핸콕(프로그래밍 언어)

Hancock (programming language)
AT&T 연구원들은 1998년에 핸콕을 만들었다.그들은 그것을 회사의 미국 장거리 전화 [1]스트림을 분석하는 데이터 마이닝 프로그램을 작성하는데 사용했다.

핸콕은 데이터 [1]스트림을 분석하기 위해 1998년 AT&T Labs의 연구자들에 의해 처음 개발된 C 기반의 프로그래밍 언어입니다.이 언어는 데이터 마이닝의 효율성과 규모를 개선하기 위해 개발자들에 의해 고안되었습니다.핸콕은 개인의 프로필을 만들고 데이터를 활용하여 행동 및 소셜 네트워크 정보를 제공합니다.

핸콕의 개발은 사기를 탐지하고 마케팅을 개선하기 위해 통신 업계가 데이터 마이닝 프로세스를 사용하는 것의 일부였습니다.그러나 2001년 9월 11일 공격과 개인에 대한 정부의 감시 강화 이후, 핸콕과 유사한 데이터 마이닝 기술은 특히 개인의 [2]사생활에 대한 인식된 위협과 관련하여 공공의 정밀 조사를 받게 되었습니다.

배경

Hancock을 포함한 데이터 마이닝 연구는 1990년대에 대규모 데이터 수집, 저장 및 관리에 대한 과학, 비즈니스 및 의료계의 관심이 [3]증가하면서 성장했습니다.1990년대 초반 트랜잭션 비즈니스는 기록된 트랜잭션 데이터 전체에 스토리지, 쿼리 및 관리 기능을 제공하는 데이터 웨어하우징에 점점 더 많은 관심을 갖게 되었습니다.데이터베이스에 초점을 맞춘 데이터 마이닝 연구는 특히 디스크 상의 메인 메모리 스토리지에서 벗어난 데이터에 대해 효율적인 데이터 구조와 알고리즘을 만드는 데 초점을 맞추게 되었습니다.Padharic Smyth는 데이터 마이닝 연구자들이 짧은 시간에 [3]방대한 양의 데이터를 확장할 수 있는 알고리즘을 작성하는 것을 목표로 했다고 믿었다.

코리나 코테스를 포함한 AT&T 연구소의 연구원들은 1998년부터 2004년까지 핸콕 프로그래밍 언어를 개척했다.C 기반 도메인별 프로그래밍 언어인 Hancock은 대규모 트랜잭션 데이터 스트림에서 시그니처를 계산하기 위한 프로그램 코드를 읽고 유지하기 쉽게 하기 위해 고안되었으며, 따라서 C로 작성된 복잡한 데이터 마이닝 프로그램보다 개선되는 역할을 합니다.핸콕은 또한 데이터 마이닝 프로그램을 [1]위한 규모의 문제도 관리했습니다.

Hancock 프로그램이 분석한 데이터 스트림은 매일 수억 개의 서명을 처리하기 위한 것으로, 전화 통화, 신용카드 구매 또는 웹 사이트 [1]요청과 같은 거래에 이상적입니다.핸콕이 개발될 당시 이 데이터는 대개 과금 또는 보안 목적으로 수집되었으며, 거래자의 [1]행동을 분석하기 위해 점점 더 많이 수집되었습니다.데이터 마이닝은 트랜잭션 데이터의 비정형 패턴을 식별하는 데도 유용합니다.반테러 활동과 관련하여, 데이터 [4]마이닝의 패턴 발견 지원은 예를 들어 자금이나 무기 이전을 통해 테러리스트 용의자 간의 연결을 찾는 데 도움을 줄 수 있다.

데이터 스트림 애플리케이션에는 네트워크 모니터링, 보안 파생상품 가격,[5] 처방약 효과 모니터링 [5]및 전자 [6]상거래와 같은 재무 모니터링도 포함됩니다.데이터 마이닝은 기업이 가장 수익성이 높은 소비자를 찾거나 이탈 분석을 수행하기 위해 사용할 수 있습니다.데이터 마이닝은 또한 고객의 [7]신용 가치를 결정하는 모델을 설계함으로써 기업이 신용 대출 결정을 내리는 데 도움을 줄 수 있습니다.이러한 모델은 판매 [7]수익을 극대화하는 동시에 위험한 신용 대출을 최소화하기 위한 것입니다.

