고객확인제도(Customer Due Diligence, CDD)

고객확인제도(Customer Due Diligence, CDD)란 「특정 금융거래정보의 보고 및 이용에 관한 법률」에 따라 금융회사가 제공하는 금융거래 또는 서비스가 자금세탁 등의 불법행위에 이용되지 않도록 고객의 성명, 주민번호 등 실지명의와 주소, 연락처, 업종 그리고 실제 소유자 및 금융거래 목적 등을 확인하여 고객에 대해 합당한 주의를 기울이도록 하는 제도.

※ 재이행 주기에 의한 고객확인 재이행주기 도래시 고객확인의무 발생
예) CDD(일반고객확인): 3년 / EDD(강화된 고객확인): 1년

글로벌 1위 암호화폐 거래소 바이낸스, ‘7대 보안원칙’ 공개

거래량 기준 글로벌 1위 암호화폐 거래소 바이낸스가 새로운 보안방침을 발표했다.

바이낸스는 △최신기술을 이용한 플랫폼 보안 강화 △CS팀을 통한 지속적 보안지원 △상시적 위험 모니터링 시스템 구축 △유저에 대한 지속적 안전교육 △SAFU 펀드 결성 △바이낸스 덱스 출범 △빅데이터 및 안전전문가로 구성된 보안팀 구성 등 새로운 보안방침을 4일 공개했다.

먼저 인공지능(AI)을 통해 의심스러운 거래를 사전에 검출하거나 글로벌 금융기업 톰슨-로이터의 자회사 임 리피니티브와 자금세탁을 방지하기로 했다. CS(Customer Service. 고객서비스)팀을 통해서는 이용자의 보안 관련 상담과 문제해결에 나선다는 방침이다.

또 자사 블록체인 교육 플랫폼 바이낸스 아카데미를 통해 ‘공용와이파이의 위험성’, ‘DDOS 공격’, ‘폰지사기’, 등 수백 개의 블록체인 보안 콘텐츠를 공급할 예정이다.  

지난해 7월 결성된 바이낸스 SAFU(Secure Asset Fund for Users) 펀드는 이용자의 해킹 우려를 불식시키기 위한 것으로 바이낸스 거래수수료 중 10%를 펀드에 지원한다. 향후 해킹이 발생하면 SAFU 펀드를 통해 고객 피해를 구제한다는 계획이다. 

바이낸스는 이와 함께 탈중앙화된 거래 플랫폼 바이낸스DEX의 론칭을 준비 중이다. 디지털 포렌식, AI, 빅데이터 전문가 등 안전 전문가로 구성된 보안팀을 통해 디지털 자산 보호에도 나선다. 

바이낸스의 보안팀 관계자는 “암호화폐 거래소의 가장 중요한 양대 요소는 거래의 신속성과 자산의 안전성”이라면서 “바이낸스는 빠르게 변화하는 블록체인 시장에 가장 강력한 보안수단을 찾아내기 위해 노력하고 있다”고 전했다.

자료출처 : https://blockinpress.com/archives/14247

비트코인 주소를 찾기 위한 정규표현식

[13] 1-9A-HJ-NP-ZA-km-z](26,33}<

통신사별 착신전환 서비스 이용 방법

[ SKT ]

착신전환 서비스는 이동전화로 걸려오는 전화(착신전환 Voice only) 또는 전화 및 SMS(착신전환 일반)를 사전에 등록한 다른 전화로 연결 및 전송해 주는 서비스

착신전환(Voice only) - 기본요금 월990원(부가세 포함), 통화료 별도

• 이동전화로 걸려오는 전화(270분)를 원하는 일반전화나 이동전화로(신호음/연결안내 멘트 없이) 바로 연결해주는 서비스
• 자동연결서비스(월990원/부가세 포함)와 함께 이용할 경우 월정액 1,430원(부가세 포함)으로 이용 가능(550원 할인/부가세 포함)

착신전환 일반 - 기본요금 월1,650원(부가세 포함), 통화료 별도

• 이동전화로 수신되는 전화(270분) 및 수신 문자메세지(SMS) 1,000건을 사전에 등록한 다른 전화로 연결 및 전송해주는 서비스
• 자동연결서비스(월990원/부가세 포함)와 함게 이용할 경우 월정액2,090원(부가세 포함)으로 이용가능

서비스 설정

*71 + 착신전환 희망번호 + 통화버튼 -> 안내멘트 -> 종료 

서비스 해제

*73* + 통화 -> 안내멘트 -> 종료

※유의사항
① 설정을 해제한 경우에도 월정액 요금은 부과되므로 원치않는 경우 서비스를 해지 해야 함
② 문자메세지(SMS, MMS)의 착신을 위해서는 찬신전환일반 서비스를 가입해야 함
③ 음성통화 착신전환 월270분 이용 가능

[ KT ]

