Advanced Fraud Detection MCP

面向金融安全的欺诈检测与异常分析——具备 AI 智能体间交易保护。

属于 Agentic System 的一部分——一个具备持久记忆的 24/7 自主 AI 框架。

概述

一个用于欺诈检测的开源 Model Context Protocol (MCP) 服务器，利用机器学习和行为分析。该系统结合行为生物特征识别、异常检测、网络图分析以及 AI 智能体行为指纹识别 来实现欺诈预防。

Related MCP server: MerchantGuard MCP Server

主要特性

核心检测（默认启用）

• Isolation Forest：用于实时交易筛查的异常检测

• Autoencoder Ensemble：基于 PyTorch 的深度学习异常检测，使用重构误差评分。与 Isolation Forest 集成（可配置 60/40 权重）。

• 行为生物特征识别：键盘动力学（Isolation Forest）、鼠标移动模式（One-Class SVM）、触摸屏模式（LOF）

• 网络图分析：基于 NetworkX 的图中心性指标（度、聚类系数、介数、紧密度），用于欺诈团伙检测

• 46 特征流水线：全面的特征工程，包含循环编码、z-score 和速度特征

智能体间交易保护

• 流量分类：自动检测 AI 智能体与人类流量（Stripe ACP、Visa TAP、Mastercard Agent Pay、Google AP2、PayPal、Coinbase、OpenAI、Anthropic、x402）

• 智能体身份验证：API 密钥格式验证、JWT 令牌过期检查、基于 JSON 的智能体注册表

• 智能体行为指纹识别：每个智能体的 Isolation Forest 基线（8 个特征，每个智能体最多 1000 条观测）

• 授权合规：支出限额、商户白名单/黑名单、时间窗口、地理限制

• 共谋检测：有向图分析，用于检测循环资金流、时间聚类和交易量异常

• 智能体声誉评分：基于历史、一致性和共谋安全性的纵向信任（权重 40/25/25/10）

防御内部威胁合规

• 28 项行为指标，源自 NITTF 内部威胁指南（EO 13587）

• SIEM 集成：CEF（ArcSight）、LEEF（QRadar）、Syslog RFC 5424，并支持 MITRE ATT&CK 丰富化

• 涉密人员监控：SEAD 4/6 持续评估，13 项裁决指南

• 合规仪表盘：NITTF 成熟度评分、KRI、模型漂移检测

可选（需手动调用）

• XGBoost：当安装了 training_pipeline.py 的依赖后，可通过 train_models 工具使用。不属于默认检测路径的一部分。

• SMOTE 重采样：针对不平衡欺诈数据集的类别平衡（通过 train_models）

• Optuna 超参数调优：自动化超参数优化（通过 train_models）

• MLflow 跟踪：训练运行的实验跟踪（通过 train_models）

实验性（默认禁用）

• 图神经网络：models/gnn_fraud_detector.py 已存在，但需要 torch-geometric，且默认禁用（train_gnn=False）。不用于默认检测流水线。

可解释性

• 基于 SHAP 的解释：特征重要性和决策推理，包含智能体特定上下文。当 SHAP 不可用时优雅降级。

架构

核心组件（server.py）

1. TransactionAnalyzer —— 46 特征提取，Isolation Forest + Autoencoder 集成评分，权重可配置。支持模型持久化和热重载。

2. BehavioralBiometrics —— 键盘动力学（Isolation Forest）、鼠标模式（One-Class SVM）、触摸模式（LOF）。每种模态提取 10 个统计特征。

3. NetworkAnalyzer —— 构建实体连接的 NetworkX 图。计算度、聚类系数、介数/紧密度中心性。

4. UserTransactionHistory —— 线程安全、有界的每用户交易历史，用于速度分析，支持 LRU 淘汰。

智能体保护流水线（server.py）

5. TrafficClassifier —— 将交易分类为人类/智能体/未知。识别 9 种智能体协议。

6. AgentIdentityRegistry —— 线程安全、基于 JSON 的注册表，跟踪智能体信任评分和交易历史。

7. AgentIdentityVerifier —— 通过注册表查询、API 密钥格式和 JWT 令牌过期来验证凭据。

8. AgentBehavioralFingerprint —— 每个智能体的 Isolation Forest 基线（8 个特征，激活前最少 10 条观测）。

9. MandateVerifier —— 无状态授权合规：max_amount、daily_limit、允许/阻止的商户、时间窗口。

10. CollusionDetector —— 有向图，用于检测循环资金流、时间聚类、交易量异常，支持 LRU 淘汰。

11. AgentReputationScorer —— 纵向声誉：信任（40%）、历史（25%）、行为一致性（25%）、共谋安全性（10%）。

风险评分

人类流量：交易 50%，行为 30%，网络 20%。 智能体流量：所有可用组件等权加权。 阈值：CRITICAL >= 0.8，HIGH >= 0.6，MEDIUM >= 0.4，LOW < 0.4。

