Rahul9121/fintech-fraud-detection-monitoring-system

# 金融科技欺诈检测 + 交易监控系统 本项目使用**公开交易数据集**构建了一个金融科技风格的欺诈监控技术栈，包含： - 基于规则的风险检测 - 有监督欺诈分类 - 无监督异常检测 - 混合风险评分 (规则 + ML + 异常) - 基于 SQL 的监控指标 - 用于展示趋势、成功率和实时风险评分的 Streamlit 仪表盘 ## 数据集选择 本实现通过公共镜像使用了**信用卡欺诈检测（欧洲卡片数据集）**： - `https://storage.googleapis.com/download.tensorflow.org/data/creditcard.csv` 为何选择此数据集： - 比 IEEE-CIS 数据集更小且更易于处理 - 欺诈用例的标准基准 - 包含明确的欺诈标签（`Class`） ## 技术栈 - Python (`pandas`, `scikit-learn`) - SQL (`SQLite`) - Streamlit - Docker - GitHub Actions ## 项目结构 - `src/fraud_monitoring/data.py`：数据集摄取 + 特征扩充 - `src/fraud_monitoring/models.py`：分类器和异常模型训练 - `src/fraud_monitoring/rules.py`：规则引擎 - `src/fraud_monitoring/hybrid.py`：混合风险评分 - `src/fraud_monitoring/database.py`：SQL 持久化 - `src/fraud_monitoring/dashboard_queries.py`：SQL 指标查询 - `src/fraud_monitoring/pipeline.py`：端到端构建 pipeline - `app.py`：Streamlit 仪表盘 - `scripts/train_pipeline.py`：用于运行 pipeline 的 CLI ## 快速开始 (Windows PowerShell) 1. 安装依赖： ``` py -m pip install -r requirements.txt ``` 2. 训练模型 + 构建监控 DB： ``` $env:PYTHONPATH = "src" py scripts/train_pipeline.py --sample-size 12000 ``` 3. 启动仪表盘： ``` $env:PYTHONPATH = "src" py -m streamlit run app.py ``` 当相关文件不存在时，Streamlit 应用还支持一键引导启动。 ## 仪表盘展示内容 - 随时间变化的欺诈趋势 - 交易成功率 - 风险级别分布（低 / 中 / 高） - 渠道级别的成功率和风险统计数据 - 高风险预警表 - 实时交易欺诈评分表单 ## 混合评分逻辑 最终风险评分是加权混合结果： - `60%` ML 欺诈概率 - `20%` 异常风险 - `20%` 规则得分 风险级别： - `low`（<45）：批准 - `medium`（45-74.99）：审核 - `high`（>=75）：拦截 ## Docker 构建： ``` docker build -t fintech-fraud-monitor . ``` 运行： ``` docker run --rm -p 8501:8501 fintech-fraud-monitor ``` 然后打开 `http://localhost:8501`。 ## Streamlit Cloud 部署建议 1. 将此仓库推送到 GitHub。 2. 在 Streamlit Community Cloud 中，从你的仓库创建应用。 3. 使用： - 分支：`main` - 主文件路径：`app.py` 4. 首次运行：点击 **Build demo artifacts** 并以 `12000` 行开始（或使用 `8000` 行以更快完成设置）。 ## Streamlit 故障排除（重要） - 如果 Cloud 显示应用启动延迟，请将引导启动大小减小到 `8000`。 - 如果公共数据集镜像暂时不可用，应用现在会自动回退到合成数据集，以便部署仍能成功。 - 引导启动成功后，刷新一次页面以加载仪表盘的 KPI/图表。 ## CI GitHub Actions 工作流（`.github/workflows/ci.yml`）运行以下内容： - 依赖安装 - Python 语法编译冒烟测试 - 单元测试（`pytest`）

标签：Apex, Docker, GitHub Actions, Kubernetes, pandas, Python, scikit-learn, SQL, SQLite, Streamlit, TCP/UDP协议, 云计算, 交易监控系统, 代码示例, 信用卡欺诈, 反欺诈, 安全防御评估, 实时交易监控, 数据分析, 无后门, 无监督异常检测, 有监督分类, 机器学习, 欺诈检测, 混合风险评分, 系统审计, 网络安全, 自动笔记, 规则引擎, 访问控制, 请求拦截, 逆向工具, 金融科技, 隐私保护, 风控系统