ksumanthreddy/Fraud-Detection-in-Transaction-Graphs-using-GNNs-and-Graph-Heuristics

# 使用 GNN + 图启发式算法进行交易图欺诈检测 本项目结合图神经网络（GNN）与经典图算法，检测区块链网络中的欺诈交易。 交易被建模为图结构： 节点 → 交易 边 → 资金转账 系统集成： 深度学习（GCN）用于关系模式学习 图启发式算法 + 机器学习（XGBoost / 随机森林）用于从不同图算法中提取的结构洞察 通过以下方法构建健壮的欺诈检测系统： * 图论（DFS、BFS、强连通分量、PageRank、聚类系数、度） * 机器学习 * 深度学习（GNN） ## 数据集 **Elliptic 比特币交易数据集** * `elliptic_txs_classes.csv` → 标签 * `1` = 非法（欺诈） * `2` = 合法 * `-1` = 未知 * `elliptic_txs_features.csv` → 165 个特征 + 时间步 * `elliptic_txs_edgelist.csv` → 交易图 总交易数：203,769 ## 探索性数据分析 * 严重的类别不平衡（欺诈案例极少） * 基于时间的时间序交易趋势 * 使用 NetworkX 进行图可视化 ## 图特征工程 我们使用经典算法生成了 **13 个基于图的特征**： ### 🔹 度特征 * 入度 → 资金聚合 * 出度 → 资金分散 ### 🔹 强连通分量（Kosaraju） * 检测环 → 潜在的欺诈模式 ### 🔹 拓扑深度（Kahn 算法） * 衡量在交易链中的位置 ### 🔹 PageRank * 识别有影响力的交易 ### 🔹 聚类系数 * 检测密集的欺诈社区 ### 🔹 模体特征 * 链分值 * 入星 / 出星 * 三角形模式 ### 🔹 BFS / DFS 得分 * BFS → 多路径连通性 * DFS → 环密集行为 ## 所用模型 ### 1️⃣ 随机森林 * 准确率：**~83%** * AUC：**0.85** * 可解释性强 ### 2️⃣ XGBoost * 准确率：**~82%** * AUC：**0.90** * 欺诈召回率更高 ### 3️⃣ 图神经网络（GNN） **架构：** GCNConv → ReLU → GCNConv → ReLU → Linear * 准确率：**96%+** * AUC：**0.95** * 有效捕捉图结构 ## 混合模型（主要贡献） 最终预测结合了 GCN 与 XGBoost： P_final = α · P_GCN + (1 − α) · P_XGB * 最佳性能出现在：**α = 0.5** ## 最终结果 | 模型 | 准确率 | 精确率 | 召回率 | F1 分数 | AUC | | ------------- | --------- | --------- | --------- | --------- | --------- | | 随机森林 | 0.83 | 0.34 | 0.68 | 0.45 | 0.85 | | XGBoost | 0.82 | 0.34 | 0.82 | 0.48 | 0.90 | | GCN | 0.96 | 0.80 | 0.78 | 0.79 | 0.95 | | **集成模型** | **0.966** | **0.809** | **0.856** | **0.832** | **0.978** | 集成模型显著提升了性能 ## 评估指标 * 准确率 * 精确率 / 召回率 * F1 分数 * 混淆矩阵 * ROC 曲线 * 精确率-召回率曲线 ## 项目结构 ``` ├── data/ # (not included) ├── output_data/ ├── models/ ├── eda.py ├── heuristics.py ├── random_forest.py ├── xgboost_model.py ├── gnn_model.py ├── ensemble.py ├── evaluation.py └── README.md ``` ## 如何运行 ### 1. 安装依赖 ``` pip install -r requirements.txt ``` ### 2. 运行管道 ``` python eda.py python heuristics.py python random_forest.py python xgboost_model.py python gnn_model.py python ensemble.py python evaluation.py ``` ## 关键洞察 * 图结构对欺诈检测至关重要 * 启发式特征提升可解释性 * GNN 捕捉深层关系模式 * 集成模型实现最佳性能

标签：Apex, BFS, DFS, GCN, GNN, PageRank, XGBoost, 三角形模式, 云计算, 交易图, 凭据扫描, 动机特征, 区块链交易, 可疑账户识别, 图卷积网络, 图启发式, 图特征工程, 图神经网络, 图算法, 度中心性, 异常检测, 强连通分量, 时间序列图, 星型模式, 机器学习, 椭圆数据集, 欺诈检测, 比特币交易, 深度学习, 混合模型, 特权检测, 系统分析, 网络分析, 聚类系数, 规则引擎, 逆向工具, 链分, 随机森林