휴대폰에서 다른 전화로 착신전환(기본요금 월1,650원  부가세 포함, 통화료 별도)

• 음성/영상통화는 물론 문자도 착신전환
• 유선전화로 착신전환 시 문자를 음성으로 전환
  (단, 영상통화는 피쳐폰 또는 일부 초기 스마트폰에서만 연결됨)

서비스 설정(활성화)
*71 + 연결 희망번호 + 통화 -> 딩동댕 음원송출 -> 종료 (연결멘트가 송출된 후 연결)
*71 + 연결 희망번호 + * + 통화 -> 딩동댕 음원송출 -> 종료 (연결멘트 없이 연결)

서비스 일시정지(비활성화)
※일시적으로 서비스를 이용하지 않는 개념이며, 일시 중지 시에도 이용요금은 부과됨
*710 + 통화 -> 딩동댕 음원송출 -> 종료

서비스 해제
*710* + 통화 -> 딩동댕 음원송출 -> 종료


인터넷 전화에서 다른 전화로 착선전환(기본 요금 550원)

측시 착신전환 설정
*88 + 착신희망번호 + *

무응답(15초)/통화중 착신전환 설정
*84 + 착신희망번호 + *

음영지멱 자동 착신전환 설정
*85 + 착신희망번호 + *

착신전환 설정 상태 확인
*83*

착신전환 설정 해제
#88*

[ LGT ]

휴대폰에서 다른 전화로 착신전환(기본요금 OOO원, 통화료 별도)

서비스 설정(활성화)
*71 + 연결 희망번호 + 통화 -> 딩동댕 음원송출 -> 종료 (연결멘트가 송출된 후 연결)

서비스 일시정지(비활성화)
※일시적으로 서비스를 이용하지 않는 개념이며, 일시 중지 시에도 이용요금은 부과됨
*710 + 통화 -> 딩동댕 음원송출 -> 종료

서비스 해제
*710* + 통화 -> 딩동댕 음원송출 -> 종료

Computers Use Social Media Data to Predict Crime

Source of data : https://www.forensicmag.com/news/2018/10/computers-use-social-media-data-predict-crime

In a study published in the EPJ Data Science journal, the team of RMIT researchers show how location and activity data from users of the Foursquare app, when coupled with recommendation algorithms, allows us to predict crimes more accurately than ever before.

Foursquare users share their location and activity when they "check-in" at various places. The study used data from over 20,000 check-ins by users in Brisbane, and nearly 230,000 check-ins by users in New York City.

RMIT computer scientist Dr. Flora Salim says this dynamic, real-time data on people movements around a city is highly valuable in understanding the likelihood of different situations in an area.

But to fill the many gaps in this location-based data, researchers also developed recommendation algorithms, similar to those used to recommend related songs on Spotify.

"Obviously the large majority of people in the city were not always using the app and those committing crimes were likely not posting on the app about it," she says. "So, we used recommender systems to fill in the gaps and predict other activities in any given scenario."

In tests on both cities, the system predicted specific types of crime in specific parts of the city better than existing crime prediction models based on crime trends.

In Brisbane, the system was found to be 16 percent more accurate at predicting assaults than current models, 6 percent more accurate for predicting unlawful entry, 4 percent better for drug offences and theft and 2 percent better for fraud prediction.

In New York City, it improved prediction accuracy by 4 percent for theft and drug offences, fraud and unlawful entry, while improving predictions of assault by 2 percent.

Salim says that given the sparsity of data sets used in the study, these results are significant.

"Based on these positive results, this technology could allow police to design more effective patrol strategies with limited resources by sending officers to the places where crime is more likely," she says.

The system is also able to be easily scaled up to process larger samples from almost any social media platform, app or mobile network that collects location-based data.

"The widespread use of social media such as Twitter and Foursquare—which all gather huge amounts of data on our location, activities and preferences—provides unprecedented opportunities to capture the movement and activity of people across a city," she says.

The study is just one example of how our data can be used to predict our actions for a whole range of applications.

Another project Salim is involved in looks at algorithms to predict, with high levels of accuracy, what we'll do in the second half of our day based on historic patterns and data collected from the first half of our day.

"Research into the pattern of human movement, based on data from our mobile apps, often shows how predictable many of our activities are," Salim says.

Lead author and Ph.D. student Shakila Khan Rumi, who is supervised by Salim and Dr. Ke Deng, says the study marks a significant step forward on crime prediction models.

"Current state-of-the-art crime prediction models generally rely on relative static features including long-term historical information, geographical information and demographic information. This information changes slowly over time, meaning these traditional models couldn't capture the short-term variations in crime event occurrences," Rumi says.

"Our test results demonstrate the improvement of prediction performance after adding dynamic features is considerable and statistically significant. That really is revolutionary."

The group is now planning to extend the work by training the algorithms using data from one city and increasing its ability to apply those learnings in a different city where patterns are different.