技术规格

• 语言：Python 3.10+

• 机器学习库：scikit-learn、PyTorch（autoencoder）

• 图处理：NetworkX

• API：FastMCP（Model Context Protocol）

• 测试：pytest（830+ 测试，88%+ 覆盖率）

安装

快速开始

# 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 集成

添加到你的 Claude Desktop 配置中：

{
  "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 工具（共 24 个）

核心欺诈检测（5 个工具）

智能体间交易保护（6 个工具）

模型管理与运维（8 个工具）

防御合规（5 个工具）

示例用法

# 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
    }
}

算法详情

Isolation Forest（启用）

• 目的：用于实时交易筛查的快速异常检测

• 复杂度：O(n log n)，可处理高维数据

• 用例：第一道防线，默认对所有交易进行评分

Autoencoder（启用）

• 目的：通过重构误差进行深度学习异常检测

• 架构：PyTorch 全连接自编码器

• 用例：与 Isolation Forest 组成集成成员，提升检测效果

行为生物特征识别（启用）

• 键盘动力学：通过 Isolation Forest 分析时间模式（5 个停留 + 5 个飞行特征）

• 鼠标生物特征：通过 One-Class SVM 分析移动模式

• 触摸分析：通过局部离群因子（LOF）分析屏幕交互

网络图分析（启用）

• 图中心性：度、聚类系数、介数、紧密度中心性

• 欺诈团伙检测：通过图指标识别可疑集群

• 实现：NetworkX 有向/无向图

XGBoost（可选——需要 train_models）

• 目的：用于监督式欺诈分类的梯度提升

• 可用性：仅在使用 train_models 工具通过带标签数据训练后激活

• 依赖：需要 xgboost、imbalanced-learn、optuna（位于 requirements-optional.txt 中）

优雅降级

即使缺少可选依赖，服务器也能启动：

安全须知

• 传输安全：MCP 服务器不提供 TLS。如果暴露在网络中，请配置带有 TLS 终止的反向代理。

• 身份验证：服务器不实现身份验证。访问控制必须由 MCP 客户端或网络层处理。

• 静态数据：交易数据和模型文件以未加密方式存储。如果您的安全策略要求，请应用文件系统级加密。

• 输入清洗：当 security_utils.py 可用时，输入会针对 XSS/SQLi 模式进行清洗，并实施速率限制。

• 依赖项：请审查 requirements.txt 并为生产部署固定版本。使用 bandit -r . -x tests 进行安全扫描。

已知限制

• 模型使用合成数据初始化：默认模型未使用真实欺诈数据进行训练。请使用 train_models 配合您自己的带标签数据集以获得生产级准确性。

• 性能取决于环境：未发布基准数字，因为结果会因硬件、数据分布和模型配置而有显著差异。请在自己的基础设施上运行 run_benchmark 进行测量。

• 无持续/自适应学习：模型重训练通过 train_models 工具手动完成。没有在线学习或自动模型刷新。

• 无静态加密：服务器不加密存储的数据。这必须在基础设施层面处理。

• 无 GDPR/PCI-DSS/SOX 合规：服务器不实现监管合规控制。防御合规模块（内部威胁、SIEM、涉密人员）针对的是联邦内部威胁标准，而非金融监管合规。

防御合规架构

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

所有合规模块均在本地运行，不依赖外部服务，具有线程安全性，并采用优雅降级策略。

贡献

这是一个开源项目。欢迎以下方面的贡献：

• 新的检测算法

• 性能优化

• 测试覆盖率改进

• 文档

请参阅 CONTRIBUTING.md 获取指南。

许可证

MIT 许可证 - 请参阅 LICENSE 文件了解详情

MCP 生态系统的一部分

该服务器与其他 MCP 服务器集成，以提供全面的 AGI 能力：

请参阅 agentic-system-oss 了解完整框架。