本研究發展了一套具早期預警功能之線上拍賣詐騙即時偵測系統AntiFraud，當使用者以瀏覽器瀏覽商品網頁時，AntiFraud便同時啟動，進而主動判別該商品的賣方為詐騙者之可能性，以減少使用者遭受詐騙的機會。系統核心部分，整合了混合階段模型與分階段模型兩類塑模方式，用以擷取詐騙者在各階段的行為特徵來達成早期預警的功效。
為強化偵測功能，本系統建置了二層式偵測流程，第一層先判別是否為詐騙者，第二層再分辨詐騙者所處的生命週期階段。此外，本系統會根據學習結果產生詐騙類型判斷規則，提供使用者參考。本研究另外整理2007年至2009年的詐騙資料，並分析其詐騙方式演化的趨勢，使得未來可根據詐騙行為的變化提早建立防範對策。為驗證系統效能，我們使用Yahoo-Taiwan實際交易資料進行測試，結果顯示其詐騙偵測準確性與早期預警功能均具有實用價值。

This study proposes a real-time online auction fraud detection system named as AntiFraud. As a user executes Firefox to browse commodity pages, AntiFraud will be activated simultaneously to detect the auctioneers for reducing the probability of being defrauded. The kernel of the system consists of detection models by hybrid phased modeling and single phased modeling. The integration of the previous two types of modeling methods is to extract the comprehensive fraudulent features in different phases for achieving the capability of early warning in online auctions. 
To enhance the capability of fraud detection, AntiFraud has implemented a 2-level detection procedure for identifying fraudsters and predicting in which current phase they stay most probably. In addition, the system induces judgment rules of identifying fraudsters from the results of learning processes. In this study, we collected fraudulent transaction histories occurred at Yahoo-Taiwan during 2007-2009 for analyzing the trend of fraud scheme evolution. According to the changes of fraudulent behavior, we construct new behavior models against the new types of frauds as early as possible. To validate the effectiveness of AntiFraud, we also downloaded real data from Yahoo- Taiwan for testing. Our experimental results present the practicality of the system including both the accuracy of fraud detection and the capability of early warning.

目錄
第一章 緒論	1
第二章 背景知識與相關技術簡介	6
2.1 線上拍賣詐騙行為	6
2.2 詐騙行為分析方法	7
第三章 AntiFraud之詐騙偵測方法	11
3.1 詐騙偵測指標	11
3.2 詐騙分類	16
3.3 二階段詐騙偵測流程	19
第四章 系統設計與實作	22
4.1 系統架構	22
4.2 AntiFraud之操作介面	23
4.3 建立AntiFraud之資料庫	27
4.4 建立AntiFraud模式庫	28
第五章 實驗結果	30
5.1 實驗工具與研究指標	30
5.2 詐騙行為與偵測結果	31
5.3 詐騙行為演化趨勢	34
第六章 結論與未來研究	38
參考文獻	40
附錄A：縮減偵測指標對2007、2008、2009年蒐集資料之偵測結果	43
附錄B：Weka簡介	44
附錄C：AntiFraud本機系統操作簡介	47
附錄D：AntiFraud偵測簡介	48
附錄E：年度詐騙資料簡介	49

表目錄
表 2-1 常見的詐騙手法	7
表 2-2 C4.5範例	9
表 3-1(a) 本研究使用之24項前17項詐騙偵測指標（平均成交價）	12
表 3-1(b) 本研究使用之24項後7項詐騙偵測指標	13
表 3-2 詐騙規則	16
表 5-1 以詐騙為主的解釋	30
表 5-2 實驗資料來源	32
表 5-3 針對2007-2009年度資料單一階段偵測實驗結果	33
表 5-4 針對2007-2009年度資料二階段偵測2:1實驗結果	33
表 5-5 針對2007-2009年度詐騙資料分類結果	34
表 5-6 詐騙者數量趨勢表	37
表 7-1 縮減偵測指之偵測結果	43
表 7-2 評價少於一頁的詐騙者帳號數(表示無累積正評希望快速騙人)	49
表 7-3 bbbrian----詐騙描述	49
表 7-4 me----詐騙描述	49

圖目錄
圖 2-1範例分類樹結果	10
圖 3-1 KMeans演算法取得個別屬性值分群為列舉型指標	14
圖 3-2切割其交易紀錄	15
圖 3-3切割交易資料已建立預警能力的方式	15
圖 3-4(a) 分階段塑模	16
圖 3-4(b) 混合塑模	16
圖 3-5屬性規則決策樹	19
圖 3-6二階段偵測流程	21
圖 4-1系統架構圖	23
圖 4-2(a) 本機端-主畫面	24
圖 4-2(b) 本機端-偵測分析	25
圖 4-2(c) 本機端-偵測之安全帳號	26
圖 4-3 交易網路分析結果(5-clique)	27
圖 4-4 前處理流程圖	28
圖 5-1單一塑模偵測各階段之Confusion　Matrix	31
圖 5-2正評指標相關的行為指標趨勢變化	35
圖 5-3負評指標相關的行為指標趨勢變化	36
圖 7-1Classify功能的操作介面	46
圖 7-2Cluster功能的操作介面	46
圖 7-3系統操作	47
圖 7-4瀏覽器端操作	48

