Advanced Fraud Detection MCP

金融セキュリティにおける不正検出と異常分析 — AIエージェント間の取引保護にも対応。

Agentic System の一部 — 永続的なメモリを備えた24時間365日の自律型AIフレームワークです。

概要

機械学習と行動分析を用いた不正検出のためのオープンソースのModel Context Protocol（MCP）サーバーです。このシステムは、行動バイオメトリクス、異常検出、ネットワークグラフ分析、AIエージェント行動フィンガープリンティングを組み合わせて不正防止を実現します。

Related MCP server: Fraud Detection MCP

主な機能

コア検出（デフォルトで有効）

• Isolation Forest：リアルタイムの取引スクリーニングのための異常検出

• Autoencoder Ensemble：再構成誤差スコアリングを用いたPyTorchベースのディープラーニング異常検出。Isolation Forestとのアンサンブル、重量設定（60/40）に対応。

• Behavioral Biometrics：キーストロークダイナミクス（Isolation Forest）、マウス動作パターン（One-Class SVM）、タッチスクリーンパターン（LOF）

• Network Graph Analysis：NetworkXベースのグラフ中心性メトリクス（次数、クラスタリング係数、媒介中心性、近接中心性）による不正リングの検出

• 46-Feature Pipeline：周期性エンコーディング、z-score、速度（velocity）特徴を含む包括的な特徴量エンジニアリング

AIエージェント間の取引保護

• Traffic Classification：AIエージェントと人間のトラフィックを自動識別（Stripe ACP、Visa TAP、Mastercard Agent Pay、Google AP2、PayPal、Coinbase、Open AI、Anthropic、x402）

• Agent Identity Verification：APIキーの形式検証、JWTトークンの有効期限チェック、JSON対応のエージェントレジストリ

• Agent Behavioral Fingerprinting：エージェント単位のIsolation Forestベースライン（特徴量8つ、エージェントごとに最大1,000件の観測データ）

• Mandate Compliance：支出制限、マーチャント・ホワイトリスト/ブロックリスト、時間枠、地域制限

• Collusion Detection：循環フロー、時間クラスタリング、量異常を検出する有向グラフ分析

• Agent Reputation Scoring：履歴・一貫性・共謀安全性から事前長期信頼性を加重（40/25/25/10）で付与

防御対象インサイダー脅威コンプライアンス

• 28の行動インジケーター（NITTFインサイダー脅威ガイド、EO 13587に準拠）

• SIEM統合：ArcSight（CEF）、QRadar（LEEF）、Syslog RFC 5424に対応し、MITRE ATT&CKのエンリッチメント付き

• 保証付き人員の監視：SEAD 4/6aの継続的評価、13の審査ガイドライン

• コンプライアンス・ダッシュボード：NITTFの成熟度スコアリング、KRIs、モデル・ドリフト検出

任意（手動呼び出しが必要）

• NITTF XGBoost：「モデル・トレーニング用パイプラインtraining_pipeline.py の依存物 intoxstallされた環境下で、train_models ツールを使用して利用可能。デフォルトの検出パスには含まれません。

• SMOTE Resampling：K芋類挿入を伴う不均衡な金融盗データセットのコ會（train_models経由）

• Optuna Hyperparameter Tuning：モデリングのための自動ハイパーパラメータ最適化（train_models経由）

• MLflowでの追跡：トレーニング実行のexperiment追跡（train_modelsを経由）

実験的（デフォルトでは無効）

• Graph Neural Network：models/gnn_fraud_detector.py は存在しますが、torch-geometricが必要であり、無効（train_gnn=False）となっています。デフォルト検出パイプラインでは使用されません。

説明可能性

• SHAPベースの説明：特徴量重要度と判断の理由を、エージェント固有の文脈付きで提供。SHAPが起動しない場合も効率的なフォールバック。

アーキテクチャ

コアコンポーネント（server.py）

1. TransactionAnalyzer — 46特徴量の抽出、Isolation Forest + Autoencoderのアンサンブル・スコアリング（重み調整可能）。モデルの永続化とホットリロードに対応。

2. BehavioralBiometrics — キーストローク（Isolation ForeForest）、マウスの動き（One-Class SVM）、タッチパターン（LOF）。各モ끔ダリティ50コの統計的特徴を抽出。

3. NetworkAnalyzer — エンティティの接続からNetworkX グラフを構築。次数、クラスタリング係数、媒介中心性/近接中心性を計算。

4. UserTransactionHistory — スレッドセーフで、ユーザー単位の取引履歴をLRUで占領しつつ上限付きで保持し、取引性分析に活用。

エージェント保護パイプライン（server.py）

5. TrafficClassifier — 取引を人間/エージェント/不明に分類。9種類のエージェントプロバイダーのプロトコルを識別。

6. AgentIdentityRegistry — エージェント信頼スコアや取引履歴を追跡するJSONバックエンドのスレッドで安全なレジストリ。

7. AgentIdentityVerifier — レジストリ照合、APIキーの形式、JWTトークンの有効期限等により資格情報を検証。

8. AgentBehavioralFingerprint — エージェント単位のIsolation Forestベースライン（特徴部 8個、活性化までに最低10件の観測データ）。

9. MandateVerifier — ステートレス委任契約：最大金額（max_amount）、1日当たりの上限（daily_limit）、許可/禁止加盟店、時間枠。

10. CollusionDetector — 循環フロー、時間的なクラスターリング、ボーロン量異常を検出する有向グラフ（LRU付き）。

11. AgentReputationScorer — 長期評判：信頼（40％）、履歴（25％）、行動一致（25％）、担保（10％）を重み付きで算出。

リスクスコアリング

人間のトラフィック：取引50％、行動30％、ネットワーク20％。 エージェントトラフィック：使用可能な全コンポーネントを均等に重み付けます。 しきい値：CRITICAL >= 0.8、HIGH >= 0.6、MEDIUM >= 0.4、LOW < 0.4。

