Erweitertes Betrugserkennungs-MCP

Betrugserkennung und Anomalieanalyse für finanzielle Sicherheit – mit KI-Agent-zu-Agent-Transaktionsschutz.

Teil des Agentic System – ein 24/7 autonomes KI-Framework mit persistentem Speicher.

Überblick

Ein Open-Source-Model-Context-Protocol-(MCP)-Server für Betrugserkennung mittels maschinellem Lernen und Verhaltensanalyse. Dieses System kombiniert Verhaltensbiometrie, Anomalieerkennung, Netzwerkgraphenanalyse und KI-Agent-Verhaltens-Fingerprinting zur Betrugsprävention.

Related MCP server: MerchantGuard MCP Server

Hauptfunktionen

Kern-Erkennung (standardmäßig aktiv)

• Isolation Forest: Anomalieerkennung für Echtzeit-Transaktionsprüfung

• Autoencoder-Ensemble: PyTorch-basierte Deep-Learning-Anomalieerkennung mittels Rekonstruktionsfehler-Scoring. Ensemble mit Isolation Forest (konfigurierbare 60/40-Gewichtung).

• Verhaltensbiometrie: Tastaturdynamik (Isolation Forest), Mausbewegungsmuster (One-Class SVM), Touchscreen-Muster (LOF)

• Netzwerkgraphenanalyse: NetworkX-basierte Graph-Zentralitätsmetriken (Grad, Clustering-Koeffizient, Betweenness, Closeness) zur Erkennung von Betrugsringen

• 46-Feature-Pipeline: Umfassendes Feature-Engineering mit zyklischer Kodierung, Z-Scores und Geschwindigkeitsmerkmalen

Agent-zu-Agent-Transaktionsschutz

• Verkehrsklassifizierung: Automatische Erkennung von KI-Agent- vs. menschlichem Verkehr (Stripe ACP, Visa TAP, Mastercard Agent Pay, Google AP2, PayPal, Coinbase, OpenAI, Anthropic, x402)

• Agent-Identitätsprüfung: API-Schlüssel-Formatvalidierung, JWT-Token-Ablaufprüfung, JSON-gestützte Agentenregistrierung

• Agent-Verhaltens-Fingerprinting: Pro-Agent-Isolation-Forest-Baselines (8 Features, max. 1000 Beobachtungen pro Agent)

• Mandatskonformität: Ausgabelimits, Händler-Whitelists/Blocklists, Zeitfenster, geografische Einschränkungen

• Kollusionserkennung: Gerichtete Graphenanalyse für zirkuläre Flüsse, zeitliche Cluster und Volumenanomalien

• Agent-Reputations-Scoring: Longitudinales Vertrauen aus Historie, Konsistenz und Kollusionssicherheit (gewichtet 40/25/25/10)

Defense Insider Threat Compliance

• 28 Verhaltensindikatoren aus dem NITTF Insider Threat Guide (EO 13587)

• SIEM-Integration: CEF (ArcSight), LEEF (QRadar), Syslog RFC 5424 mit MITRE ATT&CK-Anreicherung

• Überwachung von freigegebenem Personal: SEAD 4/6 kontinuierliche Bewertung, 13 adjudikative Richtlinien

• Compliance-Dashboard: NITTF-Reifegrad-Scoring, KRIs, Modell-Drift-Erkennung

Optional (erfordert manuellen Aufruf)

• XGBoost: Verfügbar über das train_models-Tool, wenn die Abhängigkeiten von training_pipeline.py installiert sind. Nicht Teil des Standard-Erkennungspfads.

• SMOTE-Resampling: Klassenausgleich für unbalancierte Betrugsdatensätze (über train_models)

• Optuna-Hyperparameter-Tuning: Automatisierte Hyperparameter-Optimierung (über train_models)

• MLflow-Tracking: Experimentverfolgung für Trainingsläufe (über train_models)

Experimentell (standardmäßig deaktiviert)

• Graph Neural Network: models/gnn_fraud_detector.py existiert, erfordert jedoch torch-geometric und ist deaktiviert (train_gnn=False). Wird nicht in der Standard-Erkennungspipeline verwendet.

Erklärbarkeit

• SHAP-basierte Erklärungen: Feature-Wichtigkeit und Entscheidungsbegründung mit agentenspezifischem Kontext. Graceful Fallback, wenn SHAP nicht verfügbar ist.

Architektur

Kernkomponenten (server.py)

1. TransactionAnalyzer — 46-Feature-Extraktion, Isolation-Forest- + Autoencoder-Ensemble-Scoring mit konfigurierbaren Gewichten. Unterstützt Modellpersistenz und Hot-Reload.