Hancock 외에도 2003년까지 존재했던 다른 데이터 스트림 시스템에는 Aurora, Gigascope, Niagara,[6] STREAM, Tangram, Tapestry, Telegraph 및 Tribeca가 있었습니다.

과정

데이터베이스

핸콕은 데이터 스트림 마이닝 프로그램을 위한 언어입니다.데이터 스트림은 매우 많은 양의 데이터를 경험하고 분석가가 거의 실시간으로 이러한 데이터를 처리할 수 있다는 점에서 기존의 저장된 데이터베이스와 다릅니다.한편 저장된 데이터베이스에는 오프라인 [6]조회를 위해 데이터를 입력해야 합니다.서로 다른 시스템의 교차 데이터를 저장하는 데이터 웨어하우스는 구축 비용이 많이 들고 구현 시간이 오래 걸릴 수 있습니다.단순화된 데이터 웨어하우스를 [5]구축하는 데 수개월이 걸릴 수 있습니다.

대규모 데이터 스트림 마이닝의 규모는 데이터 마이너에게 문제를 일으킵니다.예를 들어 인터넷 및 전화 네트워크 데이터 마이닝은 [8]스트림에서 정기적으로 발생하는 항목인 영구 항목을 찾는 작업을 수행할 수 있습니다.그러나 이러한 항목은 네트워크의 대량의 트랜잭션 데이터에 저장될 수 있습니다. 이러한 항목은 결국 찾을 수 있지만 데이터 광부들은 검색 [8]시 시간 효율성을 높이는 것을 목표로 합니다.

데이터베이스 테크놀로지에서는 사용자가 검색 중인 데이터가 어디에 있는지 알 수 없습니다.이러한 사용자는 데이터베이스 관리 시스템이 반환하는 데이터에 대한 쿼리만 발행하면 됩니다.대규모 데이터 세트에서는 데이터를 프라이머리 스토리지인 RAM(랜덤 액세스 메모리) 또는 세컨더리 스토리지인 디스크 스토리지에 포함할 수 있습니다.2000년에 Padharic Smyth는 최신 기술을 사용하여 RAM에 있는 데이터에 "10−7−8~10초 정도" 빠르게 액세스할 수 있는 반면, 보조 스토리지 데이터에 "1045~10초 정도"[3] 액세스하는 데 상당한 시간이 걸릴 것으로 추정했습니다.

데이터 마이닝

데이터 마이닝은 입력, 분석 및 결과 보고 프로세스로 나눌 수 있습니다.데이터 마이닝은 알고리즘을 사용하여 대상자 간의 패턴과 관계를 찾아내고 상업 기업에서 고객의 행동 패턴을 [9]찾아내는 데 사용되어 왔습니다.데이터 분석가는 데이터를 수집 및 구성하고 알고리즘을 [4]교육하기 위해 필요합니다.

KianSing Ng와 Huan Liu는 단순한 데이터 마이닝 목표에도 불구하고 실제 프로세스는 여전히 복잡하다고 말합니다.예를 들어, 실제 데이터 마이닝은 데이터 변동으로 인해 "부분적으로 무효"가 될 수 있다고 주장합니다.또 다른 복잡성은 2000년에 존재하는 대부분의 데이터베이스가 고차원적인 특성을 가지고 있다는 것입니다. 즉, 데이터베이스에는 많은 속성에 대한 데이터가 포함되어 있습니다.Ng와 Liu가 지적했듯이, 고차원성은 컴퓨팅 시간을 길게 만듭니다.이것은 전처리 [10]단계에서 데이터를 줄임으로써 해결할 수 있습니다.

핸콕의 프로세스는 다음과 같습니다.

