📄 Daily Digest

风控日报 — 2026-07-24

📊 原料：46 条相关条目（GitHub 仓库搜索 37 条 / arXiv 9 条全部无关——1-bit mMIMO 检测的映射 ADMM [通信/信号处理]、爱因斯坦望远镜明亮警笛 H₀ 精密测量 [宇宙学/引力波]、CCAT 深度光谱巡天数据清洗 [天体物理/光谱学]、ATSplat 紧凑前馈 3D 高斯泼溅 [3D 视觉合成]、Lipschitz 随机函数强定律 [纯数学]、纯差分隐私统计查询释放 [理论密码学]、迷你人形遥操作 VR+RL [机器人学]、Persian Pixel 大规模波斯语 OCR 数据集 [OCR/语言学]、激活解释可解码性监督 [LLM 可解释性]——全部 9 篇为 2607.20xxx 批次，内容仍为全噪声）/ HN 15 条和 Trending 20 条经去重后无风控相关条目入选）。arXiv 全噪声小计：07-16 打破的连续 24 期 100% 噪声记录后又连续 7 期（07-17、07-19、07-20、07-21、07-22、07-23、07-24）全噪声，累计 447 条中 1 条相关，噪声率 99.8%。07-24 返回的 2607.20xxx 批次与 07-23 高度重叠，内容仍为全噪声——进一步确认根因是查询关键词匹配过松。17 条已在近 1-2 期日报中覆盖或剔除（FFraud-com/disposable-email-domains [数据库]、FFraud-com/ip-fraud-database [数据库]、WuChenDi/fingerprintd [07-23 已覆盖]、batterycat/message-unpacked [教学活动]、Kennurken/qalqan-ai [07-20 已覆盖]、vinicius-ssantos/accountshield-orchestrator [07-22 已覆盖]、adrimg3196/lucidfence [07-21 已覆盖]、dquillman/medicaid-inspector [07-23 已覆盖]、dhruvbadhe/sba-loan-risk-engine [07-21 已覆盖]、Migelitz/sentinel-risk-engine [07-23 已覆盖]、Muhammedshibili688/transaction-risk-engine [07-23 已覆盖]、fangzheng698-lang/agent-prod [07-23 已覆盖]、primatewakeisland574/payment-channel-guide [纯文档]、malek-alhu/marketplace-phaas-tracker [07-17 已覆盖]、DevChiniwala/AegisOS [07-23 已覆盖]、jaisimha18/graph-based-fraud-detection-gnn-graphsage [07-22 已覆盖]、ceemv22/sentinelpay [07-21 已剔除]），本轮不重复入选。另有 12 条垃圾/无关/教学级项目已剔除（ASHISH777-ux/Credit-Card-Fraud-Detection-Model [LR/RF 基础教程]、sadafrasooli5-png/fraudguard-bank [demo bank app]、yvesgnonhoue/fraud-detection-logistic-regression [LR 基础教程]、cwmaguire/egre [Erlang 游戏规则引擎 MUD/塔防]、wingedsheep/argentum-engine [MTG 游戏引擎]、phase-rs/phase [Rust 游戏客户端]、Kenny27lokku/prompt-integrity-validator [提示词 lint 工具]、TSEC-GRC/tsec-website [RegTech 落地页]、tejaswinivankia9/online-payments-fraud-detection [作品集项目]、Prateek7651/Payment-Fraud-Detection [基础 notebook]、eramitgupta/disposable-email [邮件域名黑名单数据源]、matthieu-sql/Fraud-Analytics-SQL [纯 SQL 单句描述]）。今日筛出 8 条新增高信号条目，覆盖联邦学习跨机构 AML 协同、实时支付风控+双分录账本+幂等对账、多 Agent 国家级反电信欺诈平台、移动支付实时流式欺诈检测、实时多边净额结算风险引擎、LLM 驱动消费者反欺诈分析、蒙特卡洛 VaR+NLP 情绪调整市场风险、亚 100ms 混合规则+向量搜索欺诈检测等方向。

