고급 사기 탐지 MCP

금융 보안을 위한 사기 탐지 및 이상 분석 — AI 에이전트 간 거래 보호 기능 포함.

Agentic System의 일부 - 영구 메모리를 갖춘 24/7 자율 AI 프레임워크.

개요

머신러닝과 행동 분석을 사용한 사기 탐지를 위한 오픈소스 Model Context Protocol (MCP) 서버. 이 시스템은 행동 생체인식, 이상 탐지, 네트워크 그래프 분석, 그리고 AI 에이전트 행동 지문 인식을 결합하여 사기를 예방합니다.

Related MCP server: MerchantGuard MCP Server

주요 기능

핵심 탐지 (기본 활성화)

• Isolation Forest: 실시간 거래 심사를 위한 이상 탐지

• Autoencoder Ensemble: 재구성 오류 점수를 사용한 PyTorch 기반 딥러닝 이상 탐지. Isolation Forest와 앙상블 구성(60/40 가중치 설정 가능).

• 행동 생체인식: 키스트로크 역학(Isolation Forest), 마우스 움직임 패턴(One-Class SVM), 터치스크린 패턴(LOF)

• 네트워크 그래프 분석: 사기 조직 탐지를 위한 NetworkX 기반 그래프 중심성 지표(차수, 클러스터링 계수, 매개 중심성, 근접 중심성)

• 46-특징 파이프라인: 주기적 인코딩, z-점수, 속도 특징을 포함한 포괄적인 특징 엔지니어링

에이전트 간 거래 보호

• 트래픽 분류: AI 에이전트 vs 인간 트래픽 자동 감지 (Stripe ACP, Visa TAP, Mastercard Agent Pay, Google AP2, PayPal, Coinbase, OpenAI, Anthropic, x402)

• 에이전트 신원 검증: API 키 형식 검증, JWT 토큰 만료 확인, JSON 기반 에이전트 레지스트리

• 에이전트 행동 지문 인식: 에이전트별 Isolation Forest 기준선 (8개 특징, 에이전트당 최대 1000개 관측치)

• 위임 준수: 지출 한도, 판매자 화이트리스트/블랙리스트, 시간 창, 지리적 제한

• 담합 탐지: 순환 흐름, 시간적 클러스터링, 거래량 이상에 대한 방향성 그래프 분석

• 에이전트 평판 점수: 이력, 일관성, 담합 안전성으로부터의 종단적 신뢰 (가중치 40/25/25/10)

국방 내부자 위협 준수

• 28가지 행동 지표: NITTF 내부자 위협 가이드 (EO 13587)

• SIEM 통합: MITRE ATT&CK 강화를 포함한 CEF (ArcSight), LEEF (QRadar), Syslog RFC 5424

• 보안 인가 인원 모니터링: SEAD 4/6 지속 평가, 13개 재판 지침

• 준수 대시보드: NITTF 성숙도 점수, KRI, 모델 드리프트 감지

선택 사항 (수동 호출 필요)

• XGBoost: training_pipeline.py 종속성이 설치된 경우 train_models 도구를 통해 사용 가능. 기본 탐지 경로에 포함되지 않음.

• SMOTE 리샘플링: 불균형 사기 데이터셋을 위한 클래스 균형 조정 (train_models 통해)

• Optuna 하이퍼파라미터 튜닝: 자동 하이퍼파라미터 최적화 (train_models 통해)

• MLflow 추적: 학습 실행을 위한 실험 추적 (train_models 통해)

실험적 (기본 비활성화)

• 그래프 신경망: models/gnn_fraud_detector.py는 존재하지만 torch-geometric이 필요하며 비활성화됨 (train_gnn=False). 기본 탐지 파이프라인에서 사용되지 않음.

설명 가능성

• SHAP 기반 설명: 에이전트별 컨텍스트를 포함한 특징 중요도 및 결정 근거. SHAP을 사용할 수 없는 경우 우아한 대체 처리.

아키텍처

핵심 구성 요소 (server.py)

1. TransactionAnalyzer — 46-특징 추출, Isolation Forest + Autoencoder 앙상블 점수 계산(가중치 설정 가능). 모델 영속성 및 핫 리로드 지원.

2. BehavioralBiometrics — 키스트로크 역학(Isolation Forest), 마우스 패턴(One-Class SVM), 터치 패턴(LOF). 각 양식별 10개 통계 특징 추출.

3. NetworkAnalyzer — 엔티티 연결의 NetworkX 그래프 구축. 차수, 클러스터링 계수, 매개/근접 중심성 계산.

4. UserTransactionHistory — 속도 분석을 위한 스레드 안전, 사용자별 제한된 거래 이력 (LRU 축출 포함).

에이전트 보호 파이프라인 (server.py)

5. TrafficClassifier — 거래를 인간/에이전트/알 수 없음으로 분류. 9개 에이전트 프로토콜 인식.

6. AgentIdentityRegistry — 에이전트 신뢰 점수와 거래 이력을 추적하는 스레드 안전 JSON 기반 레지스트리.

7. AgentIdentityVerifier — 레지스트리 조회, API 키 형식, JWT 토큰 만료를 통한 자격 증명 검증.

8. AgentBehavioralFingerprint — 에이전트별 Isolation Forest 기준선 (8개 특징, 활성화 전 최소 10개 관측치).

9. MandateVerifier — 무상태 위임 준수: max_amount, daily_limit, 허용/차단 판매자, 시간 창.

10. CollusionDetector — 순환 흐름, 시간적 클러스터링, 거래량 이상에 대한 방향성 그래프 (LRU 축출 포함).

11. AgentReputationScorer — 종단적 평판: 신뢰(40%), 이력(25%), 행동 일관성(25%), 담합 안전성(10%).

위험 점수

인간 트래픽: 거래 50%, 행동 30%, 네트워크 20%. 에이전트 트래픽: 사용 가능한 모든 구성 요소에 동일 가중치. 임계값: CRITICAL >= 0.8, HIGH >= 0.6, MEDIUM >= 0.4, LOW < 0.4.