2. BehavioralBiometrics — Tastaturdynamik (Isolation Forest), Mausmuster (One-Class SVM), Touch-Muster (LOF). Extrahiert 10 statistische Features pro Modalität.

3. NetworkAnalyzer — Erstellt NetworkX-Graphen von Entitätsverbindungen. Berechnet Grad, Clustering-Koeffizient, Betweenness/Closeness-Zentralität.

4. UserTransactionHistory — Thread-sichere, begrenzte Transaktionshistorie pro Benutzer für Geschwindigkeitsanalyse mit LRU-Eviction.

Agent-Schutz-Pipeline (server.py)

5. TrafficClassifier — Klassifiziert Transaktionen als menschlich/Agent/unbekannt. Erkennt 9 Agent-Protokolle.

6. AgentIdentityRegistry — Thread-sicheres, JSON-gestütztes Register, das Agent-Vertrauenswerte und Transaktionshistorie verfolgt.

7. AgentIdentityVerifier — Validiert Anmeldeinformationen über Registerabfrage, API-Schlüsselformat und JWT-Token-Ablauf.

8. AgentBehavioralFingerprint — Pro-Agent-Isolation-Forest-Baselines (8 Features, min. 10 Beobachtungen vor Aktivierung).

9. MandateVerifier — Zustandslose Mandatskonformität: max_amount, daily_limit, erlaubte/blockierte Händler, Zeitfenster.

10. CollusionDetector — Gerichteter Graph für zirkuläre Flüsse, zeitliche Cluster, Volumenanomalien mit LRU-Eviction.

11. AgentReputationScorer — Longitudinale Reputation: Vertrauen (40%), Historie (25%), Verhaltenskonsistenz (25%), Kollusionssicherheit (10%).

Risikobewertung

Menschlicher Verkehr: Transaktion 50%, Verhalten 30%, Netzwerk 20%. Agent-Verkehr: Gleiche Gewichtung über alle verfügbaren Komponenten. Schwellenwerte: KRITISCH >= 0,8, HOCH >= 0,6, MITTEL >= 0,4, NIEDRIG < 0,4.

Technische Spezifikationen

• Sprache: Python 3.10+

• ML-Bibliotheken: scikit-learn, PyTorch (Autoencoder)

• Graphenverarbeitung: NetworkX

• API: FastMCP (Model Context Protocol)

• Testen: pytest (830+ Tests, 88%+ Abdeckung)

Installation

Schnellstart

# Clone the repository
git clone https://github.com/marc-shade/fraud-detection-mcp
cd fraud-detection-mcp

# Create virtual environment
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install core dependencies
pip install -r requirements.txt

# Install optional training/dev dependencies
pip install -r requirements-dev.txt      # Testing and linting
pip install -r requirements-optional.txt  # XGBoost, GNN, benchmarking

Claude-Desktop-Integration

Fügen Sie Ihrer Claude-Desktop-Konfiguration hinzu:

{
  "mcpServers": {
    "fraud-detection-mcp": {
      "command": "/path/to/fraud-detection-mcp/venv/bin/python",
      "args": ["/path/to/fraud-detection-mcp/server.py"],
      "env": {
        "FRAUD_DETECT_MODEL_PATH": "/path/to/fraud-detection-mcp/models",
        "FRAUD_DETECT_LOG_LEVEL": "INFO"
      }
    }
  }
}

MCP-Tools (insgesamt 24)

Kern-Betrugserkennung (5 Tools)

Agent-zu-Agent-Transaktionsschutz (6 Tools)

Modellverwaltung & Betrieb (8 Tools)

Defense-Compliance (5 Tools)

Beispielverwendung

# Analyze a transaction
result = mcp_client.call("analyze_transaction", {
    "transaction_id": "txn_123",
    "amount": 5000.00,
    "merchant": "Electronics Store",
    "location": "New York, NY",
    "timestamp": "2025-09-26T14:30:00Z"
})

# Result includes risk score, confidence, and explanation
{
    "risk_score": 0.72,
    "risk_level": "HIGH",
    "confidence": 0.85,
    "is_anomaly": true,
    "details": {
        "isolation_forest_score": -0.3,
        "autoencoder_score": 0.8,
        "ensemble_score": 0.72
    }
}

Algorithmus-Details

Isolation Forest (aktiv)

• Zweck: Schnelle Anomalieerkennung für Echtzeit-Transaktionsprüfung

• Komplexität: O(n log n), verarbeitet hochdimensionale Daten

• Anwendungsfall: Erste Verteidigungslinie, bewertet standardmäßig alle Transaktionen

Autoencoder (aktiv)

• Zweck: Deep-Learning-Anomalieerkennung über Rekonstruktionsfehler

• Architektur: PyTorch-vollverbundener Autoencoder

• Anwendungsfall: Ensemble-Mitglied mit Isolation Forest für verbesserte Erkennung

