Khai0610/fraud-detection-ml-system

欺诈检测 ML 系统 1. 项目概述 欺诈检测 ML 系统是一个实时的银行交易欺诈检测项目。该系统结合了 Machine Learning 和 Rule-based Engine，将交易分类为 Safe、Pending 或 Fraud 组。 构建该项目旨在通过实时 dashboard 和 Power BI 报告，支持欺诈监控、交易分析以及数据驱动的决策制定。 2. 业务问题 银行欺诈是数字金融交易中的一个严重问题。传统的 rule-based 系统可以检测已知的欺诈模式，但可能无法很好地适应新的欺诈行为。 本项目旨在构建一个混合欺诈检测系统，结合 Machine Learning 预测与 rule-based 验证，以提高欺诈监控和可解释性。 3. 使用技术 Python Pandas, NumPy Scikit-learn XGBoost FastAPI MySQL WebSocket Power BI HTML, CSS, JavaScript 4. Machine Learning 工作流 Machine Learning 工作流包括： 数据预处理 特征工程 Train/test split 模型训练 模型评估 规则提取与验证 欺诈分数计算 本项目使用的模型： Logistic Regression Random Forest XGBoost 评估指标： Accuracy Precision Recall F1-score Confusion Matrix 5. 系统架构 系统遵循此工作流： 新交易 -> FastAPI 后端 -> 特征工程 -> Machine Learning 模型 -> Rule-based Engine -> 最终欺诈分数 -> MySQL 数据库 -> 实时 Dashboard / Power BI 6. 主要功能 通过 API 或表单输入接收新的银行交易 使用 Machine Learning 模型预测欺诈概率 应用 rule-based engine 支持欺诈验证 计算最终欺诈分数 将交易分类为 Safe、Pending 或 Fraud 将交易结果存储在 MySQL 数据库中 使用 WebSocket 实时更新 dashboard 使用 Power BI 可视化欺诈统计数据 7. 结果 系统可以通过结合 Machine Learning 分数和规则分数来识别可疑的银行交易。最终结果显示在实时监控 dashboard 上，并存储在数据库中以供进一步分析。 8. 作者 Ngô Văn Khải 数据分析师 Email: khaingovannvk@gmail.com

标签：Apex, AV绕过, FastAPI, 云计算, 反欺诈, 多模态安全, 数据可视化, 机器学习, 规则引擎, 逆向工具, 金融风控