Harin22/digital-currency-fraud-detection-for-euro-central-bank
GitHub: Harin22/digital-currency-fraud-detection-for-euro-central-bank
一个面向央行数字货币系统的端到端欺诈检测流水线，从合成数据生成到 ML 模型训练再到 FastAPI 推理服务部署。
Stars: 0 | Forks: 0
# CBDC 欺诈检测引擎
一个端到端的机器学习流水线，用于检测央行数字货币 (CBDC) 系统中的欺诈交易模式。
本项目模拟真实的金融欺诈场景，训练机器学习模型以检测可疑活动，并通过 FastAPI 欺诈检测服务对外提供模型服务。
# 什么是 CBDC？
央行数字货币 (CBDC) 是由国家中央银行发行和背书的法定货币的数字形式。
与加密货币不同，CBDC 是中心化的，受政府监管，旨在与现金和银行存款共存。
CBDC 旨在提升：
- 支付效率
- 金融普惠性
- 交易透明度
- 降低现金处理成本
然而，与任何数字金融基础设施一样，CBDC 引入了必须被监控的新的欺诈风险。
# 系统架构
合成 CBDC 交易
↓
欺诈模式注入
↓
特征工程流水线
↓
Random Forest 与 XGBoost 模型
↓
模型评估
↓
FastAPI 欺诈检测 API
# 项目概览
由于真实的 CBDC 交易数据不公开，本项目生成了一个数字货币交易的合成数据集，并注入了真实的欺诈行为。
该系统包括：
1. 合成 CBDC 交易生成
2. 欺诈模式注入
3. 特征工程
4. 机器学习模型训练
5. 模型评估
6. 用于欺诈预测的 API 部署
这模拟了现实中的金融机构如何监控数字支付系统中的可疑活动。
# 模拟的欺诈模式
本项目注入了几种受银行和加密货币反洗钱 (AML) 监控系统启发的真实欺诈行为。
**循环交易**
资金通过多个钱包流转，最后回到原始发送者手中，以隐藏交易踪迹。
**拆分洗钱**
将大笔资金拆分成多笔较小的转账，以规避检测阈值。
**剥皮链洗钱**
一笔大额交易之后，跟随多笔跨越多个钱包的小额转账。
这些模式模仿了用于以下目的的技术：
- 洗钱
- 交易混淆
- 非法资金流动
# 特征工程
特征工程流水线从交易中提取基于行为的指标，包括：
- 交易小时
- 周末交易
- 高价值交易
- 对数转换后的交易金额
- 国际转账指标
这些特征帮助模型检测可疑的金融行为模式。
# 机器学习模型
训练并评估了两个机器学习模型。
**Random Forest Classifier :**
一种鲁棒的集成模型，非常适合表格型金融数据集。
**XGBoost Classifier :**
一种梯度提升算法，广泛用于金融风险建模。
# 模型评估
使用标准分类指标对模型进行了评估：
| Model | Accuracy | Fraud Recall |
|---------------|----------|--------------|
| Random Forest | ~0.80 | ~0.67 |
| XGBoost | ~0.79 | ~0.67 |
Random Forest 略优于 XGBoost，因此被选为部署模型。
# API 部署
训练后的模型使用 FastAPI 部署，允许进行实时欺诈预测。
API 工作流程：
交易数据
↓
FastAPI Endpoint
↓
特征处理
↓
Random Forest Model
↓
欺诈预测
# API 端点
POST /predict
示例请求：
{
"amount": 3000,
"type": "p2p",
"channel": "mobile",
"is_international": 1,
"transaction_hour": 22,
"is_weekend": 0,
"is_high_value": 1,
"amount_log": 8.0
}
示例响应：
{
"fraud_prediction": 1
}
1 = 可疑交易
0 = 正常交易
# 项目结构
digital-currency-fraud-detection-for-euro-central-bank
src
├─ api.py
├─ fraud_injector.py
├─ feature_engg.py
├─ train_random_forest.py
└─ train_xgboost.py
data
└─ synthetic transaction datasets
models
└─ trained model artifacts
requirements.txt
README.md
.gitignore
# 技术栈
Python
Pandas
Scikit-learn
XGBoost
FastAPI
Git & GitHub
# 未来改进
针对生产就绪系统的潜在增强功能：
- 基于图的欺诈检测（使用交易网络）
- 实现 Graph Neural Network
- 实时交易监控
- Docker 容器化
- 与区块链分析工具集成
# 许可证
MIT License
标签：AML, Apex, API服务, AV绕过, CBDC, Docker, FastAPI, FinTech, MLflow, NIDS, Python, SVM, XGBoost, 反洗钱, 合成数据, 央行数字货币, 安全防御评估, 实验跟踪, 容器化, 异常检测, 支付安全, 数字货币, 无后门, 机器学习, 欺诈检测, 特征工程, 端到端, 网络安全, 请求拦截, 资金流向分析, 逆向工具, 逻辑回归, 金融科技, 随机森林, 隐私保护, 风控系统