sumanthreddy369/Financial-Transaction-Fraud-Detection-on-AWS

# AWS 上的 Financial-Transaction-Fraud-Detection 基于 AWS 构建的机器学习欺诈检测 Pipeline，利用行为特征工程、Gradient Boosting 模型以及 SageMaker、Lambda 和 API Gateway 组成的实时推理架构，对高风险金融交易进行分类。 📖 项目描述 由于每日处理实时交易量巨大，金融欺诈检测是银行和数字支付平台面临的关键挑战。未被检测到的欺诈活动可能导致重大经济损失、监管风险以及客户信任度下降。 本项目专注于利用行为和交易风险指标，设计和实现一个可扩展的金融交易欺诈检测机器学习 Pipeline。该解决方案利用 Amazon Web Services (AWS) 上的云原生机器学习工作流，执行数据摄取、探索性分析、特征工程、预测建模和实时推理部署。 该系统的目标是开发一个稳健的分类模型，能够识别高风险欺诈交易，并为金融风险监控场景提供数据驱动的决策智能。 🎯 业务目标 现代金融机构需要智能预测分析系统来： 实时检测可疑交易模式 减少因欺诈活动造成的经济损失 改善运营风险管理 支持自动化欺诈调查工作流 增强数字金融生态系统中的信任与安全 本项目演示了如何将机器学习模型集成到生产级云架构中，以实现可扩展且低延迟的欺诈风险评分。 📊 数据集 使用的数据集：IEEE-CIS 金融交易欺诈检测数据集 数据集特征： 大规模匿名金融交易记录 包含行为交易信号和工程化的风险指标 高度不平衡的欺诈分类问题 用例：基于监督学习的欺诈分类 ⚙️ 技术栈 编程语言：Python 机器学习算法： Logistic Regression Random Forest Gradient Boosting (XGBoost – 最终选定的模型) 云平台：Amazon Web Services (AWS) Amazon S3 – 数据存储 Amazon SageMaker Studio – 模型实验 AWS Lambda – Serverless 推理 Amazon API Gateway – 实时评分 Endpoint 库：Pandas, NumPy, Scikit-learn, XGBoost, Matplotlib, Seaborn 🧠 机器学习方法论 欺诈检测 Pipeline 采用结构化建模工作流实现： 1. 数据摄取 原始交易数据集被上传到 Amazon S3，并通过 SageMaker Notebook 访问，以进行可扩展的云端实验。 2. 探索性数据分析 欺诈与非欺诈交易的分布分析 缺失值评估 时间行为模式分析 特征相关性检查 3. 特征工程 衍生了行为欺诈指标，包括： 交易速度特征 设备切换频率 消费偏差信号 基于交易时间的风险模式 聚合行为活动特征 4. 模型开发 训练并比较了多种监督分类模型： Logistic Regression 基线模型 Random Forest 集成模型 Gradient Boosting 模型（最终选定的架构） 模型选择基于预测稳定性和欺诈检测能力。 5. 模型评估 使用的主要评估指标是 ROC-AUC 分数，用于衡量在不平衡数据条件下的分类性能。 📈 结果 最终选定的模型：Gradient Boosting (XGBoost) 验证性能： ROC-AUC 分数：0.91 该模型在识别高风险交易模式和减少假阴性欺诈分类方面表现出强大的能力。 ☁️ 云部署架构 欺诈检测工作流遵循简化的生产级架构： 交易数据存储在 Amazon S3 中 模型训练和实验在 Amazon SageMaker Studio 中进行 训练后的模型使用 AWS Lambda 部署为 Serverless 推理函数 通过 Amazon API Gateway Endpoint 启用实时评分 此架构支持适用于现实世界金融监控环境的可扩展欺诈风险预测。

标签：Apex, API Gateway, AWS, DPI, IEEE-CIS数据集, Lambda, Python, SageMaker, 云计算, 交易安全, 分类模型, 反洗钱, 合规科技, 实时推理, 异常检测, 支付安全, 数字化转型, 无后门, 机器学习, 梯度提升树, 模型部署, 欺诈检测, 行为特征工程, 规则引擎, 逆向工具, 金融科技, 金融风控, 风险评分, 高并发