Advanced Fraud Detection MCP

Обнаружение мошенничества и анализ аномалий для финансовой безопасности — с защитой транзакций между ИИ-агентами.

Часть Agentic System — автономной ИИ-платформы, работающей 24/7, с постоянной памятью.

Обзор

Открытый сервер Model Context Protocol (MCP) для обнаружения мошенничества на основе машинного обучения и поведенческого анализа. Система сочетает поведенческую биометрию, обнаружение аномалий, анализ сетевых графов и поведенческие отпечатки ИИ-агентов для предотвращения мошенничества.

Related MCP server: Fraud Detection MCP

Ключевые возможности

Базовое обнаружение (активно по умолчанию)

• Isolation Forest: обнаружение аномалий для проверки транзакций в реальном времени

• Ансамбль автоэнкодеров: глубокое обучение на базе PyTorch для обнаружения аномалий по ошибке реконструкции. Ансамбль с Isolation Forest (настраиваемое взвешивание 60/40)

• Поведенческая биометрия: динамика нажатий клавиш (Isolation Forest), паттерны движения мыши (One-Class SVM), паттерны сенсорного экрана (LOF)

• Анализ сетевых графов: метрики центральности графа на базе NetworkX (степень, коэффициент кластеризации, промежуточность, близость) для обнаружения мошеннических групп

• Конвейер из 46 признаков: комплексное конструирование признаков с циклическим кодированием, z-оценками и скоростными характеристиками

Защита транзакций между ИИ-агентами

• Классификация трафика: автоматическое определение трафика ИИ-агента и человеческого трафика (Stripe ACP, Visa TAP, Mastercard Agent Pay, Google AP2, PayPal, Coinbase, OpenAI, Anthropic, x402)

• Проверка идентичности агента: проверка формата API-ключей, срока действия JWT-токенов, реестр агентов на основе JSON

• Поведенческие отпечатки агента: базовые модели Isolation Forest для каждого агента (8 признаков, максимум 1000 наблюдений на агента)

• Соблюдение мандатов: лимиты расходов, белые и чёрные списки продавцов, временные окна, географические ограничения

• Обнаружение сговора: анализ ориентированного графа для выявления циклических потоков, временной кластеризации и аномалий объёма

• Оценка репутации агента: долговременное доверие на основе истории, стабильности и безопасности от сговора (вес 40/25/25/10)

Соответствие требованиям защиты от инсайдерских угроз

• 28 поведенческих индикаторов из руководства NITTF по инсайдерским угрозам (EO 13567)

• Интеграция с SIEM: CEF (ArcSight), LEEF (QRadar), Syslog RFC 5424 с обогащением по MITRE ATT&CK

• Мониторинг персонала с допуском: непрерывная оценка SEAD 4/6, 13 руководящих принципов проверки допуска (adjudicative guidelines)

• Панель соответствия: оценка зрелости NITTF, KRI, обнаружение дрейфа моделей

Опционально (требуется ручной вызов)

• XGBoost: доступен через инструмент train_models при установленных зависимостях training_pipeline.py. Не входит в базовый путь обнаружения по умолчанию.

• SMOTE-пересэмплирование: балансировка классов для несбалансированных наборов данных о мошенничестве (через train_models)

• Настройка гиперпараметров Optuna: автоматическая оптимизация гиперпараметров (через train_models)

• Трекинг MLflow: отслеживание экспериментов для обучающих прогонов (через train_models)

Экспериментально (отключено по умолчанию)

• Графовая нейронная сеть: файл models/gnn_fraud_detector.py существует, но требует torch-geometric и отключён (train_gnn=False). Не используется в пайплайне обнаружения по умолчанию.

Объяснимость

• Объяснения на основе SHAP: важность признаков и объяснение решений с учётом контекста агента. Элегантное резервное поведение (graceful fallback), если SHAP недоступен.

Архитектура

Основные компоненты (server.py)

1. TransactionAnalyzer — извлечение 46 фич и оценка ансамблем Isolation Forest + автоэнкодер с настраиваемыми весами. Поддерживает устойчивость модели и горячую перезагрузку (hot-reload).

2. BehavioralBiometrics — динамика набора (Isolation Forest), паттерны мыши (One-Class SVM), паттерны тача (LOF). Извлекает 10 статистических признаков для каждого типа поведения.

3. NetworkAnalyzer — строит графы NetworkX связей сущностей. Вычисляет степень, коэффициент кластеризации, промежуточность/близость (betweenness).

4. UserTransactionHistory — многопоточная, ограниченная по объёму история транзакций пользователя для скоростного анализа, с вытеснением LRU.

Конвейер защиты агентов (server.py)

5. TrafficClassifier — классифицирует трафик как человек/бот/неизвестный. Распознаётся 9 протоколов агентов.

6. AgentIdentityRegistry — потоковый реестр на JSON, отслеживающий доверие и историю транзакций агента.

7. AgentIdentityVerifier — проверяет учётные данные через реестр, формат API-ключей и срок JWT.

8. AgentBehavioralFingerprint — baseline Isolation Forest на каждого агента (8 признаков, min 10 наблюдений до активации).

9. MandateVerifier — stateless-проверка соответствия мандата: max_amount, daily_limit, разрешённые/заблокированные продавцы, временные окна.

