风控日报 — 2026-06-17

📊 原料：45 条相关条目（GitHub 50 条主源 / arXiv 36 条全部无关——暗物质 WIMP、太阳中微ino、FL 后门、LLM 价值轴、机器人触觉操作、神经量子态、火箭着陆控制、城市场景逆渲染等 / HN 17 / Trending 20 / Reddit 0）。GitHub 风控仓库搜索仍是唯一稳定高质来源；arXiv 时间排序 + 宽松关键词采集策略已连续四期（06-13/06-15/06-16/06-17）返回 100% 噪声，累计 144 条全部无关，强烈建议改用语义嵌入过滤。

今日高信号

1. marketplace-phaas-tracker — 多品牌市场钓鱼即服务（PhaaS）拆解 + 实时追踪器【信号：★★★】

malek-alhu/marketplace-tracker 对一个多品牌 PhaaS（Phishing-as-a-Service）运营做了威胁情报拆解和无密钥实时追踪。该 PhaaS 伪装 OLX、Subito、Kleinanzeigen 等 ~120 个品牌，窃取银行卡数据 + 3-D Secure/OTP。项目包含 IOC、钓鱼工具包分析和检测签名。风控视角：钓鱼即服务是支付欺诈和账户盗用的上游黑产基础设施——PhaaS 运营者将钓鱼工具标准化、服务化，下游黑产只需购买即可大规模部署。理解 PhaaS 的工具链（品牌模板、OTP 拦截、卡数据外传）对支付风控的钓鱼检测和 OTP 安全设计有直接价值。Classiscam/Telekopye 类 PhaaS 已造成全球数亿损失。→ GitHub

2. Enterprise-Financial-Fraud-Detection — Kafka + PySpark + XGBoost 全链路 MLOps 欺诈检测【信号：★★★】

akayedackerman/Enterprise-Financial-Fraud-Detection 是端到端实时企业金融欺诈检测生态系统和分布式 MLOps 管道。技术栈：Apache Kafka 事件流 + PySpark 分布式处理 + Hadoop HDFS 存储 + XGBoost 模型 + MLflow 实验管理 + Streamlit 可视化 + Docker Compose 编排。风控视角：这是欺诈检测 MLOps 的参考技术栈——从数据接入（Kafka 流式）到特征处理（PySpark 批/流）到模型训练管理（MLflow）到推理部署（Docker），覆盖了风控模型全生命周期。与 实时风控引擎、风控数据架构 和 风控模型 直接相关，适合学习风控 MLOps 的工程实践。→ GitHub

3. upi-fraud-gnn — GNN + 流式分析检测 UPI 欺诈团伙和资金骡网络【信号：★★★】

yoelpa6680/upi-fraud-gnn 使用图神经网络和流式分析检测 UPI（统一支付接口）欺诈团伙，识别复杂的资金骡（money mule）网络。风控视角：资金骡网络检测是反洗钱和支付反欺诈的核心场景——黑产通过多层资金骡账户洗白赃款，传统规则难以发现多层跳转的团伙模式。GNN 能建模账户间的资金流转拓扑，结合流式分析实现实时团伙发现。UPI 是印度国家级即时支付系统（日均亿级交易），该场景的技术挑战具有代表性。与 反洗钱-AML、反欺诈体系 和 风控模型 关联。→ GitHub

4. IP-Knowledge-Layer — IP 情报知识层（CIDR/ASN/CDN/Tor/VPN/爬虫来源置信度）【信号：★★】

ipanalytics/IP-Knowledge-Layer 提供开放的 IP 情报富化知识层：CIDR 归属、ASN 信息、云厂商、CDN、爬虫、Tor 出口、VPN 关联网络上下文，附带来源溯源和置信度评分。风控视角：IP 情报是网络层设备风控的基础组件——每笔交易的 IP 都需要富化为风险画像（代理/VPN/Tor/数据中心/住宅 IP），用于规则引擎和模型的特征输入。该项目的亮点在于来源溯源 + 置信度评分——不同情报源的可靠性不同，融合时需要置信度加权，这是 IP 风险评分工程化的关键。与 反欺诈体系 的网络风险画像和 特征平台 的 IP 特征工程相关。→ GitHub

5. medicaid-inspector — 医保欺诈检测平台（统计异常 + 规则风险信号）【信号：★★】

dquillman/medicaid-inspector 是面向 Medicaid（美国联邦医保）提供商数据的欺诈检测平台，对 10 万+ 提供商做统计异常检测和基于规则的风险信号生成。风控视角：医保/保险欺诈是风控的重要垂直场景——医保欺诈占美国医疗支出的 3-10%，常见模式包括虚假账单、过度诊疗、身份冒用。该项目的统计异常 + 规则引擎双轨架构与金融风控类似（规则兜底 + 统计模型发现异常），但领域特征（CPT 代码、诊断-治疗合理性）不同，适合跨行业对比学习。与 保险风控 和 实时风控引擎 的规则引擎设计相关。→ GitHub

6. aml-practice-portfolio — AML/BSA 实战案例集（红旗识别 + SAR 写作）【信号：★★】

EvelynAML/aml-practice-portfolio 是反洗钱（AML）/银行保密法（BSA）学习作品集，包含案例分析、红旗信号（red flag）识别和可疑活动报告（SAR）写作练习。风控视角：SAR 写作和红旗识别是 AML 合规分析师的核心技能——技术上欺诈检测依赖模型和规则，但合规层面需要人工判断 + SAR 文档化。该作品集从分析师视角提供了实务案例（结构化拆分、贸易洗钱、虚拟货币等），对理解 AML 从「检测」到「报告」的完整闭环有价值。与 反洗钱-AML 的 CDD 和 SAR 环节直接相关。→ GitHub

