风控日报 — 2026-06-30

📊 原料：45 条相关条目（GitHub 仓库搜索 50 条 / arXiv 12 条全部无关——博弈论检测边界对数定律、FRB 光谱 HI 吸收闪烁、AGN 尘埃外流 PAH 运动学、灵巧操作策略复用、多模态评估校准、模仿学习进度奖励模型、正样本唯一学习 PAC 理论、意见动力学媒体影响、ICAI 偏好辩论、电动飞机部署 MILP、双星不稳定性超新星、城市蜂窝网络流量预测 Transformer / HN 14 / Trending 20 / Reddit 0）。arXiv 数据源连续十四期（06-13→06-30）返回 100% 噪声，累计 274 条全部无关。1 个垃圾仓库已剔除（kaliarif55/Crypto-Aml-Checker-2026 "Crypto Aml Checker 2026 | Latest Setup Installer v1.0 | Full Version Pro"）。今日 GitHub 源亮点：transaction-risk-engine（Redis Streams 流式管道+行为特征+YAML 规则引擎+成本感知决策的完整交易风控引擎）、unified-fraud-detection（Aerospike Graph+Google ADK Agent 驱动的图欺诈调查平台）、DRESS（IJCAI 2026 深度强化学习增强半监督 GNN 信用卡欺诈检测）。另有 15 条已在近 1-2 期日报中覆盖（MuleShield-AI、pulseai-risk-engine、VPN-Detector、marketplace-phaas-tracker、disposable-email、defi-risk-screening、payment-channel-guide、AI_Fraud_Detection、upi-fraud-gnn、maharashtra-pride、cross-border-fraud-detection、payment-fraud-detector、SnifTern.ai、nyc-advanced-debt-surveillance、Anthropic-Cybersecurity-Skills），本轮不重复入选。

今日高信号

1. transaction-risk-engine — Redis Streams 流式交易风控引擎（行为特征+YAML 规则+成本感知决策）【信号：★★★】

Muhammedshibili688/transaction-risk-engine（0★, Python）是一个生产级实时交易风险评分引擎，核心架构极为完整：Redis Streams（流式数据摄入）+ 行为特征工程（velocity 速度/geo 地理/device 设备/spending 消费模式）+ YAML 驱动启发式规则引擎（加权规则）+ Redis 状态存储（有状态用户画像）+ 三态决策引擎（ALLOW/CHALLENGE/BLOCK）+ 离线评估管道（precision/recall/FP/FN/预期欺诈损失/审核成本），延迟目标 < 10ms。风控视角：该项目是实时交易风控引擎的教科书级参考，四个工程实践极为突出：(1) Redis Streams 做流式摄入——相比 Kafka 更轻量，适合中小规模风控管道的流式事件摄入，Redis 同时承担消息队列和状态存储双重角色，降低了基础设施复杂度。(2) 有状态行为特征工程——velocity（交易频率变化）、geo anomaly（地理位置异常）、device/IP 切换检测是 ATO（账户接管）和交易欺诈的核心行为信号，需要有状态的用户画像（最近 N 笔交易、常用设备、常用地理围栏）支撑。(3) YAML 驱动的加权规则引擎——规则以声明式 YAML 配置而非硬编码，支持运营人员无代码调整风控策略，是生产风控引擎的标准模式。(4) 成本感知决策优化——离线评估不仅看 precision/recall，还计算预期欺诈损失和审核成本，将模型性能转化为业务可理解的经济指标。与 实时风控引擎 的流式架构和 风控模型 的成本感知评估关联。→ GitHub

2. unified-fraud-detection — Aerospike Graph + Google ADK Agent 驱动的图欺诈调查平台【信号：★★★】