  • 핸콕 프로그램은 데이터가 데이터 [2]웨어하우스에 실시간으로 도착할 때 데이터를 분석합니다.
  • 핸콕 프로그램은 [1]스트림에 있는 트랜잭션의 서명 또는 행동 프로파일을 계산했습니다.
    • 데이터 스트림 트랜잭션에는 전화번호 또는 IP [1]주소가 포함됩니다.
    • 시그니처를 사용하면 데이터 [1]내에 숨겨진 패턴을 검출할 수 있습니다.
  • 통신 데이터 스트림은 발신자의 위치, 통화 시각에 관한 정보를 포함한 통화 레코드로 구성됩니다.또,[11] 경우에 따라서는 통화 녹음을 포함할 수도 있습니다.
    • 핸콕은 지정된 시간 [12]간격 동안 특정 영역에 대한 통화 길이 및 통화 양 등의 데이터에 기반하여 서명을 처리하기 위해 사용되었습니다.
  • 핸콕 프로그램은 "관심 커뮤니티"를 찾기 위해 링크 분석을 사용했는데, 이 커뮤니티는 행동의 유사성에 따라 서명을 연결했다.링크 분석에서는 데이터 간의 링크가 지속적으로 업데이트되어야 하며 부정 네트워크를 [12]탐지하는 데 사용됩니다.
    • 연계 데이터 마이닝의 한 형태로 간주할 수 있는 링크 분석은 [13]관계 간의 연결을 찾는 것을 목적으로 합니다.이러한 관계 중 하나가 [13]통신의 콜 패턴입니다.연관 데이터 마이닝은 변수 간의 관계를 찾는 것을 목표로 합니다.예를 들어, 한 연구논문에[13] 따르면 시장은 커피를 구매하는 고객이 빵을 구매할 가능성을 찾기 위해 연관 분석을 사용할 수 있으며, 그 정보를 점포 배치와 판촉에 영향을 미칠 수 있다.

핸콕 코드가 많은 양의 데이터를 사용하더라도 효율적으로 작동하기 때문에 AT&T 연구진은 분석가들이 "이전에는 [1]불가능하다고 생각되었던" 애플리케이션을 만들 수 있었다고 주장했다.

적용들

AT&T Labs의 연구진은 통신 데이터 스트림을 분석했습니다.이 데이터 스트림에는 매일 [1]1억 개의 고객 계정에서 약 3억 개의 레코드가 포함되어 있습니다.2004년까지 AT&T의 모든 장거리 전화 통화 기록 서명은 핸콕으로 작성되었으며, 회사는 핸콕 코드를 사용하여 9기가바이트의 네트워크 트래픽을 매일 [1][2]밤 열람했습니다.

통신사들은 연구,[14] 보안 및 규제 목적으로 데이터 마이닝 네트워크 트래픽에서 파생된 정보를 공유합니다.

마케팅.

핸콕 프로그램은 AT&T의 마케팅 [2]노력을 도왔다.1990년대 대규모 데이터 스트림 마이닝과 정부 공공 기록 시스템의 자동화로 인해 미국의 상업 기업들은 개인화된 마케팅을 [15]할 수 있었습니다.시그니처 프로파일은 트랜잭션 기록과 공개 기록 [15]소스 모두에서 개발되었습니다.예를 들어, Ng와 Luu는 데이터 마이닝을 고객 유지 분석에 적용했으며, 연결 규칙 마이닝을 통해 기업은 영향력 있는 고객과 그 관계자의 이탈을 예측할 수 있었습니다.그들은 이러한 지식은 결과적으로 그 고객들을 공략할 수 있는 회사의 마케팅 팀에 힘을 실어주며 더 매력적인 피치를 [10]제공한다고 주장했다.

데이터 마이닝은 소비자 소셜 네트워크를 사용하여 브랜드 인지도와 [16]수익을 향상하는 바이러스 마케팅(버즈 마케팅 또는 입소문 마케팅이라고도 함)에서 통신 회사를 지원했습니다.바이럴 마케팅은 브랜드 지지를 높이기 위해 소비자 간의 연결에 의존하며, 이는 친구가 다른 친구에게 제품을 추천하는 것과 같이 명시적일 수도 있고 영향력 있는 소비자가 [16]제품을 구매하는 것과 같이 암시적일 수도 있습니다.기업에게 바이러스 마케팅의 목표 중 하나는 더 큰 네트워크를 가진 영향력 있는 소비자를 찾는 것이다.바이러스 마케팅의 또 다른 방법은 "네트워크 타깃팅"[16]으로 알려진 이전 소비자들의 이웃을 타깃으로 하는 것이다.핸콕 프로그램을 사용하여 AT&T의 분석가들은 유사한 [12]행동 특성을 특징으로 하는 "관심 커뮤니티" 또는 상호 연결된 사용자를 찾을 수 있었습니다.

