风控日报 — 2026-08-17

📊 原料：45 条相关条目（GitHub 仓库搜索 34 条 / arXiv 11 条全部无关——与 08-15 完全相同的 2608.135xx 批次（论文 ID 逐一相同：QKD 因果序、TESS、单量子比特、AutoDesign、OmniScientist、V-RAE、Defensive Boosting、Jaccard、Clifford、Toeplitz、核子 V_B），API 缓存重现（同 07-26/07-27 模式），已知噪声直接跳过）/ HN 21 条和 Trending 20 条经去重后无风控相关条目入选）。arXiv 全噪声小计：连续 23 期（07-17→08-17，跳过 07-25、08-16 和其他无调度日）全噪声，累计 664 条中 1 条相关，噪声率 99.8%。~18 条已覆盖、非风控或数据库/stub 剔除（lucidfence [08-07]、antifraud-knowledgehub [08-12]、marketplace-phaas-tracker [08-15]、home-test-membrane-labs [08-15]、SupplyChain-Risk-Engine [08-14/非金融]、perishable-inventory [非金融]、FFraud-com ×2 [数据库]、api-evangelist ×2 [公司画像 stub]、pgrecon/prompt-integrity-validator [非风控]、mault [TCG 硬件分拣]、gsd-2 [coding agent]、co-rar [Claude 插件]、graph-fraud-ai [08-13]、FinGuard-AI [08-14 空仓]、fraudguard-frontend [验证确认：NestJS 后端不存在，纯 MSW mock 的前端壳，"sub-100ms/vector search" 均为 mock 响应]）。⚠️ 恶意仓库：新确认 2 个，同日 08-16 README 改造浪潮——bintang3703/fraud-detection-credit-mlops（真实作品集劫持：2026-03/04 葡语 Streamlit 真实应用 + 08-16 单次 README 改造为 in-repo zip 下载漏斗 data/detection_credit_fraud_mlops_1.7.zip，08-15 变体复发）和 paulineconsuming416/upi-fintech-analysis（生成账号诱饵：真实 notebook+CSV 作掩护，README 徽章指向 visuals/upi_analysis_fintech_3.4.zip，重复 3 次 + "Extract All" 话术）——版本化 zip 命名（_1.7/_3.4）= 同一活动模板，累计已确认 17 个恶意仓库。持续残留 7 个不重复验证：defi-risk-screening（07-26）、Syntecxhub（07-27）、VPN-Detector（07-26）、payment-channel-guide（08-09）、cross-border-fraud-detection（07-26）、upi-fraud-gnn（07-26）、aml-checker-pro-master（07-29）。今日筛出 7 条新增高信号条目，UPI 生态占 3 条。今日核心亮点是 PayShield——一个 GNN+规则+LLM 三层混合的 UPI 欺诈检测引擎，L2 图模型带 40ms 超时守卫和规则回退、诚实指标（GNN PR-AUC 0.4125 vs 无边 MLP 0.1028，4.0× 归因）和 19-bug 修复日志（含 PSI 估计器修正 43.4→3.86），是混合架构 + 诚实评估文化的工作参考。

今日高信号

1. PayShield (purvanshh) — UPI 欺诈检测三层混合引擎（L1 统计规则 12 条 Redis velocity/geo/Benford + L2 PyG HeteroConv/GraphSAGE 条件融合 + 40ms 超时守卫→L1 回退 + L3 异步 LLM 调查 Celery+Ollama + PSI 漂移 + 哈希链审计 + 诚实评估 GNN PR-AUC 4.0× 归因 + 19-bug 修复日志）【信号：★★★】

purvanshh/PayShield（0★, Python FastAPI + PyTorch Geometric + Celery, 2.4MB, 113 commits 2026-07-29→08-15 密集提交, 全合成数据 + 诚实自审计）是一个三层递进式 UPI 欺诈检测引擎——每层有真实代码（389 blobs），每个架构层都可验证。

三层架构：

诚实评估文化：(1) GNN 边的归因实验——PR-AUC 0.4125（带图结构）vs 无边 MLP 0.1028，4.0× 提升归因于图信息而非模型容量；(2) 19-bug 修复日志公开记录，含 PSI 估计器修正（43.4→3.86）；(3) model cards 主动纠正早期夸大（"AUC>0.92 从未实测过"）；(4) 每周门控重训工作流（improvement-gate）。

合规工程化：PCI/RBI/EU-AI-Act 检查器是程序化代码而非文档声明；JWT+API-key+TOTP 认证；Prometheus/Grafana 可观测。

