MautikPatel/FraudShield-AI

# FraudShield AI - 实时支付欺诈检测平台 [](https://www.python.org/) [](https://fastapi.tiangolo.com/) [](LICENSE) []() ## 概述 金融机构每年因支付欺诈损失数十亿美元。欺诈团队必须在几毫秒内检测到可疑交易，同时尽量减少误报，并为每个决策提供清晰的解释。 **FraudShield AI** 是一个基于 AI 的实时支付欺诈检测平台，它结合了基于规则的检测、机器学习和可解释 AI，以识别、调查和可视化欺诈性支付交易。 与许多仅关注模型准确率的欺诈检测仓库不同，本项目被构建为一个完整的产品——涵盖产品策略、系统架构、工程决策和可扩展的实施路线图。 ## 核心功能 - 💳 实时交易模拟器 - ⚡ 基于规则的欺诈检测引擎 - 🤖 机器学习风险评分 (XGBoost) - 🧠 AI 调查助手 - 📊 交互式欺诈分析仪表板 - 🔍 风险评分与交易洞察 - 🌐 基于 FastAPI 的 REST API - 📚 产品文档与架构决策 - 🚀 可扩展的生产路线图 ## 工作流程 ``` Payment Transaction │ ▼ Transaction Simulator / API │ ▼ Rule Engine │ ▼ Machine Learning Model │ ▼ Risk Score │ ▼ AI Investigation Assistant │ ▼ Dashboard & Fraud Analytics ``` ## 系统架构 ``` flowchart LR A[Transaction Simulator] --> B[FastAPI] B --> C[Rule Engine] B --> D[ML Risk Model] C --> E[Risk Scoring Engine] D --> E E --> F[(PostgreSQL)] E --> G[AI Investigation Assistant] F --> H[Analytics Dashboard] G --> H ``` ## 技术栈 | 类别 | 技术 | |-----------|------------| | 编程语言 | Python 3.11 | | 后端 | FastAPI | | 机器学习 | XGBoost, Scikit-learn | | AI | Ollama, Qwen, LangChain *(计划中)* | | 数据库 | PostgreSQL | | 仪表板 | Streamlit, Plotly | | 测试 | Pytest | | 容器化 | Docker | | 版本控制 | Git & GitHub | ## 仓库结构 ``` fraudshield-ai/ │ ├── app/ │ ├── api/ │ ├── ai/ │ ├── core/ │ ├── dashboard/ │ ├── database/ │ ├── ml/ │ ├── models/ │ ├── rules/ │ ├── simulator/ │ └── utils/ │ ├── configs/ ├── datasets/ ├── docker/ ├── docs/ ├── tests/ │ ├── README.md ├── requirements.txt └── .gitignore ``` ## 产品工件 | 工件 | 状态 | |-----------|--------| | 产品愿景 | 🚧 | | 产品需求文档 (PRD) | 🚧 | | 用户画像 | 🚧 | | 功能需求 | 🚧 | | 非功能需求 | 🚧 | | 系统架构 | 🚧 | | 数据库设计 | 🚧 | | API 规范 | 🚧 | | 架构决策记录 | 🚧 | | 产品路线图 | 🚧 | | 发布说明 | 🚧 | ## 开发路线图 ### 阶段 1 — 产品设计 - [x] 愿景 - [x] 问题陈述 - [x] 项目规划 - [x] 产品需求文档 - [x] 功能需求 - [x] 非功能需求 - [x] 系统架构 - [x] 数据库设计 ### 阶段 2 — MVP 开发 - [ ] 项目设置 - [ ] 交易模拟器 - [ ] 规则引擎 - [ ] 风险评分引擎 - [ ] ML 欺诈检测模型 - [ ] PostgreSQL 集成 - [ ] FastAPI 后端 - [ ] 仪表板 ### 阶段 3 — AI 能力 - [ ] AI 调查助手 - [ ] 可解释 AI - [ ] 自然语言欺诈分析 ### 阶段 4 — 生产就绪 - [ ] 身份验证 - [ ] 基于角色的访问控制 - [ ] Docker - [ ] CI/CD 流水线 - [ ] 监控 - [ ] 云端部署 ## 关键产品决策 | 决策 | 原因 | |-----------|-----| | 规则引擎 + ML | 将确定性的业务规则与预测性分析相结合，以实现更好的欺诈检测。 | | XGBoost | 业界证明适用于表格型欺诈数据集的模型，具有很强的可解释性。 | | FastAPI | 高性能的异步 API，带有自动的 OpenAPI 文档。 | | PostgreSQL | 可靠的关系型数据库，用于交易和欺诈案例管理。 | | Streamlit | 快速开发操作仪表板以进行 MVP 验证。 | | AI 调查助手 | 提供人类可读的解释，而不仅仅是风险评分。 | ## 截图 计划中： - 交易模拟器 - 欺诈检测仪表板 - AI 调查助手 - 风险分析 - API 文档 ## 未来增强 - Apache Kafka 流处理 - Redis 缓存 - SHAP 可解释性 - 特征存储 - 模型监控 - 欺诈反馈循环 - 在线学习 - Kubernetes 部署 - 多区域部署 - 实时告警 - 邮件和 Slack 通知 ## 快速开始 项目设置说明将在初始实施完成后添加。 ## 许可证 本项目基于 MIT 许可证授权。 ## 关于作者 **Mautik Patel** 首席系统分析师 | AI • 数据 • 分析 • 产品 - 💼 LinkedIn: https://www.linkedin.com/in/mautikpatel/ - 🌐 作品集: https://mautikpatel.github.io/ - 💻 GitHub: https://github.com/MautikPatel ⭐ **如果您觉得这个项目有趣，请考虑给它点个 Star！**

标签：Apex, AV绕过, FastAPI, Kubernetes, 机器学习, 欺诈检测, 测试用例, 网络测绘, 请求拦截, 金融科技, 风险控制