바이러스 마케팅 추진자가 직면한 문제 중 하나는 마케팅 데이터 세트가 크다는 점이었는데, 통신 회사의 경우 거래자와 거래자의 특징 및 [16]거래에 대한 정보를 포함할 수 있다.마케팅 데이터 세트가 수억 개에 달할 경우 통계 분석 [16]소프트웨어의 메모리 용량을 초과할 수 있습니다.핸콕 프로그램은 데이터 확장 문제를 해결하고 데이터가 데이터 [2]웨어하우스로 유입될 때 분석가가 결정을 내릴 수 있도록 했습니다.

무선통신기기의 발달로 법 집행이 사용자의 위치를 추적할 수 있게 된 반면, 기업은 무선 사용자의 특정 [15]사업자에 대한 근접성에 따라 메시지를 보내는 등 소비자 마케팅을 개선할 수 있게 되었다.휴대폰 사이트 위치 데이터를 통해 핸콕 프로그램은 무선 사용자의 [2]움직임을 추적할 수 있었다.

학계 Alan Westin에 따르면, 이 기간 동안의 텔레마케팅의 증가는 소비자 [15]불만도 증가시켰다.통계학자 Murray Mackinnon과 Ned Glick은 1999년에 기업에서는 고객 [5]레코드의 마이닝에 대한 소비자의 반발이 있을 수 있기 때문에 상용 데이터 마이닝의 사용을 숨겼다고 가정했습니다.예를 들어, Mcinnon과 Glick은 1999년 6월 미네소타 주가 텔레마케팅 회사에 고객 정보를 공개했다는 이유로 미국 Bancorp을 제소한 소송을 예로 들었고, Bancorp은 즉시 고객 [5]데이터 사용을 제한함으로써 소송에 대응했습니다.

부정행위 검출

Cortes를 포함한 AT&T 연구원들은 핸콕 관련 데이터 마이닝 프로그램이 통신 사기를 [14]발견하는 데 사용될 수 있다는 것을 보여주었다.

통신 부정 검출에는 가입 부정, 부정 전화 카드 사용, PBX [17]부정 행위가 포함됩니다.이는 모바일 통신 및 신용카드 사기와 유사합니다.세 가지 모두에서 기업은 정보를 얻기 위해 대량의 데이터를 처리해야 합니다.또한 데이터 내의 패턴을 찾기 어렵게 하는 인간 행동의 예측 불가능성에 대처해야 합니다.또한 이들 알고리즘은 이들 중 비교적 드문 부정 사례를 발견하도록 훈련되어야 합니다.e 적법한 다수의 트랜잭션.[17]Daskalaki et al.에 따르면 1998년 통신사기는 전세계적으로 [17]연간 수십억 달러의 손실을 초래했다.

매일 발생하는 수억 건의 전화 거래에 비해 사기 사례가 상대적으로 적었기 때문에 통신 기록의 데이터 마이닝을 위한 알고리즘은 신속하고 [12]효율적으로 결과를 제공해야 합니다.연구자들은 사기 계정의 데이터 노드가 일반적으로 합법적인 [14]계정의 노드보다 서로 더 가까운 위치에 위치하기 때문에 관심 커뮤니티가 사기꾼을 식별할 수 있다는 것을 보여주었습니다.

소셜 네트워크 분석과 연계 분석을 통해, 그들은 또한 부정 계정에 의해 표적이 된 일련의 숫자들은 종종 다른 숫자의 사기꾼들에 의해 요구된다는 것을 발견했다. 그러한 연결은 부정 계정을 식별하는 데 사용될 수 있다.링크 분석 방법은 사기꾼이 호출 습관에서 [12]거의 벗어나지 않는다는 가정에 기초하고 있습니다.