Verhaltensbiometrie (aktiv)

• Tastaturdynamik: Timing-Muster über Isolation Forest (5 Dwell- + 5 Flight-Features)

• Maus-Biometrie: Bewegungsmuster über One-Class SVM

• Touch-Analytik: Bildschirminteraktion über Local Outlier Factor (LOF)

Netzwerkgraphenanalyse (aktiv)

• Graph-Zentralität: Grad, Clustering-Koeffizient, Betweenness, Closeness-Zentralität

• Betrugsring-Erkennung: Identifiziert verdächtige Cluster über Graphmetriken

• Implementierung: NetworkX gerichtete/ungerichtete Graphen

XGBoost (optional – erfordert train_models)

• Zweck: Gradient Boosting für überwachte Betrugsklassifizierung

• Verfügbarkeit: Nur aktiv nach Training mit beschrifteten Daten über das train_models-Tool

• Abhängigkeiten: Erfordert xgboost, imbalanced-learn, optuna (in requirements-optional.txt)

Graceful Degradation

Der Server startet auch, wenn optionale Abhängigkeiten fehlen:

Sicherheitshinweis

• Transportsicherheit: Der MCP-Server bietet kein TLS. Wenn er über ein Netzwerk zugänglich ist, konfigurieren Sie einen Reverse-Proxy mit TLS-Terminierung.

• Authentifizierung: Der Server implementiert keine Authentifizierung. Die Zugriffskontrolle muss vom MCP-Client oder der Netzwerkebene übernommen werden.

• Daten im Ruhezustand: Transaktionsdaten und Modelldateien werden unverschlüsselt gespeichert. Wenden Sie Verschlüsselung auf Dateisystemebene an, falls dies Ihre Sicherheitsrichtlinie erfordert.

• Eingabebereinigung: Wenn security_utils.py verfügbar ist, werden Eingaben gegen XSS/SQLi-Muster bereinigt und einer Ratenbegrenzung unterzogen.

• Abhängigkeiten: Überprüfen Sie requirements.txt und fixieren Sie die Versionen für Produktionsbereitstellungen. Führen Sie bandit -r . -x ./tests für Sicherheitsscans aus.

Bekannte Einschränkungen

• Modelle initialisieren mit synthetischen Daten: Standardmodelle wurden nicht mit echten Betrugsdaten trainiert. Verwenden Sie train_models mit Ihrem eigenen beschrifteten Datensatz für Produktionsgenauigkeit.

• Die Leistung ist umgebungsabhängig: Es werden keine Benchmark-Zahlen veröffentlicht, da die Ergebnisse je nach Hardware, Datenverteilung und Modellkonfiguration erheblich variieren. Führen Sie run_benchmark in Ihrer eigenen Infrastruktur aus, um die Leistung zu messen.

• Kein kontinuierliches/adaptives Lernen: Das erneute Training von Modellen erfolgt manuell über das train_models-Tool. Es gibt kein Online-Lernen oder automatische Modellaktualisierung.

• Keine Verschlüsselung im Ruhezustand: Der Server verschlüsselt gespeicherte Daten nicht. Dies muss auf Infrastrukturebene gehandhabt werden.

• Keine GDPR/PCI-DSS/SOX-Konformität: Der Server implementiert keine regulatorischen Compliance-Kontrollen. Die Verteidigungs-Compliance-Module (Insider-Bedrohung, SIEM, Personal mit Sicherheitsfreigabe) befassen sich mit bundesstaatlichen Standards für Insider-Bedrohungen, nicht mit finanzieller regulatorischer Compliance.

Architektur der Verteidigungs-Compliance

compliance/
  __init__.py                  # Package exports
  insider_threat.py            # EO 13587 / NITTF insider threat detection (28 indicators)
  siem_integration.py          # CEF/LEEF/Syslog event generation & correlation
  cleared_personnel.py         # SEAD 4/6 cleared personnel analytics
  dashboard_metrics.py         # NITTF maturity, KRIs, compliance posture

Alle Compliance-Module laufen lokal ohne externe Dienstabhängigkeiten, sind threadsicher und verwenden Graceful Degradation.

Mitwirken

Dies ist ein Open-Source-Projekt. Beiträge sind willkommen für:

• Neue Erkennungsalgorithmen

• Leistungsoptimierungen

• Verbesserungen der Testabdeckung

• Dokumentation

Siehe CONTRIBUTING.md für Richtlinien.

Lizenz

MIT-Lizenz – Details finden Sie in der Datei LICENSE.

Teil des MCP-Ökosystems

Dieser Server integriert sich in andere MCP-Server, um umfassende AGI-Fähigkeiten bereitzustellen:

Siehe agentic-system-oss für das vollständige Framework.