7. Financial-Fraud-Risk-Engine — 全栈实时交易风险评分 ML 引擎【信号：★★】

Drgham96/Financial-Fraud-Risk-Engine 是全栈机器学习引擎，实时分析和评分交易风险，增强欺诈检测和运营洞察。风控视角：实时交易评分是支付风控的核心能力——每笔交易需要在毫秒级完成风险评分并决策（通过/拒绝/人工审核）。该全栈项目涵盖了从前端到模型推理到可视化的完整链路，适合理解交易风险评分引擎的整体架构。与 实时风控引擎 和 支付风控 关联。→ GitHub

8. payment-risk-intelligence — Azure Kafka 流式支付欺诈检测平台【信号：★★】

antoniovicenzo/payment-risk-intelligence 是基于条件定义的异常交易标记欺诈检测平台，通过 Azure Kafka 生成和处理实时流数据。风控视角：流式欺诈检测是支付风控的技术趋势——传统批处理无法满足实时拦截需求，Kafka/事件流的引入让欺诈检测从「事后分析」走向「实时拦截」。Azure Kafka 的云原生方案也值得关注（对比自建 Kafka 集群的运维成本）。与 实时风控引擎 和 风控数据架构 的流式管道设计相关。→ GitHub

9. taiwan-data-mcp — MCP Server 整合台湾公开数据含 165 防诈查询【信号：★】

kewelin/taiwan-data-mcp 是一个 MCP（Model Context Protocol）server，让 AI（Claude/Cursor）直接查询台湾公开数据：实价登录行情、公司登记查核、165 防诈查询。风控视角：165 防诈查询是台湾警政署的反诈骗专线数据库——该项目将防诈数据查询封装为 MCP 工具，让 AI agent 可以直接调用做风险判断。虽然覆盖范围较窄（台湾地区），但展示了 MCP 在风控数据查询中的新范式——将风控数据源（黑名单、企业工商、防诈库）标准化为 AI 可调用的工具，是 AI 辅助风控的有趣方向。→ GitHub

10. sentinel — 信用卡交易欺诈检测研究/Demo 平台【信号：★】

adeelone/sentinel 是面向匿名化信用卡交易数据的欺诈检测研究和演示平台。风控视角：作为教学/研究用途的欺诈检测 demo，适合入门理解信用卡欺诈检测的基本流程（数据探索、特征工程、模型训练、评估）。虽然复杂度不及生产级系统，但作为学习起点和快速原型验证有其价值。与 支付风控 的交易欺诈场景相关。→ GitHub

技术趋势

• 风控 MLOps 工程化成为焦点：Enterprise-Financial-Fraud-Detection（Kafka + PySpark + XGBoost + MLflow + Docker）展示了欺诈检测的全链路 MLOps，从数据管道到模型管理到部署编排。风控系统不再只是「训练一个模型」，而是构建可迭代的 ML 生产线。
• 流式欺诈检测成为标配：今日多个项目（Enterprise-Financial-Fraud-Detection、payment-risk-intelligence、upi-fraud-gnn）都以 Kafka/事件流为数据接入层，反映实时欺诈拦截已成为支付风控的技术基线。
• GNN 持续深入垂直场景：upi-fraud-gnn 将 GNN 应用于 UPI 支付的资金骡网络检测——继 06-15/06-16 的通用 GNN、异构 GNN、联邦 GNN、时空 GNN 之后，GNN 进入特定支付系统的团伙检测，说明技术正在从研究走向场景落地。
• IP 情报工程化：从数据到知识层：IP-Knowledge-Layer 不只是 IP 查询库，而是带有来源溯源和置信度评分的知识层——反映了网络风控情报的融合标准化需求。
• 钓鱼即服务（PhaaS）拆解揭示黑产工业化：marketplace-phaas-tracker 展示了多品牌 PhaaS 运营的完整工具链，钓鱼攻击已从个人行为升级为 SaaS 化的产业。

行业案例

• 支付欺诈 / 钓鱼：marketplace-phaas-tracker（120+ 品牌 PhaaS 拆解）展示支付欺诈上游的黑产基础设施；upi-fraud-gnn（印度 UPI 资金骡网络）展示即时支付系统的团伙检测。
• 企业欺诈检测 MLOps：Enterprise-Financial-Fraud-Detection（全栈 MLOps 管道）和 Financial-Fraud-Risk-Engine（全栈交易评分）展示两种不同复杂度的欺诈检测工程实践。
• 医保 / 保险欺诈：medicaid-inspector（10 万+ 提供商统计异常 + 规则风险信号）展示美国医保欺诈的检测方法。
• AML 合规实务：aml-practice-portfolio（红旗识别 + SAR 写作）从分析师视角展示 AML 从检测到报告的完整闭环。
• AI 辅助风控新范式：taiwan-data-mcp 用 MCP 封装防诈数据查询，展示 AI agent 调用风控数据源的新方向。

值得深入

• [ ] 拆解 Enterprise-Financial-Fraud-Detection 的 MLOps 管道架构：Kafka topic 设计、PySpark 特征工程、MLflow 模型管理、Docker 部署方案
• [ ] 对比 upi-fraud-gnn 与 06-16 financial-fraud-gnn 的图 schema 设计差异：UPI 即时支付场景 vs 通用金融场景的资金流转拓扑建模
• [ ] 研究 IP-Knowledge-Layer 的多源情报融合 + 置信度加权策略，评估可否整合进现有 IP 风险评分方案
• [ ] marketplace-phaas-tracker 的 IOC 和检测签名格式，评估能否转化为规则引擎的检测规则
• [ ] 评估 MCP 封装风控数据查询（taiwan-data-mcp 模式）在自有风控场景的可行性