감시와의 관계

2007년, Wired 잡지는 핸콕이 AT&T 연구자들에 의해 "감시 목적"을 위해 만들어졌다고 주장하는 온라인 기사를 실었다.이 기사는 Cortes 등이 쓴 연구 논문들, 특히 연구자들의 "관심 커뮤니티" 개념을 강조했다.이 기사는 핸콕의 개념을 연방수사국(FBI)[2]이 미국 패트리엇법에 따라 통신회사로부터 "관심 커뮤니티"의 기록을 영장 없이 요청했다는 최근 공개 조사 결과와 연결시켰다. (FBI의 통신 감시에 대한 자세한 내용은 아래 참조)

이 기사는 AT&T가 관련 데이터 마이닝 특허에 대한 회사의 소유권을 들어 "관심 커뮤니티" 레코드를 만드는 개념과 기술을 발명했다고 주장한다.마지막으로 AT&T가 버라이즌과 함께 미국 국가안보국(NSA)에 미국인 소유의 수십억 건의 통화기록에 접근할 수 있도록 해 연방법원에서 어떻게 소송을 당했는지에 주목했다.이 기사는 NSA가 테러 용의자와 영장 없는 [2]도청 대상을 찾기 위해 데이터 마이닝을 목적으로 이러한 데이터를 입수했다고 주장하고 있다(NSA 통신 감시에 대한 자세한 내용은 아래 참조).

FBI 통신 기록 감시

연방 통신 감시는 미국에서 최근의 역사적 발전이 아니다.학자인 콜린 애거에 따르면, 1920년대에 [18]미국에서 법 집행 기관에 의한 전화 감시가 더 보편화되었다고 한다.특히,[18] 전화 감청은 금지 기간 동안 법 집행관들, 특히 연방 요원들에 의해 널리 알려진 형태의 증거 수집이 되었다.아구르는 연방통신위원회를 설립한 1934년의 통신법이 전화 [18]감시의 법 집행 남용에 지배적이었다고 주장한다.이 법에 따르면 통신사들은 기록을 보관하고 FCC에 불법적인 통신 감청 요청을 보고할 수 있다.1968년 연방 감청법과 카츠 대 미국 대법원이 수정헌법 제4조를 전화 통신으로 확장한 판결을 내린 후 연방 전기통신 감시는 [18]영장을 필요로 했다.

윌리엄 벤딕스와 폴 쿼크 학자들에 따르면, FBI는 1986년 의회가 전자통신 프라이버시법을 통과시킨 후, 전화 서비스를 포함한 통신 요금 청구 기록에 대한 국가 보안 서신(NSL)을 입수할 수 있는 권한을 처음으로 부여받았다.그 편지들은 전화회사들로 하여금 이름, 주소, 그리고 장거리 통화 기록과 같은 고객 정보를 FBI에 제공하도록 강요했다.의회는 결국 국보법 권한을 확대해 시내 통화 기록에 대한 [19]영장도 포함시킬 것이다.

2001년 9월 11일 테러 공격 이후, 의회는 미국 패트리엇법을 통과시켰고, 이는 FBI 수사관들이 테러 수사를 위한 국가 안보 서한을 쉽게 발급받을 수 있게 만들었다.Bendix와 Quirk는 패트리엇 법이 FBI가 판사의 승인 없이 많은 시민들의 개인 데이터에 접근하고 수집하는 것을 허용했다고 주장한다.FBI는 보유 기간 제한 없이 기록 수집을 할 수 있었다.그것은 또한 국가보안법 수혜자들이 함구령을 [19]통해 침묵을 지키도록 강요할 수도 있다.

와이어드 기사는 FBI가 미국 패트리어트법에 따라 용의자의 '관심 커뮤니티' 기록을 통신사에 영장 없이 요청하기 시작했다고 주장했다.그 기사는 법 집행 당국이 핸콕의 [2]창작자들의 연구를 바탕으로 그러한 기록의 존재를 발견했다고 주장했다.