技術仕様

• 使用言語：Python 3.10+

• 機械学習ライブラリ：scikit-learn、PyTorch（オートエンコーダ）

• グラフ処理：NetworkX

• API：FastMCP（Model Context Protocol）

• テスト：pytest（830以上のテスト、88%以上のカバレッジ）

インストール

クイックスタート

# 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 Codeのインテグレーション

Claude Desktopの設定に追加します：

{
  "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ツール（総計24ツール）

コア不正検出（5ツール）

AIエージェント間の取引保護（6ツール）

モデル管理・運用（8ツール）

防御コンプライアンス（5ツール）

使用例

# 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
    }
}

アルゴリズムの詳細

Isolation Forest（有効）

• 目的：リアルタイムの取引スクリーン用の高速异常検出

• 計算量：O(n log n)、高次元データを処理可能

• 使用例：最初の防衛線として、すべての取引をデフォルトでスコアリング

Autoencoder（有効）

• 目的：再構成誤差によるディープラーニング異常検出

• アーキテクチャ：PyTorchによる完全結合オートエンコーダ

• 使用例：Isolation Forestとのアンサンブル必須メンバーとして検出精度を向上

行動バイオメトリクス（有効）

• キーストロークションダイナ：Isolation Forestによるタイミングパターン（dwelling 5 + flight 5の特徴）

• マウス・バイオメトリクス：One-Class SVMによる移動パattern

• タッチ・アナリティクス：LOCAL OUTLIER FACTOR（LOF）による画面操作方法

ネットワークグラフ分析（有効）

• グラフ中心性：次数、クラスタリング係数、中間中心性、近接中心性

• 不正リングの検出：グラフメトリクスを介して疑わしいクラスタを特定

• 実装：NetworkXによる方向的/無段グラフ

XGBoost（特典 — train_modelsが必要）

• 目的：教師付きの不正な分類でグラーディアント・ブースティング

• 利用可能条件：train_modelsツールでラベル付きデータを学習した後でのみ有効化

• 依存関係：xgboost、imbalanced-learn、optuna（requirements-optional.txt に記載）

グレースフルデグラデーション

サーバーは、オプションの依存関係がなくても起動します。

セキュリティに関する注意

• トランスポートセキュリティ: MCPサーバーはTLSを提供しません。ネットワーク経由で公開する場合は、TLS終端を備えたリバースプロキシを構成してください。

• 認証: サーバーは認証を実装していません。アクセス制御はMCPクライアントまたはネットワーク層で処理する必要があります。

• 保存データ: トランザクションデータとモデルファイルは暗号化されずに保存されます。セキュリティポリシーで必要な場合は、ファイルシステムレベルの暗号化を適用してください。

• 入力サニタイゼーション: security_utils.py が利用可能な場合、入力はXSS/SQLiパターンに対してサニタイズされ、レート制限が適用されます。

• 依存関係: requirements.txt を確認し、本番環境ではバージョンを固定してください。セキュリティスキャンには bandit -r . -x ./tests を実行してください。

既知の制限事項

• モデルは合成データで初期化されます: デフォルトのモデルは実際の不正データではトレーニングされていません。本番精度を高めるには、独自のラベル付きデータセットを train_models で使用してください。

• パフォーマンスは環境に依存します: ハードウェア、データ分布、モデル構成によって結果が大きく異なるため、ベンチマーク数値は公開されていません。測定するには、ご自身のインフラストラクチャで run_benchmark を実行してください。

• 継続的/適応的学習はありません: モデルの再トレーニングは train_models ツールを使用して手動で行います。オンライン学習や自動モデル更新はありません。

• 保存データの暗号化はありません: サーバーは保存データを暗号化しません。これはインフラストラクチャレベルで処理する必要があります。

• GDPR/PCI-DSS/SOXへの準拠はありません: サーバーは規制コンプライアンス管理を実装していません。防衛コンプライアンスモジュール（内部関係者脅威、SIEM、機密資格者）は、金融規制への準拠ではなく、連邦政府の内部関係者脅威基準に対応しています。

防衛コンプライアンスアーキテクチャ

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

すべてのコンプライアンスモジュールは、外部サービスに依存せずローカルで実行され、スレッドセーフで、グレースフルデグラデーションを使用します。

コントリビューション

これはオープンソースプロジェクトです。以下のようなコントリビューションを歓迎します：

• 新しい検出アルゴリズム

• パフォーマンスの最適化

• テストカバレッジの向上

• ドキュメント

ガイドラインについては、CONTRIBUTING.md を参照してください。

ライセンス

MITライセンス - 詳細はLICENSEファイルを参照してください

MCPエコシステムの一部

このサーバーは、包括的なAGI機能を実現するために他のMCPサーバーと統合されています：

完全なフレームワークについては、agentic-system-oss を参照してください。