Ashya-Joselin/Credit-Card-Fraud-Detection-System

# 信用卡欺诈检测系统 这是一个基于 Machine Learning 的端到端信用卡欺诈检测系统，它使用训练好的分类模型来预测欺诈交易。该项目包括模型训练、评估、用于实时预测的 FastAPI 后端、Docker 支持以及基于规则的风险评估。 ## 功能 - 用于欺诈检测的 Machine Learning 模型 - 用于实时预测的 FastAPI REST API - 基于规则的交易风险评估 - 模型训练、超参数调优和评估脚本 - Docker 化的应用程序，便于部署 - 模块化的项目结构 - 使用 Pydantic 进行输入验证 ## 项目结构 ``` Credit-Card-Fraud-Detection/ │ ├── app/ │ ├── main.py # FastAPI application │ ├── model_loader.py # Loads trained model │ └── schemas.py # Request/Response schemas │ ├── model/ │ ├── fraud_model.pkl # Trained ML model │ ├── risk_logic.py # Rule-based risk scoring │ └── __init__.py │ ├── training/ │ ├── train.py # Train model │ ├── evaluate.py # Model evaluation │ ├── tune.py # Hyperparameter tuning │ └── __init__.py │ ├── data/ │ └── creditcard.csv # Dataset │ ├── Dockerfile ├── requirements.txt ├── README.md └── .gitignore ``` ## 技术栈 - Python 3.10 - FastAPI - Scikit-learn - Pandas - NumPy - Joblib/Pickle - Uvicorn - Docker ## 数据集 该项目使用 **Credit Card Fraud Detection Dataset**，其中包含匿名的交易特征（`V1`–`V28`）以及交易 `Amount` 和 `Time`。 目标变量： - **0** → 正常交易 - **1** → 欺诈交易 ## 安装 克隆仓库 ``` git clone https://github.com/Ashya-Joselin/Credit-Card-Fraud-Detection-System.git ``` 进入项目目录 ``` cd Credit-Card-Fraud-Detection ``` 安装依赖 ``` pip install -r requirements.txt ``` ## 运行 API 启动 FastAPI 服务器 ``` uvicorn app.main:app --reload ``` 服务器运行于 ``` http://127.0.0.1:8000 ``` 交互式 API 文档 ``` http://127.0.0.1:8000/docs ``` 替代文档 ``` http://127.0.0.1:8000/redoc ``` ## 训练模型 训练模型 ``` python training/train.py ``` 评估模型 ``` python training/evaluate.py ``` 超参数调优 ``` python training/tune.py ``` ## Docker 构建 Docker 镜像 ``` docker build -t fraud-detection . ``` 运行容器 ``` docker run -p 8000:8000 fraud-detection ``` ## API Endpoint ### POST `/predict` 预测交易是否为欺诈。 ### 请求示例 ``` { "Time": 1000, "Amount": 250.50, "V1": 0.12, "V2": -0.45, "...": "...", "V28": 0.08 } ``` ### 响应示例 ``` { "prediction": "Fraud", "risk_score": 0.96 } ``` ## 模型工作流 1. 加载交易数据 2. 预处理特征 3. 训练分类模型 4. 保存训练好的模型 5. 使用 FastAPI 加载模型 6. 预测欺诈概率 7. 应用基于规则的风险逻辑 8. 通过 REST API 返回预测结果 ## 未来改进 - 支持 XGBoost 和 LightGBM - 使用 SHAP 实现可解释 AI - 模型监控 - 数据库集成 - JWT 认证 - 使用 GitHub Actions 实现 CI/CD - 云部署 (AWS/Azure/GCP) ## 许可证 本项目仅用于教育和个人作品展示目的。 ## 作者 **Ashya J**

标签：Apex, AV绕过, Docker, FastAPI, 安全防御评估, 机器学习, 模型训练, 欺诈检测, 请求拦截, 逆向工具, 金融科技