今日高信号

1. Collaborative-Fraud-Intelligence-Simulator (yusufcalisir) — 联邦学习跨机构 AML 协同模拟平台（PyTorch MLP → 差分隐私 Opacus → SecAgg 密码学掩码 → 拜占庭鲁棒聚合 → 金丝雀 AUC 门控 → 9 信号复合评分 → SHAP）【信号：★★★】

yusufcalisir/Collaborative-Fraud-Intelligence-Simulator（0★, Python 3.12 + React 19）是一个生产级联邦学习模拟框架，演示隐私保护、跨机构金融欺诈检测与协同 AML 情报。核心命题：多家银行如何在不暴露客户 PII、不违反 GDPR/CCPA/银行保密法的前提下，协同训练 ML 模型并共享风险指标来阻止跨机构欺诈环。

完整管道分 8 层：(1) 本地 PyTorch MLP 训练（分层私有 holdout 分割）；(2) 差分隐私（L2 梯度裁剪 + 噪声注入，Opacus 后处理/集成模式）；(3) 出站异常防御 SecAgg（成对密码学掩码，防梯度投毒）；(4) 拜占庭鲁棒服务器聚合（FedAvg / Krum / Coordinate Median 三种策略可选）；(5) 金丝雀测试门控（全局模型 AUC-ROC 达标才推广）；(6) 9 信号复合风险评分（0-1000 分）；(7) Kernel SHAP 模型可解释性（特征贡献归因）；(8) MLOps 遥测套件（MLflow + Prometheus + Grafana + Jaeger 分布式追踪）。

风控视角：这个项目是\"联邦学习在反洗钱中的完整工程参考\"：(1) 跨机构 AML 的核心困境——欺诈环跨银行操作（在 A 银行开户→B 银行转账→C 银行提现），单机构视角无法看到全链条；联邦学习让各银行共享模型梯度而非原始数据，在不泄露客户信息的前提下协同提升检测。(2) 差分隐私在联邦学习中的双重作用——防止从梯度反推训练数据（梯度可能泄露 PII），同时满足 GDPR 的\"数据最小化\"原则。(3) SecAgg 密码学掩码防梯度投毒——恶意参与方可通过投毒梯度破坏全局模型，成对掩码确保服务器只能看到聚合结果而非个体梯度。(4) 拜占庭鲁棒聚合——Krum 算法选择\"与其他梯度最相似的 n-f 个梯度的欧式距离最小的梯度\"，Coordinate Median 取每维中位数，都是抵抗投毒的经典策略。(5) 金丝雀门控 = 模型上线安全网——全局模型推广前先在金丝雀环境验证 AUC，防止投毒或漂移导致的低质量模型上线。与 反洗钱-AML 的跨机构协同和 风控模型 的联邦学习关联。→ GitHub

2. ClearLedger (TarunT27) — 实时支付风控+双分录账本+幂等对账引擎（Java 21 + Spring Boot + PostgreSQL + CAS 修复）【信号：★★★】

TarunT27/clearledger（0★, Java 21 + Spring Boot 4.1 + PostgreSQL + React 19）解决一个看似简单实则极难的问题：支付服务如何同时接受重试、评估风险、过平衡账本、并在超时后恢复——而不重复扣款？ 三个内置场景让安全属性可见：(1) 正常支付经风控评估→记账→批准；(2) 相同幂等键的两个请求解析为一笔支付和一条账目；(3) 超时发生在平衡账目提交后、状态定稿前——对账验证已有账目并CAS（compare-and-swap）定稿，不写第二条账目。

技术栈：Java 21 virtual threads + Spring Boot 4.1 + JPA + Flyway 迁移 + PostgreSQL 约束保证双分录平衡 + REST API 幂等键冲突检测 + 结构化审计事件 + React 19 + Vite + Vitest + Playwright + 多阶段非 root 容器 + Docker Compose + GitHub Actions + CodeQL + GHCR。

