Eugenia20/fraud-detection-platform

# 欺诈检测平台 一个生产就绪的全栈金融欺诈检测系统，采用机器学习和基于规则的分析。该系统实时监控交易，分配风险评分，并标记可疑活动以供进一步调查。 ## 🚀 功能特性 * 实时交易监控 * 基于机器学习的欺诈检测 * 基于规则的风险评分系统 * JWT 身份验证和基于角色的访问控制 * 用于欺诈分析的管理仪表盘 * 安全 API，具有速率限制和日志记录功能 ## 🏗️ 项目结构 ``` backend/ → FastAPI backend (API, ML integration, database) frontend/ → React frontend (UI, dashboards) ``` ## 🧠 技术栈 ### 后端 * Python * FastAPI * PostgreSQL * SQLAlchemy * Alembic ### 机器学习 * Scikit-learn * Pandas * NumPy ### 前端 * React (Vite) * TailwindCSS ### DevOps * Docker (进行中) * GitHub (版本控制 & CI/CD) ## ⚙️ 如何运行（开发环境） ### 后端 ``` cd backend pip install -r requirements.txt uvicorn app.main:app --reload ``` ### 前端 ``` cd frontend npm install npm run dev ``` ## 🔐 安全特性 * JWT 身份验证 * 密码哈希 * 速率限制 * 输入验证 (Pydantic) * 欺诈检测 (ML + 规则) ## 📊 数据集 机器学习模型使用从 Kaggle 获取的公开金融交易数据集进行训练。 * 数据集：*Financial Transactions Dataset for Fraud Detection* * 来源：Kaggle 由于大小和许可限制，本仓库不包含该数据集。 您可以在此处访问数据集： https://www.kaggle.com/datasets/aryan208/financial-transactions-dataset-for-fraud-detection ## 📊 欺诈检测方法 该系统采用结合机器学习和基于规则分析的混合欺诈检测模型。 ### 机器学习模型 * 随机森林分类器 (主要的监督模型) * 孤立森林 (用于检测异常交易) 这些模型分析交易模式，如金额、行为和偏差，以识别潜在的欺诈活动。 ### 基于规则的逻辑 应用了额外的启发式规则，包括： * 大额交易阈值 * 新的或不寻常的交易地点 * 可疑的交易类型 ### 最终决策 每笔交易都会被分配： * 欺诈风险评分 * 欺诈标签 (欺诈 / 非欺诈) * 被标记交易的解释原因 这种混合方法通过将统计学习与特定领域规则相结合，提高了检测准确性。 ## 📄 许可证 本项目为专有项目。 未经作者明确许可，严禁未经授权使用、复制、修改或分发本软件。 ## 👩‍💻 作者 Eugenia Wakama

标签：Apex, AV绕过, Docker, FastAPI, FinTech, JWT认证, Kaggle数据集, PostgreSQL, Python, React, Scikit-learn, SQLAlchemy, Syscalls, 云计算, 交易安全, 代码示例, 后台管理仪表盘, 孤立森林, 安全防御评估, 实时交易监控, 异常检测, 微服务架构, 数据分析, 无后门, 机器学习, 欺诈检测系统, 测试用例, 网络安全, 自定义脚本, 规则引擎, 请求拦截, 逆向工具, 配置错误, 金融反欺诈, 金融科技, 随机森林, 隐私保护, 风控系统, 风险评分