10. CollusionDetector — ориентированный graph для круговых потоков, временных кластеров, аномалий объёмов с вытеснением LRU.

11. AgentReputationScorer — лонгитюдная репутация: доверие (40%), история (25%), консистентность поведения (25%), безопасность от сговора (10%).

Оценка риска

Человеческий трафик: транзакция 50%, биометрия 30%, сеть 20%. Трафик агентов: равное взвешивание всех доступных компонентов. Пороги: CRITICAL >= 0.8, HIGH >= 0.6, MEDIUM >= 0.4, LOW < 0.4.

Технические характеристики

• Язык: Python 3.10+

• Библиотеки машинного обучения: scikit-learn, PyTorch (автоэнкодер)

• Обработка графов: NetworkX

• API: FastMCP (Model Context Protocol)

• Тестирование: pytest (830+ тестов, 88%+ покрытие)

Установка

Быстрый старт

# 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

Интеграция с Claude Code

Добавьте в конфигурацию Claude Desktop:

{
  "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"
      }
    }
  }
}

Инструменты MCP (всего 24)

Основное обнаружение мошенничества (5 инструментов)

Защита транзакций между агентами (6)

Управление моделями и операции (8)

Соответствие требованиям обороны (5)

Примеры использования

# 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
    }
}

Детали алгоритмов

Isolation Forest (активен)

• Назначение: быстрый поиск аномалий в реальном времени.

• Сложность: O(n log n), поддерживает данные высокой размерности.

• Применение: первая линия защиты, скоринг всех транзакций по умолчанию.

Автоэнкодер (активен)

• Назначение: глубокое обнаружение аномалий через ошибку реконструкции.

• Архитектура: PyTorch, полносвязный автоэнкодер.

• Применение: участник ансамбля вместе с Isolation Forest.

Поведенческая биометрия (активна)

• Клавиатурный почерк: тайминги через Isolation Forest (5 dwell + 5 flight).

• Мышь: паттерны движений через One-Class SVM. SVM.

• Тач: взаимодействие с экраном через Local Outlier Factor (LOF).

Анализ сетевых графов (активен)

• Граф-центральность: degree, clustering coefficient, betweenness, closeness.

• Обнаружение мошеннических групп: подозрительные кластеры через метрики графа.

• Реализация: NetworkX, ориентированные/неориентированные.

XGBoost (опционально — требует train_models)

• Назначение: градиентный бустинг для контролируемого классифицирования мошенничества.

• Доступность: активен только после обучения с размеченными данными через train_models.

• Зависимости: требует xgboost, imbalanced-learn, optuna (в requirements-optional.txt).

Плавная деградация

Сервер запускается даже при отсутствии необязательных зависимостей:

Уведомление о безопасности

• Безопасность передачи данных: MCP-сервер не предоставляет TLS. При работе через сеть настройте обратный прокси с завершением TLS.

• Аутентификация: Сервер не реализует аутентификацию. Контроль доступа должен выполняться на стороне MCP-клиента или сетевого уровня.

• Данные в состоянии покоя: Данные транзакций и файлы моделей хранятся без шифрования. Примените шифрование на уровне файловой системы, если это требуется вашей политикой безопасности.

• Очистка входных данных: Если доступен security_utils.py, входные данные очищаются от XSS/SQLi-паттернов и ограничиваются по скорости.

• Зависимости: Просмотрите requirements.txt и зафиксируйте версии для production-развертываний. Выполните bandit -r . -x ./tests для сканирования безопасности.

Известные ограничения

• Модели инициализируются синтетическими данными: Стандартные модели не обучены на реальных данных о мошенничестве. Используйте train_models с вашим собственным размеченным набором данных для точности в производственной среде.

• Производительность зависит от окружения: Нет опубликованных результатов бенчмарков, так как результаты значительно варьируются в зависимости от оборудования, распределения данных и конфигурации модели. Запустите run_benchmark на вашей собственной инфраструктуре для измерения.

• Отсутствует непрерывное/адаптивное обучение: Переобучение моделей выполняется вручную с помощью инструмента train_models. Нет онлайн-обучения или автоматического обновления моделей.

• Нет шифрования в состоянии покоя: Сервер не шифрует хранимые данные. Это должно обрабатываться на уровне инфраструктуры.

• Нет соответствия требованиям GDPR/PCI-DSS/SOX: Сервер не реализует меры контроля регуляторного соответствия. Модули защиты для оборонных систем (инсайдерские угрозы, SIEM, допущенный персонал) адресуют федеральные стандарты по инсайдерским угрозам, а не финансовое регуляторное соответствие.

Архитектура оборонного соответствия

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

Все модули соответствия работают локально, не зависят от внешних сервисов, потокобезопасны и используют плавную деградацию.

Вклад

Это проект с открытым исходным кодом. Приветствуются вклады в следующих областях:

• Новые алгоритмы обнаружения

• Оптимизация производительности

• Улучшение тестового покрытия

• Документация

Рекомендации см. в CONTRIBUTING.md.

Лицензия

Лицензия MIT — подробности см. в файле LICENSE

Часть экосистемы MCP

Этот сервер интегрируется с другими MCP-серверами для комплексных возможностей AGI:

Полный фреймворк см. в agentic-system-oss.