风控视角：这个项目的价值在于\"把支付安全属性做成可演示的\"：(1) 幂等键是支付防重扣的第一道防线——同一幂等键的两个请求只产生一笔支付，防止网络重试导致重复扣款，这是支付系统的基本安全要求。(2) 超时恢复的 CAS 模式——超时发生在记账后但状态定稿前时，对账 worker 检查已有账目是否平衡，然后用 CAS（乐观锁）将状态从 pending 改为 final，避免了\"写第二条账目\"的灾难。(3) 双分录账本的平衡约束——PostgreSQL 约束确保每笔交易的借贷必须平衡（debit + credit = 0），这是金融级账本的正确性保证。(4) 可解释风控信号——异常金额、重复尝试、新收款方、velocity 四维信号，每个都有明确的语义解释而非黑箱分数。(5) virtual threads 的延迟优势——Java 21 virtual threads 让高并发支付处理不依赖传统线程池的上下文切换开销。与 实时风控引擎 的支付安全和 风控数据架构 的账本一致性关联。→ GitHub

3. DigitalRaksha (Shaheen010507) — 多 Agent 国家级反电信欺诈平台（Kafka 事件总线 + 5 专业 Agent + GNN 骡子网络检测 + 4 利益相关方）【信号：★★★】

Shaheen010507/digitalraksha（0★, JavaScript/Python，ET AI Hackathon 2026）自称\"国家级数字免疫系统\"，将电信欺诈响应从事后调查转向事前预测阻止。核心洞见：电信记录、银行交易流、警察 FIR 记录分散在不同系统中，DigitalRaksha 通过 Kafka 事件总线跨三个域持续关联信号，在资金离开受害者账户之前检测和阻止欺诈。

5 个专业 AI Agent 运行在 Kafka 事件总线上：(1) NLP 诈骗话术 Agent——实时分析通话转录中的冒充关键词；(2) Deepfake 语音 Agent——扫描音频中的合成声音克隆频谱特征；(3) GNN 图 Agent——Louvain/GraphSAGE 社区检测识别骡子账户网络；(4) 风险评分 Agent——聚合所有信号为 0-100 演进风险分；(5) 证据 Agent——自动编译 Section 65B BSA 法庭可采信档案。服务四个利益相关方：公民（设备端实时通话防护 + AR 假币扫描 + 一键冻结）、银行（实时风险评分 API + SHAP 解释 + 骡子账户观察名单）、警察（中央分流看板 + 交互式 GNN 欺诈图 + 自动生成法庭档案）、电信（来电信誉源 + 批量自动通话激增监控）。

风控视角：这个项目的价值在于\"跨域信号融合\"的系统性设计：(1) 电信欺诈的核心矛盾——信任不对称——诈骗者利用恐惧（冒充 CBI/缉毒的\"数字逮捕\"电话）比公民教育快得多，需要实时在通话中而非通话后预警。(2) 骡子账户洗钱的流式检测——欺诈资金在 10-50 个账户间分层流转，静态 velocity 规则无法捕获；GNN 社区检测通过资金流转网络拓扑发现骡子集群。(3) Deepfake 语音检测的前瞻性——AI 语音克隆技术使\"声音是本人\"的假设不再成立，频谱特征分析是检测合成语音的技术手段。(4) 法庭可采信档案自动化——证据 Agent 编译 Section 65B BSA 标准档案，从检测到起诉形成闭环，这是\"风控→执法\"的关键桥梁。(5) 诚实评估——ET AI Hackathon 2026 参赛项目，实现深度待验证。与 反欺诈体系 的电信欺诈和 风控模型 的 GNN 图检测关联。→ GitHub

4. FraudSentinel AI (techieemike) — 移动支付实时流式欺诈检测平台（Kafka 流处理 + XGBoost/LightGBM 27 特征 + 多渠道告警 + 全栈 Turborepo）【信号：★★★】

techieemike/fraudsentinel-ai（0★, TypeScript + Python 3.14）是面向移动货币交易的实时欺诈检测与风险分析平台。完整管道：数据生成器 → Kafka → 流处理器 → ML 评分 → NestJS API → PostgreSQL → Next.js 仪表盘，检测到欺诈时触发即时多渠道告警。

技术栈完整度极高：前端 Next.js 16 + React 19 + TypeScript + Tailwind + Recharts + WebSocket 实时推送；后端 NestJS 10 + Prisma ORM + PostgreSQL 16 + Redis 7；ML 层 Python 3.14 + FastAPI + scikit-learn（XGBoost + LightGBM）+ 27+ 特征；流处理 Apache Kafka + Python stream processor；通知 Gmail SMTP + Slack Webhooks + WebSocket；基础设施 Docker + Docker Compose + Turborepo + pnpm workspaces。

