🛡️ 哨兵AI：欺诈情报基础设施

一套为实时拦截和分析信用卡网络威胁而构建的企业级金融安全基础设施。

## 🌌 概述 **哨兵AI** 不仅仅是一个机器学习模型；它是一个全面、端到端的网络安全与欺诈情报系统。该系统旨在处理金融数据集中严重的类别不平衡问题，利用机器学习算法集成和深度神经网络来拦截异常。 此项目是为大学第六学期的数据科学课程开发的，它超越了学术要求，旨在交付一个硅谷级别的软件产品。 ## ✨ 顶级功能 * 🤖 **AI议会（集成投票）：** 一种多模型架构，其中逻辑回归、随机森林和XGBoost共同投票决定授权或拦截交易。 * 🧠 **可解释人工智能（XAI）：** 集成了`SHAP`框架，为每一个神经网络决策提供人类可读的逻辑（例如，“特征V14贡献了+35%的风险”）。 * 🌍 **实时3D威胁雷达：** 一个交互式的、正交投影的3D地球仪，绘制被拦截网络威胁的模拟地理来源。 * 🕸️ **暗黑网络犯罪集团网络：** 使用`PyVis`生成交互式蜘蛛网图，以可视化受损账户和“钱骡”之间的洗钱关联。 * 📄 **取证PDF生成器：** 自动为拦截到的威胁创建不可篡改的专业审计报告。 * 🧬 **持续学习模拟：** 一个“自愈”终端，在遇到变异威胁特征时模拟实时反向传播和权重更新。 * 🔊 **语音警报：** 当入侵企图被挫败时，提供实时文本转语音（TTS）警告。 ## 🏗️ 系统架构（分层实现） 我们的系统由6个独立且高度优化的数据科学层构成： - **第一层（数据收集）：** 处理超过284，807笔交易。 - **第二层（预处理）：** 处理空值，对金额进行对数缩放，以及进行时间特征工程。 - **第三层（探索性数据分析）：** 高级统计绘图、相关性热图和方差分析。 - **第四层（重采样）：** 利用**SMOTE**（合成少数类过采样技术）消除99.8%安全交易 vs 0.2%欺诈交易之间的类别不平衡。 - **第五层（模型训练）：** 训练强大的机器学习流水线，以及基于PyTorch的深度神经网络（DNN）和长短期记忆网络（LSTMs）。 - **第六层（评估）：** 使用ROC-AUC、精确率-召回率曲线和混淆矩阵提取评估指标。 ## 🚀 安装与部署 ### 1. 本地设置 请确保您已安装Python 3.10或更高版本。 ``` # 克隆 repository git clone https://github.com/6th-Semester-Projects/Sentinel-AI-Fraud-Intelligence-Data-Science-Project.git cd Sentinel-AI-Fraud-Intelligence-Data-Science-Project # 安装所需的 dependencies pip install -r requirements.txt # 启动 Sentinel AI Dashboard streamlit run dashboard/app.py ``` ### 2. Streamlit社区云（免费部署） 1. 将此仓库Fork或上传到您的GitHub账户。 2. 访问 [share.streamlit.io](https://share.streamlit.io)。 3. 连接您的GitHub并选择此仓库。 4. 将主文件路径设置为 `dashboard/app.py`。 5. 点击 **Deploy**。 ## 📊 数据集信息 所用数据集是一个高度机密的信用卡交易账本，其特征机密性通过主成分分析（PCA）得以保持。特征V1, V2, ... V28是通过PCA获得的主成分，唯一未经过PCA变换的特征是'Time'（时间）和'Amount'（金额）。 ## 👨‍💻 开发团队 **BSCS-F-23-A** * **Muhammad Maauz Mansoor** (233599) * **Zain Riaz** (233597) * **Zahid Zafar** (233579)

标签：3D威胁映射, Apex, DNN, Kubernetes, LSTM, Python, PyTorch, SHAP, Streamlit, XGBoost, 企业级基础设施, 企业级安全, 信用卡欺诈, 凭据扫描, 只读文件系统, 可解释AI, 威胁情报, 威胁拦截, 实时分析, 开发者工具, 数据科学, 无后门, 机器学习, 欺诈检测, 法医报告生成, 深度学习, 犯罪环可视化, 类不平衡处理, 网络安全, 访问控制, 资源验证, 逆向工具, 逻辑回归, 金融安全, 随机森林, 隐私保护, 集成学习