一、中文文獻
[1] 王俊程、邱垂鎮、葛煥元，「以交易者紀錄的社會網絡結構建立線上拍賣哄抬評價的偵測指標」，資訊管理學報，12卷4期，2005年10月，143-184。
[2] 王如芬，「電子商務中議價代理人讓步策略之研究」，國立中山大學企業管理學系，碩士論文，民國89年。
[3] 內政部警政署警察局，網路拍賣詐騙近來激增，近900人匯款後未收到貨，取至，http://www.cib.gov.tw
[4] 奇摩年營收 上看150億2009年2月取至，      http://web20labs.blogspot.com/2009/03/yahoo-150.html
[5]林巧雲，「網路拍賣契約與網站經營者民事責任之研究」，國立成功大學法律學研究所，碩士論文，民96。
[6] 洪儀玶，「具早期預警能力之線上拍賣詐騙偵測」，淡江大學資訊管理學系，碩士論文，民96。
[7]香港ebay網站，取至http://pages.ebay.com.hk/eng/index.html
[8] 朗健如，"一套線上拍賣不誠實交易者之二階段偵測方法,"淡江大學資訊管理學系, 民99。
[9] 張文熙、張昭憲，"由階段切割交易紀錄進行線上拍賣詐騙早期偵測," ICIM2008 2008創新與管理國際學術研討會中華民國-台灣 台北 實踐大學 2008年12月 。
[10] 張文熙、張昭憲，"以分階段塑模為基礎之線上拍賣詐騙預警," 民生電子學術研討會中華民國-台灣 台北 景文科技大學
2008年12月。
[11] 張昭憲、翁豪箴，"以多屬性相對名聲協助挑選線上拍賣交易對象,"第十四屆資訊管理暨實務研討會, 2008年12月。
[12] 葉懿慧，「以社會網路分析方法偵測線上拍賣網站的詐欺共犯群體」,國立中央大學資訊管理學系，碩士論文，民97。
[13] 網拍詐騙高,宣導網購反詐騙取至，http://forum.ruten.com.tw/replylist.php?article=5193995
[14]劉忠陽，拍賣網站消費者與詐欺行為之研究, 2005, pp. 112-116

二、英文文獻
[15] Brandt,F.,"Fundamental Aspects of Privacy and Deception in Electronic Auctions", 2003.
[16] Balingit,R., Trevathan,J., Lee,Y.J., and Read,W. (2009) .A softare tool for collecting data from online auctions.
[17] Chau,D.H., and Faloutsos,C. (2005). Fraud detection in electronic auction. European Web Mining Forum at ECML/PKDD,
[18] Chau,D.H., Pandit,S., and Faloutsos,C. (2006). Detecting fraudulent personalities in networks of online auctioneers. Proceedings of PKDD 2006, pp.103-114.
[19] Chau,D.H., Pandit,S., Faloutsos,C., and Wang,S.(2007). NetProbe: A fast and scalable system for fraud detection in online auction networks. Proceedings of the 16th International Conference on World Wide Web, pp. 201-210.
[20] Chang,W.H., and Chang,J.S.(2009). A Novel Two-Stage Phased Modeling 
Framework for Early Fraud Detection in Online Auctions
[21] D. Aha, D. Kibler (1991). Instance-based learning algorithms. Machine Learning. 6:37-66. 
[22] Ethem Alpaydin , "Introduction to Machine Learning", 2004,pp. 173-179
[23] JFreeChart Index html http://www.jfree.org/index.html
[24] JUNG Index html http://jung.sourceforge.net/
[25] Jau-Shien, Chang and Wen-Hsi Chang, (2009), “An Early Fraud Detection Mechanism for Online Auctions Based on Phased Modeling,” in the proceedings of the 2009 International Workshop on MObile Systems E-commerce and Agent Technology (MSEAT 2009) Dec 3-5
[26] Kirkby, R., Frank, E., and Reutemann, P. (2008). “WEKA Explorer User Guide for Version 3-5-8”.Available from: http://prdownloads.sourceforge.net/weka/ExplorerGuide-3-5-8.pdf?download
[27] Kobayashi,M., and Ito,T. (2007). A transactional relationship visualization system in internet auctions
[28] Mitchell, T. and McGraw-Hill, "Machine Learning", 1997, pp. 52-81