风控视角：这个项目展示了\"移动货币欺诈检测的生产级全栈组装\"：(1) Kafka 作为欺诈检测的流式中枢——移动货币交易天然是事件流，Kafka 的分区并行 + 消费者组实现水平扩展，适合发展中国家移动支付的高吞吐场景（如 M-Pesa 级别）。(2) 27+ 特征的工程含义——相比单一模型，27+ 特征覆盖了交易维度（金额/频率）、设备维度（指纹/IP）、行为维度（时间模式/地理位置），是多维信号融合的基础。(3) 多渠道告警的运营价值——检测到欺诈后，告警必须触达正确的人（SMTP 给分析师、Slack 给值班团队、WebSocket 给实时仪表盘），\"检测→响应\"的闭环效率取决于告警触达速度。(4) Turborepo + pnpm workspaces 的 monorepo——前后端 + ML 在同一仓库，共享类型定义和配置，降低了多服务项目的协调成本。(5) ⚠️ 注意：仓库描述字段声称使用 GNN/Vertex AI/自动漂移重训练，但 README 实际描述的是 XGBoost/LightGBM 管道，描述字段与实现存在不一致。与 实时风控引擎 的流式架构关联。→ GitHub

5. obligation-net-optimizer (vridhib) — 实时多边净额结算风险引擎设计（义务图 → 最优净头寸 → 结算批次 → 最小化流动性占用）【信号：★ · ⚠️ 设计阶段无代码】

vridhib/obligation-net-optimizer（0★, Python + TypeScript + Django + Next.js）声称是实时多边净额和结算风险引擎，计划摄取支付义务流，维护动态义务图，持续计算最优净头寸和结算批次以最小化流动性占用和结算失败。注意：验证发现仓库仅有 README + LICENSE，无任何实现代码，为设计阶段/概念项目。

风控视角：结算风险概念本身值得理解（尽管此项目仅为设计）：(1) 多边净额的流动性效率——A 欠 B 100、B 欠 C 100、C 欠 A 100，净额为零但每方需 100 流动性；净额结算将三笔 300 的总流量压缩为 0，极大节省流动性。(2) 结算风险的两种类型——Herstatt 风险（时区差导致的一方已交付但对方未交付）和流动性风险（一方违约导致连锁结算失败）。(3) 最优批次的 NP-hard 挑战——将义务分组为结算批次以最大化净额抵消、最小化结算失败概率，是一个组合优化问题。⚠️ 因仓库无实现代码，仅作为\"结算风险概念参考\"保留，实现深度不可评估。→ GitHub

6. TrustScore (sarahalomran) — LLM 驱动消费者反欺诈分析平台（Llama 3.3-70B + Groq API + 阿英双语 + 多类型内容分析）【信号：★★】

sarahalomran/TrustScore（0★, React + TypeScript + Node.js/Express）是一个 AI 驱动的欺诈检测 Web 应用，帮助用户在接触前识别诈骗、钓鱼、可疑链接、邮件、工作邀约和合同。使用 LLM（Llama 3.3-70B 通过 Groq API + OpenAI SDK）分析用户提交的内容，输出：信任评分、风险等级评估、检测到的诈骗指标、AI 生成的解释、安全建议。支持阿拉伯语和英语双语界面。

风控视角：LLM 在消费者端反欺诈的应用：(1) LLM 对社工攻击的独特优势——传统规则引擎检测已知模式（如特定 URL 黑名单），LLM 能理解语义层面的欺诈意图（如\"冒充招聘要求预付费用\"），适合对抗不断进化的社工话术。(2) \"可解释的\"AI 风险评估——不只是给一个分数，而是列出检测到的具体诈骗指标和安全建议，帮助用户理解\"为什么可疑\"。(3) 从企业风控到消费者风控的延伸——TrustScore 面向 C 端用户而非企业风控团队，填补了\"消费者缺乏实时欺诈分析工具\"的空白。(4) Groq 推理的低延迟价值——消费者场景对延迟敏感（用户在浏览可疑页面时需要即时反馈），Groq 的 LPU 推理使 70B 模型的响应时间可接受。→ GitHub