aerospike-examples/unified-fraud-detection（0★, Python）是 Aerospike 官方示例项目，展示了Agentic（智能体驱动）欺诈分析架构：FastAPI 后端 + Next.js 前端 + Aerospike Graph（Gremlin 图查询）做实时欺诈信号（标记账户/标记设备遍历、欺诈团伙检测）+ Google ADK（Agent Development Kit）Agent 层做自主调查。Agent 层包含三个专家 Agent：investigator（调查员）→ report_writer（报告撰写者）→ action_taker（行动执行者），以并行证据收集模式工作，并将 ADK Session/Memory/Artifact 持久化到 Aerospike。关键设计：Human-in-the-loop（人类在环）——Agent 对有后果的操作（如账户冻结）需人工授权。技术栈还包含 Zipkin 分布式追踪 + Prometheus/Grafana 可观测性。风控视角：该项目代表了风控系统从「规则+模型判定」到「Agent 自主调查」的前沿演进，三个技术维度极为突出：(1) Agentic 欺诈调查——传统欺诈检测输出二值判定（欺诈/正常），而 Agent 层可以自主收集证据（查询关联账户、分析设备指纹、追溯资金流向）、生成调查报告、甚至在人工授权下执行修复操作，将分析师的日常工作 Agent 化。(2) Aerospike Graph 做实时图查询——Aerospike 作为高性能 KV 数据库扩展图查询能力（Gremlin），在毫秒级延迟下做欺诈团伙遍历，解决了大规模图查询的延迟瓶颈。(3) ADK + Aerospike 做 Agent 记忆持久化——Agent 的调查上下文、历史案例记忆、工作工件持久化到 Aerospike，使 Agent 具备跨会话的记忆能力。与 实时风控引擎 的 Agent 化演进和 反欺诈体系 的图计算关联。→ GitHub

3. DRESS — 深度强化学习增强半监督 GNN 信用卡欺诈检测（IJCAI 2026）【信号：★★★】

linda7511/DRESS（1★, Python）是 IJCAI 2026 论文的官方实现：「Deep Reinforcement Learning Enhanced Semi-supervised Graph Neural Network for Credit Card Fraud Detection」。技术栈：PyTorch 1.12 + DGL（Deep Graph Library）0.8 + 半监督学习 + 强化学习 intrinsic reward。在三个欺诈检测基准数据集上验证：YelpChi（评论垃圾检测）、Amazon（用户-商品评论欺诈）、S-FFSD（模拟金融欺诈半监督数据集，来自 AI4Risk/antifraud 框架）。核心创新：使用深度强化学习的内在奖励（intrinsic reward）增强半监督 GNN，解决欺诈标注数据稀缺的问题。风控视角：该项目直击 GNN 欺诈检测的两个核心痛点：(1) 半监督学习解决标注稀缺——欺诈标注数据获取成本极高（需人工审核+监管确认），半监督 GNN 利用大量未标注数据（全部交易图结构）提取表征，显著降低标注需求。(2) 强化学习 intrinsic reward 引导探索——RL 的内在奖励机制鼓励模型探索标注不确定的区域（边界案例），类似于主动学习（active learning）的思路——将有限的标注预算分配给最有信息量的样本。S-FFSD 数据集来自 AI4Risk 开源社区的反欺诈框架，是金融欺诈半监督学习的标准基准。与 风控模型 的 GNN+RL 融合和 反欺诈体系 的半监督欺诈检测关联。→ GitHub · 论文待验证

4. DeviceIntelligence — Android 设备完整性 SDK（Root/模拟器/Hook 检测+JSON 报告）【信号：★★】

iamjosephmj/DeviceIntelligence（32★, Kotlin）是一个开源 Android 设备完整性检测 SDK，收集 APK 完整性、硬件密钥证明（hardware key attestation）、Root/Hook/模拟器/克隆检测信号，输出一份确定性 JSON 报告供后端决策。明确定位为「不是 RASP（Runtime Application Self-Protection）——它只观察和报告，后端拥有策略」。技术栈：Kotlin 2.0 + Gradle 插件 + JitPack 分发 + minSdk 28，构建时自动生成 APK 指纹烘焙到运行时。GDPR 友好设计。风控视角：设备指纹（device fingerprinting）是移动端风控的基础设施，三个工程实践值得关注：(1) 「SDK 采集 + 后端决策」的架构分离——SDK 只负责信号采集（Root/Hook/模拟器/克隆），不做拦截决策，决策权交给后端风控引擎。这种分离使策略调整无需发版更新 App，是移动风控的标准模式。(2) 硬件密钥证明（hardware key attestation）——利用 Android 硬件级别的密钥证明验证设备真实性，是检测高级模拟器和篡改设备的强信号（硬件签名的伪造难度极高）。(3) APK 指纹烘焙——构建时将 APK 的完整性指纹注入运行时，运行时检测 APK 是否被二次打包/篡改，是 Android 逆向防护的基础手段。与 反欺诈体系 的设备指纹和 支付风控 的移动端安全关联。→ GitHub

