abhranil1113/AI-Public-Safety

# 数字公共安全智能 AI 平台 ## 💡 为什么选择本平台 与独立的欺诈检测系统不同，我们的解决方案整合了七个专门的 AI agent，它们协同分析对话内容、语音生物识别、伪造货币、交易图谱和地理空间情报，最终生成具有可解释性且符合法律审计要求的建议。这种多 agent 架构减少了误报，提高了透明度，并能在财务损失发生前实现主动的公共安全干预。 ## 🚨 问题陈述 - 印度（2023年）记录了 **114 万起**网络犯罪投诉 —— 较 2022 年增长了 60% - 仅在 9 个月内（2024 年），因“数字逮捕”骗局损失了 **17.76 亿卢比** - 印度储备银行（RBI）2025 年度报告了 **创纪录的 FICN（伪造印度货币）查获量** - 执法部门缺乏**主动情报** —— 仅限于被动调查 ## 💡 解决方案 我们的 **Agentic AI 数字公共安全平台** 协调多个专门的 AI agent： | Agent 名称 | 技术 / 算法 | 功能与职责 | | :--- | :--- | :--- | | 🧠 **ScamShield Agent** | NLP（TF-IDF + 逻辑回归）/ LLM（Gemini） | 检测数字诈骗模式，提供具有可解释性的胁迫指标和威胁时间阶段追踪 | | 🗣️ **VoiceGuard Agent** | 声学语音 AI（微扰、闪烁、基频） | 分析声音的微小波动，以识别深度伪造和机器克隆的语音 (Li et al. 2023) | | 💬 **CitizenShield Agent** | 会话 Chatbot（WhatsApp/IVR 封装） | 审计多语种（英语、印地语、泰卢固语、泰米尔语）的市民查询，并起草 NCRP 网络犯罪报告 | | 💰 **NoteGuard Agent** | OpenCV 特征提取 + 随机森林 | 根据视觉检查表参数（安全线、水印、UV、序列号前缀）对纸币进行筛查 | | 🕸️ **FraudGraph Agent** | NetworkX MultiDiGraph（骡子账户环聚类） | 分析交易流向、聚类节点，并揭示隐藏的犯罪团伙 (Linkurious 2024 放大镜功能) | | 🗺️ **GeoWatch Agent** | 基于 GIS 的空间犯罪映射 | 定位热点区域，绘制地区坐标指数，并计算具有可操作性的 LEA 巡逻建议 | | 🎛️ **Orchestrator Agent** | 加权风险融合引擎 | 将文本（40%）、语音（20%）、图谱（20%）和地理（20%）评分结合为综合总体风险评级 | | 🔒 **Audit Logger** | SHA-256 加密链式账本 | 编译符合第 65B 条款的防篡改审计追踪，并与警员的批准操作相关联 | ## ✨ 创新亮点 - **多 agent AI 架构**：协同路由至专门的 agent。 - **可解释 AI**：将分类逻辑分解为明确的检查点。 - **预测性威胁时间线**：通过连续阶段映射数字逮捕诈骗。 - **多源风险融合**：融合 NLP、语音声学、骡子账户图谱和地理空间指数。 - **法庭可用的证据包**：自动生成带有签名的案卷。 - **加密审计追踪**：符合《印度证据法》第 65B 条款的防篡改日志。 - **Human-in-the-Loop (HITL) 工作流**：执法行动在警员核实前处于锁定状态。 - **语音深度伪造检测**：基于声音微扰和闪烁的声学取证。 - **欺诈团伙情报**：动态的交易 ego-graph 聚类。 - **犯罪热点映射**：用于 LEA 路由规划的 GIS 空间优先级索引。 ## 🏗️ 架构  ## 📂 项目结构 ``` digital-public-safety-ai/ ├── main.py # CLI entry point (Interactive menu Options 1-8) ├── demo_notebook.ipynb # Google Colab ready notebook ├── requirements.txt # Python dependencies ├── .env # API keys (create from .env.example) ├── datasets/ # All datasets (CSV + images with simulated noise) │ ├── scam_text/ # Call transcripts │ ├── currency/ # Note images (real/fake) │ ├── transactions/ # Fraud transactions │ ├── complaints/ # Cyber complaints │ └── geospatial/ # Crime data ├── src/ # Source code │ ├── agents/ # AI agents (Scam, Currency, Graph, Geo, Report, Citizen) │ ├── nlp/ # NLP scam classification & voice cloned checks │ ├── cv/ # OpenCV counterfeit currency checksheet │ ├── graph/ # NetworkX fraud graph and visualizer │ ├── geo/ # Geospatial hotspot and patrol optimizer │ ├── reporting/ # Alert systems, audit logger, intelligence report │ └── utils/ # Config, logger, file loader ├── models/ # Trained ML models (.joblib) ├── reports/ # Generated reports (JSON, TXT, Audit CSV, Draft FIR packages) ├── outputs/ # Visual outputs (Graphs, Maps, Predictions) ├── scripts/ # Utility scripts (Mock data, Training models, slide PDF compilation) ├── tests/ # Unit and integration test suites └── docs/ # Documentation ``` ## 🛠️ 技术与模型选择 - **Python 3.8+** - **逻辑回归（诈骗分类器）**：选择该模型是因为它提供了适合取证 NLP 和中小型数据集的可解释概率，使调查人员能够追踪术语权重。 - **随机森林（货币检查表）**：选择该模型是因为它在结构化的手工伪造特征上表现良好，同时在移动端部署中保持可解释性和轻量化。 - **NetworkX（欺诈网络图谱）**：为调查工作流程提供可解释的图谱分析和快速的可视化欺诈网络呈现。 - **OpenCV（图像特征处理）**：允许在没有重型 GPU 推理的情况下进行轻量级部署和边缘计算。 - **Folium（热点映射）**：为动态警务 GIS 路由规划渲染交互式地图。 - **Google Gemini（推理备选方案）**：融合高级语义 LLM 分析。 - **SHA-256 加密**：用于记录审计追踪。 ## 📊 数据集评估（在真实世界噪声下测试） 为确保鲁棒性，数据集包含了转录拼写错误、印地语-英语混合输入以及处于边界的合法警告内容。 - **诈骗分类器**：**88.89% 准确率**（精确率：92.3%，召回率：88.9%，误报率 (FPR)：11.1%） - **货币分类器**：**88.89% 准确率**（精确率：85.7%，召回率：85.7%，误报率 (FPR)：9.1%） ## 🎛️ 多源威胁风险评分融合 为了防止单一维度的误报，平台采用加权线性模型聚合威胁信号： $$\text{FusedScore} = 0.40 \times \text{TextNLP} + 0.20 \times \text{VoiceAcoustics} + 0.20 \times \text{GraphMule} + 0.20 \times \text{GeoHotspot}$$ ### 风险权重依据 | 指标类别 | 权重 | 权重选择的技术依据 | |:---|:---:|:---| | **文本 NLP** | **40%** | **主要意图向量**：诈骗胁迫模式、言语威胁和冒充行为直接通过语言表达。这是置信度最高的信号。 | | **语音声学** | **20%** | **辅助取证**：语音克隆和深度伪造检查表明生成了人工合成流，可辅助文本验证，但无法独立证明诈骗意图。 | | **欺诈图谱** | **20%** | **基础设施核查**：将电话号码和银行交易连接到预先映射的骡子账户环和有组织的犯罪网络。 | | **地理空间热点** | **20%** | **情境核查**：评估当地区域的犯罪密度和事件中心，以优先安排执法巡逻路线。 | *注：这些权重是基于标准网络安全领域配置的启发式参数。在生产环境中，权重将根据实际历史事件进行训练和动态优化。* ## 🔒 原型范围与部署注意事项 - **原型范围**：由于公开的网络犯罪数据有限，本项目使用合成数据集和模拟集成来演示 AI 决策 pipeline。 - **生产环境部署要求**： - **电信 API**：与电信运营商数据库对接，以提取真实的 CDR（通话详单）和设备 ID。 - **银行 API**：直接与银行交易流（IMPS/NEFT/UPI）连接，以冻结可疑的资金流。 - **真实的政务 API**：与经过认证的 NCRP / 网络犯罪门户端点连接。 - **实时音频流**：在目标电话线上进行实时的语音流摄取。 - **人工监督**：针对所有高风险的升级处置，必须由警员进行签字确认以保持责任落实。 ## 🚀 技术未来路线图 - **语音流取证**：使用流式生物识别技术对正在进行的电话/VoIP 通话进行实时分析。 - **边缘 AI 伪造检测**：优化 NoteGuard，使其能够直接在手机 GPU 上执行模型。 - **图神经网络（GNNs）**：利用链接预测模型预测洗钱骡子网络的形成。 - **WhatsApp & IVR Bot**：将 CitizenShield bot 部署到 WhatsApp Business API 和求助热线。 - **联邦学习**：在不同的地区之间协作训练模型，而无需共享原始案件数据。 ## ⚙️ 安装说明 ``` # Clone repository git clone https://github.com/yourusername/digital-public-safety-ai.git cd digital-public-safety-ai # 创建 virtual environment python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate # 安装 dependencies pip install -r requirements.txt # 设置 .env 文件 cp .env.example .env ``` ## 🚀 使用说明 ``` # 运行 main interactive CLI python main.py # 从菜单中选择： # 1. 测试 Digital Arrest Scam Detection (NLP/LLM) # 2. 测试 Speech AI (AI-Voice Spoofing Detector) # 3. 测试 Citizen Fraud Shield (Multi-lingual Advisor) # 4. 测试 Counterfeit Currency Detection (CV) # 5. 测试 Fraud Network Graph Intelligence (HITL review & FIR sign-off) # 6. 测试 Geospatial Hotspot Detection # 7. 运行 Full Agentic Pipeline # 8. 退出 ``` ## 🔒 可审计性、法律证据效力与 HITL - **Human-in-the-Loop (HITL)**：自动化的执法行动处于锁定状态。警员在 CLI 菜单中审查起草的证据卷宗，并在签字确认后触发签名哈希。 - **第 65B 条款可采性**：通过 SHA-256 链式审计追踪，按时间顺序链接已批准的 FIR 草案，确保记录保持未被篡改。 ## 👥 团队 - 黑客松核心开发团队 - AI 与网络安全部门 ## 📚 支持研究与参考文献 1. **伪造检测 (Patil et al. 2022)**：*"Indian Currency Note Denomination and Counterfeit Detection using CNN"*。证实深度学习可实现 >97% 的分类准确率。 2. **音频欺骗 (Li et al. 2023)**：*"Acoustic Feature Extraction for Deepfake Speech Diagnostics"*。证明微扰（Jitter）和闪烁（Shimmer）的微小波动可作为识别合成语音的鲁棒性参数。 3. **图谱反洗钱 (Linkurious 2024)**：*"Graph Analytics for Anti-Money Laundering & Mule Network Detection"*。解释了 node-edge 网络如何暴露团伙模式。 4. **预测性 GIS 映射 (PolicingInsight 2023)**：*"Predictive Policing: Accountability and Transparency in Geographical Hotspot Mapping"*。强调了算法预警对人工验证的要求。 ## 📄 许可证 MIT

标签：PyRIT, 公共安全, 反欺诈, 图AI, 多智能体系统, 特权检测, 计算机视觉, 语音伪造检测, 逆向工具