기술 사양

• 언어: Python 3.10+

• ML 라이브러리: scikit-learn, PyTorch (autoencoder)

• 그래프 처리: NetworkX

• API: FastMCP (Model Context Protocol)

• 테스트: pytest (830개 이상의 테스트, 88% 이상 커버리지)

설치

빠른 시작

# 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 통합

Claude Desktop 구성에 추가:

{
  "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 도구 (총 24개)

핵심 사기 탐지 (5개 도구)

에이전트 간 거래 보호 (6개 도구)

모델 관리 및 운영 (8개 도구)

국방 준수 (5개 도구)

사용 예시

# 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
    }
}

알고리즘 세부 사항

Isolation Forest (활성)

• 목적: 실시간 거래 심사를 위한 빠른 이상 탐지

• 복잡도: O(n log n), 고차원 데이터 처리

• 사용 사례: 1차 방어선, 기본적으로 모든 거래 점수 계산

Autoencoder (활성)

• 목적: 재구성 오류를 통한 딥러닝 이상 탐지

• 아키텍처: PyTorch 완전 연결 autoencoder

• 사용 사례: 탐지 개선을 위한 Isolation Forest와의 앙상블 구성원

행동 생체인식 (활성)

• 키스트로크 역학: Isolation Forest를 통한 타이밍 패턴 (5개 dwell + 5개 flight 특징)

• 마우스 생체인식: One-Class SVM을 통한 움직임 패턴

• 터치 분석: Local Outlier Factor (LOF)를 통한 화면 상호작용

네트워크 그래프 분석 (활성)

• 그래프 중심성: 차수, 클러스터링 계수, 매개 중심성, 근접 중심성

• 사기 조직 탐지: 그래프 지표를 통한 의심스러운 클러스터 식별

• 구현: NetworkX 방향성/무방향성 그래프

XGBoost (선택 사항 — train_models 필요)

• 목적: 지도 사기 분류를 위한 그래디언트 부스팅

• 가용성: train_models 도구를 통한 레이블 데이터 학습 후에만 활성화

• 종속성: xgboost, imbalanced-learn, optuna 필요 (requirements-optional.txt에 포함)

우아한 성능 저하

서버는 선택적 종속성이 없어도 시작됩니다:

보안 공지

• 전송 보안: MCP 서버는 TLS를 제공하지 않습니다. 네트워크에 노출되는 경우 TLS 종료를 지원하는 리버스 프록시를 구성하세요.

• 인증: 서버는 인증을 구현하지 않습니다. 접근 제어는 MCP 클라이언트 또는 네트워크 계층에서 처리해야 합니다.

• 저장 데이터: 트랜잭션 데이터와 모델 파일은 암호화되지 않은 상태로 저장됩니다. 보안 정책에 따라 파일시스템 수준의 암호화를 적용하세요.

• 입력 정화: security_utils.py를 사용할 수 있는 경우 입력은 XSS/SQLi 패턴에 대해 정화되고 속도가 제한됩니다.

• 의존성: 프로덕션 배포를 위해 requirements.txt를 검토하고 버전을 고정하세요. 보안 스캔을 위해 bandit -r . -x ./tests를 실행하세요.

알려진 제한 사항

• 모델은 합성 데이터로 초기화됩니다: 기본 모델은 실제 사기 데이터로 학습되지 않았습니다. 프로덕션 정확도를 위해 자체 레이블이 지정된 데이터셋으로 train_models를 사용하세요.

• 성능은 환경에 따라 다릅니다: 결과는 하드웨어, 데이터 분포, 모델 구성에 따라 크게 달라지므로 벤치마크 수치가 게시되지 않습니다. 측정하려면 자체 인프라에서 run_benchmark를 실행하세요.

• 지속적/적응형 학습 없음: 모델 재학습은 train_models 도구를 통해 수동으로 수행됩니다. 온라인 학습이나 자동 모델 갱신은 없습니다.

• 저장 데이터 암호화 없음: 서버는 저장된 데이터를 암호화하지 않습니다. 이는 인프라 수준에서 처리해야 합니다.

• GDPR/PCI-DSS/SOX 규정 준수 없음: 서버는 규제 준수 통제를 구현하지 않습니다. 방산 규정 준수 모듈(내부자 위협, SIEM, 보안 인가 인력)은 금융 규제 준수가 아닌 연방 내부자 위협 표준을 다룹니다.

방산 규정 준수 아키텍처

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

모든 규정 준수 모듈은 외부 서비스 의존성 없이 로컬에서 실행되며, 스레드 안전하고, 우아한 성능 저하(graceful degradation)를 사용합니다.

기여

이것은 오픈소스 프로젝트입니다. 다음 분야의 기여를 환영합니다:

• 새로운 탐지 알고리즘

• 성능 최적화

• 테스트 커버리지 개선

• 문서화

지침은 CONTRIBUTING.md를 참조하세요.

라이선스

MIT 라이선스 - 자세한 내용은 LICENSE 파일을 참조하세요

MCP 생태계의 일부

이 서버는 포괄적인 AGI 기능을 위해 다른 MCP 서버와 통합됩니다:

전체 프레임워크는 agentic-system-oss를 참조하세요.