5. Vertex_Command_Showcase — 全栈交易执行+跟单 SaaS（规则引擎+风控引擎+实时 WebSocket）【信号：★★】

www8351/Vertex_Command_Showcase（0★, TypeScript）是一个生产级代码展示库（私有生产代码的脱敏公开版本），核心是低延迟交易执行与跟单（copy-trading）SaaS：路由引擎摄入券商 WebSocket 实时流（Tradovate/TopstepX），应用每策略风控规则，将成交实时镜像到关联账户。技术栈极为完整：React 19 + Three.js/WebGL + Express 5 + Drizzle/Postgres + Stripe。三个引擎分离设计：copy-trading-engine（跟单引擎）+ copy-trading-risk-engine（风控引擎）+ rule-engine/broker-rules（规则引擎），p95 SLO 延迟追踪。风控视角：金融交易风控引擎的工程参考：(1) 三引擎分离架构——跟单执行、风险检查、规则匹配分离为独立引擎，风控引擎作为独立中间层拦截所有交易指令，是交易风控的标准架构（风控不能耦合在业务逻辑中）。(2) WebSocket 实时流 + p95 SLO——券商数据通过 WebSocket 实时推送，风控引擎需要在毫秒级完成规则匹配，p95 延迟追踪是性能保障的关键指标。(3) per-strategy 风控规则——不同交易策略有不同的风险约束（最大回撤、单笔限额、日交易限额），规则引擎需要支持策略级别的规则隔离。与 实时风控引擎 的引擎分离架构和 规则引擎 的交易场景关联。→ GitHub

6. disposable-email — 11 万+域名一次性邮箱黑名单（每日自动更新）【信号：★★】

eramitgupta/disposable-email（36★）是一个自动更新的临时/一次性邮箱域名黑名单，覆盖 110,880+ 域名，每日自动更新，用于防止虚假注册、垃圾信息和试用滥用。风控视角：一次性邮箱拦截是营销反作弊（promotion abuse）和虚假注册防控的第一道防线：(1) 营销反作弊场景——黑产使用一次性邮箱批量注册新账户领取新用户优惠券/红包/试用权益，一次性邮箱黑名单可以在注册环节直接拦截，成本极低但效果显著。(2) 账户质量分级——邮箱域名是账户质量分（account quality score）的重要特征，使用一次性邮箱的账户天然具有更高的欺诈风险，可结合其他信号做风险分层。(3) 数据维护策略——11 万+域名每日自动更新反映了黑名单运营的现实：一次性邮箱服务商不断更换域名，黑名单需要持续更新才能保持有效性。这类「特征数据」的持续维护是风控数据工程的隐性工作。与 反欺诈体系 的营销反作弊和 特征平台 的特征数据维护关联。→ GitHub

7. ai-support-agent — RAG + 业务规则引擎的 AI 客服 Agent 原型【信号：★★】

BenHampton/ai-support-agent（0★, TypeScript）是一个生产级 AI 客服 Agent 原型，核心架构：RAG 知识检索（nomic-embed-text 向量化）+ 确定性业务规则引擎 + Ollama 本地 LLM（qwen3:8b）+ 流式聊天 UI + FDE 调试仪表盘。每条消息在调用 LLM 前经过固定的编排流程（orchestration flow）：规则匹配 → RAG 检索 → LLM 生成。风控视角：该项目展示了「规则引擎 + LLM」的协作模式，对风控运营 Agent 有参考价值：(1) 规则前置 + LLM 兜底——确定性规则引擎先处理已知模式（如「退款政策查询」「订单状态查询」），规则未命中时才调用 LLM 做开放性推理。这种模式可直接迁移到风控运营：已知欺诈模式用规则引擎处理，新型/复杂案例交给 LLM 辅助分析。(2) 本地 LLM（Ollama）——使用本地部署的 qwen3:8b 而非云端 API，满足风控场景的数据隐私要求（交易数据不能发送到外部 API）。(3) FDE 调试仪表盘——Full Debug Experience 仪表盘可视化每条消息的规则命中、RAG 检索结果、LLM 推理过程，对于风控 Agent 的可解释性和调试至关重要。与 规则引擎 的规则+LLM 协作模式和 风控模型 的本地化部署关联。→ GitHub

