybersecurity, 2(1):1–22.

Makki, S., Assaghir, Z., Taher, Y., Haque, R., Hacid, M.-S., and Zeineddine, H. (2019). An experimental study with imbalanced classification approaches for credit card fraud detection. IEEE Access, 7:93010–93022.

Nugent, D. (2022). Privacy-preserving credit card fraud detection using homomorphic encryption. arXiv preprint arXiv:2211.06675.

Romani, M. F., dos Santos, J. K. M., de O Cardoso, G. F., Viana, G. B., de Caldas Filho, F. L., and Demendonça, F. L. (2026). Mitigação de ataques ddos em iot: Comparação entre aprendizado federado e modelos centralizados. Revista Ibérica de Sistemas e Tecnologias de Informação, 1(E78):170–183.

Rzayeva, D. and Malekzadeh, S. (2022). A combination of deep neural networks and k-nearest neighbors for credit card fraud detection. arXiv preprint arXiv:2205.15300.

Sharma, S. and Gwale, D. (2023). A review of credit card fraud detection using machine learning. International Journal of Scientific Development and Research (IJSDR), 8(7):584.

Varmedja, D., Karanovic, M., Sladojevic, S., Arsenovic, M., and Anderla, A. (2019). Credit card fraud detection - machine learning methods. In 2019 18th International Symposium INFOTEH-JAHORINA (INFOTEH), pages 1–5.

Yang, Q., Liu, Y., Chen, T., and Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2):12:1–12:19.

Zaffar, Z., Sohrab, F., Kanniainen, J., and Gabbouj, M. (2023). Credit card fraud detection with subspace learning-based one-class classification. arXiv preprint arXiv:2309.14880.