2005년, 정부의 유출로 FBI의 NSL 남용 사실이 드러났다.2006년 패트리엇법이 개정될 때 법무부 감찰관이 매년 NSL 사용 현황을 검토하도록 하는 조항이 포함됐다.첫 번째 감사원 보고서에 따르면 2003년부터 2005년까지 약 24,000명의 미국인에 대한 14만 건의 NSL 요청이 FBI 요원들에게 허가되었다.그런 다음 데이터는 수천 명의 [19]에이전트가 사용할 수 있는 데이터뱅크에 추가되었다.

NSA 통신 기록 감시

통신사의 민관관계는 국토안보 분야까지 확대되고 있다.AT&T, Verizon 및 Bell South를 포함한 통신 회사들은 트랜잭션 [20]기록에 대한 NSA의 요청에 협력했습니다.AT&T를 포함한 통신 회사들은 국토안보부와 같은 정부 기관과 정보 공유 및 국가 사이버 보안 [21]문제 해결에 협력하기 위해 파트너십을 유지해 왔습니다.AT&T 대표들은 사이버 보안 의식과 컴퓨터 사용자 [21]보호를 촉진하는 NCSA(National Cyber Security Alliance) 이사회에 참석한다.

비밀 테러 감시 프로그램의 권한 아래 있는 NSA의 분석가들은 또한 테러 용의자들과 동조자들을 찾기 위해 데이터 마이닝을 이용했다.이번 수색에서 NSA는 미국을 출입하는 전화 등 통신을 감청했다.요원들은 비행기 조종을 배우고 싶은 욕망이나 파키스탄과 [20]같은 통신 수신자들의 특정 장소와 같은 테러와의 연관성에 대한 정보를 선별했다.

2005년 뉴욕타임스(NYT)는 부시 행정부가 테러 대책에 필요하다고 옹호하고 테러 용의자와 [20]관련자로 한정한 이 프로그램의 존재를 보도했다.

그러나 2007년 와이어드 기사에 따르면 AT&T와 버라이즌은 NSA가 테러 용의자와 영장 없는 도청 [2]대상을 찾기 위해 데이터 마이닝을 사용하는 등 반테러 활동을 위해 미국인 소유의 수십억 건의 전화 기록에 접근할 수 있도록 한 혐의로 연방법원에서 어떻게 소송을 당했는지에 주목했다.