8. RevDadas — AI 驱动地方政府税收欺诈检测与收入预测【信号：★★】

KwikAndreas/revdadas（4★, Python/Next.js）是一个面向地方政府税收征收（local government collections）的 AI 欺诈检测与收入预测系统，技术栈：Next.js 15 前端 + Python 3.13 后端 + Prophet（时间序列预测）+ Isolation Forest（异常检测）。从 Streamlit 迁移到 Next.js，AI 计算预计算为静态 JSON 实现无服务器加载。核心场景：税收 under-reporting（少报）检测、收入 6-24 个月预测、实时仪表盘监控、基于数据的政策建议。风控视角：政府/公共部门欺诈检测是风控的非金融垂直场景：(1) 税收欺诈检测——使用 Isolation Forest 做异常检测识别 under-reporting（申报收入异常低于同行业/同地区水平），与金融欺诈的异常检测方法论一致但数据源不同（税务申报数据 vs 交易数据）。(2) Prophet 时序预测——Facebook 开源的 Prophet 做收入预测，将风控与财政规划结合——检测欺诈损失的同时预测正常收入基线，两者的差值即为潜在欺诈规模。(3) 预计算+静态 JSON 的 Serverless 模式——ML 模型推理结果预计算为静态 JSON，前端无服务器加载，适合政府 IT 基础设施受限的部署场景（无需维护 GPU 推理服务器）。与 反欺诈体系 的垂直场景扩展和 风控模型 的异常检测关联。→ GitHub

技术趋势

• 风控系统从「检测判定」向「Agent 自主调查」演进：aerospike-examples/unified-fraud-detection 展示了 Google ADK 驱动的 Agent 层自主收集证据、生成报告、执行修复（人工授权下）的完整调查闭环，预示着风控运营分析师的工作流正在被 Agent 化重构。
• 流式风控引擎的轻量化选型：transaction-risk-engine 使用 Redis Streams 而非 Kafka 做流式摄入，Redis 同时承担消息队列+状态存储双重角色——反映了中小规模风控管道的务实选型，避免 Kafka 的运维复杂度。
• GNN + 强化学习融合解决标注稀缺：DRESS（IJCAI 2026）用 RL intrinsic reward 引导半监督 GNN 探索标注不确定的边界案例，将有限标注预算分配给最有信息量的样本——是欺诈标注数据稀缺场景的前沿解法。
• 设备指纹的「SDK 采集 + 后端决策」分离模式：DeviceIntelligence 明确定位为「只观察和报告，不是 RASP」，设备信号采集与风控策略决策分离——策略调整无需 App 发版，是移动风控的标准工程实践。
• 规则引擎 + LLM 的协作编排：ai-support-agent 展示了规则前置（确定性处理）+ LLM 兜底（开放推理）+ 本地部署（数据隐私）的模式，可直接迁移到风控运营 Agent 的架构设计。

行业案例

• Agent 驱动的欺诈调查闭环：unified-fraud-detection 的三个专家 Agent（investigator → report_writer → action_taker）以并行证据收集模式工作，人类在环控制有后果的操作（账户冻结等），展示了金融机构欺诈调查工作流的 Agent 化重构方向。
• 金融交易跟单风控的三引擎分离：Vertex_Command 将跟单执行、风险检查、规则匹配分离为独立引擎，风控引擎作为中间层拦截所有交易指令，p95 SLO 延迟追踪保障实时性——是券商/自营交易风控的工程标杆。
• 地方政府税收欺诈检测：RevDadas 将 Isolation Forest 异常检测 + Prophet 时序预测应用于税务 under-reporting 检测，展示了风控技术在公共部门财政场景的垂直延伸，预计算+Serverless 部署模式适合 IT 基础设施受限的环境。

值得深入

• unified-fraud-detection 的 Google ADK Agent 编排：三个专家 Agent（investigator/report_writer/action_taker）的并行证据收集和 human-in-the-loop 授权机制，是 Agentic 风控的前沿实现，值得深入研究其 Agent 编排逻辑和 Aerospike 记忆持久化方案。→ GitHub
• DRESS 的 RL intrinsic reward 引导探索：强化学习内在奖励如何引导半监督 GNN 聚焦标注不确定的边界案例，这一机制对于风控场景的主动标注策略（将有限标注预算分配给最有信息量的样本）有直接参考价值。→ GitHub
• transaction-risk-engine 的成本感知决策优化：离线评估计算预期欺诈损失和审核成本的做法，将模型性能转化为业务可理解的经济指标，值得研究其损失/成本计算模型。→ GitHub