yourfavCHEFP/graph-fraud-ai

# Graph Fraud AI 🚀 生产级图 AI 系统，用于金融欺诈检测，采用图神经网络（GCN、GraphSAGE 和 GAT）、图分析、可解释 AI、FastAPI、Docker 以及现代 ML 工程实践。 # 概述 Graph Fraud AI 是一个端到端的机器学习平台，旨在检测隐藏在金融交易网络中的复杂欺诈模式。 与独立分析交易的传统欺诈检测方法不同，该系统将金融活动建模为图，从而能够检测关系、社区和协同欺诈网络。 该项目结合了： - 图神经网络 - 图分析 - 可解释 AI - 机器学习工程 - API 部署 - 交互式可视化 以创建面向生产的欺诈情报系统。 # 问题描述 传统的欺诈检测系统通常难以应对： - 欺诈团伙 - 串通账户 - 隐藏的交易关系 - 身份网络 - 协同攻击 图机器学习通过从实体之间的关系中学习，而不是独立处理每一笔交易，来解决这一问题。 # 核心功能 ## 基于图的欺诈检测 - 交易图构建 - 实体关系建模 - 节点与边特征工程 - 欺诈网络分析 ## 机器学习模型 基线模型： - 逻辑回归 - 随机森林 - XGBoost - LightGBM 图神经网络： - 图卷积网络 (GCN) - GraphSAGE - 图注意力网络 (GAT) - Graph Transformer 实验 ## 可解释 AI 包括： - 模型解释 - 欺诈风险因素 - 重要关系 - 图可视化解释 ## 生产工程 - FastAPI 推理服务 - Docker 容器化 - 自动化测试 - CI/CD pipeline - ML 实验跟踪 - 模型版本控制 ## 交互式仪表板 提供： - 欺诈风险探索器 - 交易图可视化 - 可疑实体分析 - 模型性能监控 # 系统架构 ``` Transaction CSV │ ▼ Data Validation Layer │ ▼ Feature Engineering │ ▼ Graph Construction │ ▼ Graph Analytics │ ▼ Graph Neural Network │ ▼ Fraud Classification ┌──────────────┐ │ │ ▼ ▼ ``` 可解释性 API Server ``` │ ▼ Interactive Dashboard Data Sources [https://www.kaggle.com/competitions/ieee-fraud-detection/data] ``` 这里解释了数据的来源。 示例： 金融交易 客户账户 设备 商户 IP 地址 支付方式 历史欺诈标签 ``` Data Processing ``` ML 之前的所有处理。 缺失值处理 重复项删除 时间戳解析 数据验证 编码 归一化 ``` Graph Construction ``` 这是项目的核心。 构建节点： 客户 商户 设备 卡 电子邮件 电话 交易 ``` Feature Engineering ``` 特征例如： 交易频率 平均消费 设备重用 商户风险 卡龄 交易速度 地理距离 失败尝试 ``` Graph Neural Network ``` 这变为了： GCN ↓ GraphSAGE ↓ GAT ↓ 模型比较 欺诈预测 输出： 欺诈概率 ↓ 欺诈 / 非欺诈 ↓ 风险评分 ↓ 置信度 ``` Explainability Layer ``` 在这里我们解释为什么模型预测为欺诈。 使用： SHAP（用于基线模型） GNNExplainer 注意力可视化 节点重要性 边重要性

标签：Apex, AV绕过, FastAPI, 凭据扫描, 可解释AI, 图神经网络, 机器学习, 欺诈检测, 请求拦截, 逆向工具, 金融风控