2013년 스노든 사건 이후, 이 프로그램은 테러리스트 용의자뿐만 아니라 수백만 명의 미국 시민의 통신도 채굴한 것으로 밝혀졌다.프라이버시 및 시민자유감독위원회의 2014년 독립 감사 결과, 이 프로그램은 테러 대책에 한계가 [20]있는 것으로 나타났습니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b c d e f g h i j k Cortes, Corinna; Fisher, Kathleen; Pregibon, Daryl; Rogers, Anne; Smith, Frederick (2004-03-01). "Hancock: A language for analyzing transactional data streams". ACM Transactions on Programming Languages and Systems. 26 (2): 301–338. doi:10.1145/973097.973100. ISSN 0164-0925.
  2. ^ a b c d e f g h i j Singel, Ryan (2007-10-29). "AT&T Invents Programming Language for Mass Surveillance". Wired. Retrieved 2020-11-08.
  3. ^ a b c Smyth, P. (2000-08-01). "Data mining: data analysis on a grand scale?". Statistical Methods in Medical Research. 9 (4): 309–327. doi:10.1191/096228000701555181. PMID 11084711.
  4. ^ a b Kim, Won (2005). "On U.S. Homeland Security and Database Technology". Journal of Database Management. 16 (1): 1–17. doi:10.4018/jdm.2005010101.
  5. ^ a b c d e Mackinnon, Murray J.; Glick, Ned (Sep 1999). "Data Mining and Knowledge Discovery in Databases – An Overview". Australian New Zealand Journal of Statistics. 41 (3): 255–275. doi:10.1111/1467-842X.00081.
  6. ^ a b c Babcock, Brian; Babu, Shivnath; Datar, Mayur; Motwani, Rajeev; Thomas, Dilys (2004-12-01). "Operator Scheduling in Data Stream Systems". The VLDB Journal. 13 (4): 333–53. doi:10.1007/s00778-004-0132-6.
  7. ^ a b Sarantopoulos, Georgios (2003). "Data mining in retail credit". Operational Research. 3 (2): 99–122. doi:10.1007/BF02940280.
  8. ^ a b Lahiri, Bibudh; Tirthapura, Srikanta; Chandrashekar, Jaideep (2014). "Space-Efficient Tracking of Persistent Items in a Massive Data Stream". Statistical Analysis and Data Mining: The ASA Data Science Journal. 7 (1): 70–92. doi:10.1002/sam.11214.
  9. ^ Guzik, Keith (2009-10-13). "Discrimination by Design: predictive data mining as security practice in the United States' 'war on terrorism'". Surveillance & Society. 7 (1): 3–20. doi:10.24908/ss.v7i1.3304. ISSN 1477-7487.
  10. ^ a b Ng, KianSing; Liu, Huan (2000-12-01). "Customer Retention via Data Mining". Artificial Intelligence Review. 14 (6): 569–590. doi:10.1023/A:1006676015154. ISSN 1573-7462.
  11. ^ Clarke, Roger (2001-01-01). "Person location and person tracking ‐ Technologies, risks and policy implications". Information Technology & People. 14 (2): 206–231. doi:10.1108/09593840110695767. ISSN 0959-3845.
  12. ^ a b c d e Bolton, Richard J.; Hand, David J. (2002). "Statistical Fraud Detection: A Review". Statistical Science. 17 (3): 235–255. doi:10.1214/ss/1042727940. ISSN 0883-4237.
  13. ^ a b c Chye, Koh Hian; Gerry, Chan Kin Leong (2002-07-01). "Data mining and customer relationship marketing in the banking industry". Singapore Management Review. 24 (2): 1–28.
  14. ^ a b c Bonchi, Francesco; Castillo, Carlos; Gionis, Aristides; Jaimes, Alejandro (2011-05-06). "Social Network Analysis and Mining for Business Applications". ACM Transactions on Intelligent Systems and Technology. 2 (3): 22:1–22:37. doi:10.1145/1961189.1961194. ISSN 2157-6904.
  15. ^ a b c d Westin, Alan F. (2003). "Social and Political Dimensions of Privacy: Social and Political". Journal of Social Issues. 59 (2): 431–453. doi:10.1111/1540-4560.00072.
  16. ^ a b c d e Hill, Shawndra; Provost, Foster; Volinsky, Chris (2006). "Network-Based Marketing: Identifying Likely Adopters via Consumer Networks". Statistical Science. 21 (2): 256–276. arXiv:math/0606278. doi:10.1214/088342306000000222. ISSN 0883-4237. JSTOR 27645754.
  17. ^ a b c Daskalaki, S.; Kopanas, I.; Goudara, M.; Avouris, N. (2003-03-01). "Data mining for decision support on customer insolvency in telecommunications business". European Journal of Operational Research. 145 (2): 239–255. doi:10.1016/S0377-2217(02)00532-5. ISSN 0377-2217.
  18. ^ a b c d Agur, Colin (2013). "Negotiated Order: The Fourth Amendment, Telephone Surveillance, and Social Interactions, 1878-1968". Information & Culture. 48 (4): 419–447. SSRN 2485457.
  19. ^ a b c Bendix, William; Quirk, Paul J. (2016). "Deliberating Surveillance Policy: Congress, the FBI, and the Abuse of National Security Letters". Journal of Policy History. 28 (3): 447–469. doi:10.1017/S0898030616000178. ISSN 0898-0306.
  20. ^ a b c d Theoharis, Athan (2016). "Expanding U.S. Surveillance Powers: The Costs of Secrecy". Journal of Policy History. 28 (3): 515–534. doi:10.1017/S0898030616000208. ISSN 0898-0306.
  21. ^ a b Busch, Nathan E.; Givens, Austen D. (2012). "Public-private partnerships in homeland security: Opportunities and challenges". Homeland Security Affairs. 8 (1): 1–25. hdl:10945/25017.