7. Portfolio-Risk-Dasboard (Amani-tz) — 蒙特卡洛 VaR + NLP 情绪调整市场风险引擎（10,000 次模拟 + VADER 情绪 + Excel→Python→Power BI 全链路）【信号：★★】

Amani-tz/Portfolio-Risk-Dasboard（0★, Python 3 + Excel + Power BI）是一个端到端量化组合风险引擎，计算 1 周 VaR（Value at Risk）和 ES（Expected Shortfall），通过实时金融新闻 NLP 情绪分析动态调整。流程：从 Excel 读取持仓 → Yahoo Finance 下载 5 年日价格历史 + 抓取新闻标题 → NLTK VADER 情绪打分（-1.0 到 +1.0）→ 负面新闻自动放大模拟波动率 → 蒙特卡洛 10,000 条 5 日路径 → 输出风险指标和分布曲线到 CSV → Power BI 可视化。

风控视角：市场风险的工程化实现（区别于欺诈/信用风险）：(1) VaR 与 ES 的互补性——VaR 回答\"最坏情况下的 N% 分位损失\"，ES（条件 VaR）回答\"超过 VaR 时的平均损失\"，ES 在极端尾部更保守，Basel III 已转向 ES。(2) NLP 情绪调整波动率的直觉——负面新闻预示更高不确定性，将情绪分数映射到波动率乘数，让风险指标反映实时市场情绪而非纯历史统计。(3) Excel→Python→Power BI 的\"公民开发者\"数据流——不依赖专业数据平台，用 Office 生态完成端到端分析，适合中小型机构的轻量级风险管理。与 风控模型 的市场风险方法论关联。→ GitHub

8. FraudGuard (Cohort-Hackathon-2026) — 亚 100ms 混合规则+向量搜索欺诈检测概念（⚠️ 空仓库，仅设计声明）【信号：★ · ⚠️ 待验证】

Cohort-Hackthon-2026/fraudguard-frontend（0★）自称在 100ms 内检测实时支付欺诈，使用混合规则检查、向量搜索和 AI 风险解释。注意：验证发现仓库为空（无任何文件），以下为设计声明层面的分析。

风控视角：向量搜索在欺诈检测中的潜力值得追踪（纯概念，无实现）：(1) 向量搜索 = 欺诈模式相似度匹配——将交易编码为嵌入向量，用 ANN（近似最近邻）搜索历史欺诈库中相似的模式，\"这笔交易与已知的欺诈模式有多像\"是一种互补于规则的检测维度。(2) 混合规则 + ML 的工程趋势——纯规则漏报率高、纯 ML 可解释性差；混合架构先用规则快速路径过滤明显案例，再用向量搜索+ML 处理边界案例。⚠️ 因仓库完全为空，无法评估实现，仅作为\"向量搜索欺诈检测\"方向的信号追踪。→ GitHub

技术趋势

  1. 联邦学习成为跨机构反洗钱的核心范式：Collaborative-Fraud-Intelligence-Simulator 展示了完整的联邦 AML 管道（差分隐私 + SecAgg + 拜占庭鲁棒聚合 + 金丝雀门控），代表了\"数据不出域但模型协同\"的合规方向——在 GDPR/银行保密法约束下，联邦学习是跨机构 AML 协作的唯一技术路径。
  2. 支付安全属性的工程化演示：ClearLedger 用三个可演示场景（正常/幂等重复/超时恢复）将\"幂等性\"\"双分录平衡\"\"CAS 对账\"这些抽象的支付安全概念可视化——支付风控不只是评分，还包含\"如何安全记账\"的基础设施级安全。
  3. 多 Agent 架构渗透反欺诈全链路：DigitalRaksha 的 5 Agent 设计（NLP 话术/Deepfake 语音/GNN 图/风险评分/证据档案）展示了 Agent 从\"单一模型评分\"到\"全链路调查协作\"的扩展——每个 Agent 负责一个专业维度，Kafka 事件总线协调。
  4. 向量搜索作为欺诈检测的新维度：FraudGuard 的向量搜索思路（虽为 hackathon）指向一个趋势——从\"规则匹配\"和\"模型评分\"之外，增加\"嵌入相似度\"作为第三个检测维度，特别适合检测\"已知欺诈的变种\"。

行业案例

值得深入