风控视角：GNN+规则+LLM 混合架构的生产形态参考：(1) 40ms 超时守卫 + 规则回退是"模型不可用时降级"的弹性设计——实时风控引擎中 GNN 推理超时回落到统计规则，保证延迟 SLA 不因模型层抖动破裂——这是混合架构最常被忽略的工程问题。(2) GNN 归因实验（4.0×）方法论——用无边 MLP 作对照量化图结构的边际贡献，比单纯报 GNN 指标更可信。(3) 诚实自审计文化（bug 日志 + model card 纠错 + 承认 stub）与 08-14 aghasalim 的决策追踪、08-15 narendranathe 的自列缺陷一脉相承。(4) ⚠️ 全合成数据，指标数值不可直接对标生产。与 反欺诈体系的混合架构和 风控模型的 GNN 评估关联。→ GitHub

2. Sentinel UPI Risk Engine (SyedHuizaifa12) — 实时 UPI 风险引擎（feature_lib 点时正确性测试 + 冷/热双校准器 + 成本矩阵→allow/warn/review/block + reason codes + Redis Streams + PSI 漂移 + 选择性标注偏差设计文档）【信号：★★】

SyedHuzaifa12/sentinel-upi-risk-engine（0★, Python + FastAPI + Redis Streams + MLflow, 11.1MB, 6 commits 全部 08-16, 224 blobs 含测试）是一个事件驱动实时 UPI 交易风险引擎——本批技术密度最高的仓库。

核心实现：(1) feature_lib 特征库——registry + Redis/Postgres/内存三种存储后端 + fan-in 帧聚合 + 专门的点时（point-in-time）正确性测试 tests/test_pit_correctness.py；(2) LightGBM + temporal split（时序切分防泄露）；(3) 冷/热双校准器——cold_calibrator.pkl + reliability_cold/warm.json（Brier/ECE），新流量冷启动与成熟流量分开校准；(4) 成本矩阵决策——policy/{cost_matrix,thresholds,decide,reason_codes}.py 生成 allow/warn/review/block 四级决策 + 原因码；(5) 决策日志落 Postgres（decisionlog/）；(6) pipelines/drift_check.py PSI 漂移检测 + 回测 harness + CI 门禁。

⚠️ README 滞后（反向描述修正）：README 仍描述旧版 "Smart UPI Fraud Detection" Django+RandomForest 应用（3,075 行 Kaggle CSV）——代码已远超 README，limitations 里声明的"无漂移检测/无特征注册表"实际都已实现。读代码不读 README。

教科书级设计讨论：DESIGN.md 对选择性标注偏差（reviewed-case precision 因只审核被标记案例而虚高）和冷启动漂移伪影的处理是生产风控少见的清醒论述。

风控视角：特征平台 + 校准 + 成本决策的紧凑教学实现：(1) 点时正确性有专门测试——特征平台的 PIT 正确性（防特征穿越）通常只在论文里讨论，这里落成了可运行的测试——与 08-13 HarshaSanka 密封边界、08-14 aghasalim 泄露量化构成防泄露工程纪律光谱的第三步。(2) 冷/热双校准器——新渠道/新客群冷启动期的概率失准是生产痛点，分开校准是正解。(3) 选择性标注偏差——人工审核偏差使"审核集精确率"天然虚高，DESIGN.md 的论述值得所有做案件闭环的团队读。与 风控模型的校准和 实时风控引擎的特征平台关联。→ GitHub

3. Robson (ldamasio) — Rust 加密期货执行与风险引擎（月度风险预算+熔断+恐慌 kill switch API + 技术止损定仓公式 ADR-0039 + 双层止损执行 + 对账 worker 自动平仓 + 事件溯源审计 + 7 年 765 commits + ADR 决策记录）【信号：★★】

ldamasio/robson（7★ + 4 forks, Rust workspace + SvelteKit dashboard, 121MB, created 2019-12-30, 765+ 人工 commits 近乎持续维护）是本批最成熟的长寿仓库——固定 1x 杠杆加密期货的执行与风险引擎：操作员决定入场，Robson 按确定性风险政策执行和管理退出。

硬限额工程：(1) 月度风险预算——4%/月 + 熔断器 + monthly-halt/panic kill switch API；(2) 定仓公式（ADR-0039）——size = (capital×1%) / (stop_distance + gap_allowance + round_trip_fees)，滑点与手续费进分母；(3) 双层止损执行——软件监控层 + 交易所驻留 reduce-only 止损单兜底（软件挂了交易所侧仍触发）；(4) 对账 worker（ADR-0022）——自动发现并平掉系统外的未跟踪持仓；(5) 事件溯源审计日志 + SSE 投影；生命周期 Armed→Entering→Active→Exiting→Closed 经治理的 ExecutionQuery 状态机。

风控视角：限额管理/熔断/审计的非 ML 半边教科书：(1) 风控系统 = 预测层（ML）+ 执行层（硬限额+熔断+对账）——robson 是后者的完整参考：预算计量（ADR-0043）、确定性退出语义、fail-safe 设计、审计不变量。(2) 双层止损 = 风控措施的自身容错——"规则引擎挂了谁来拦"对应支付风控的"主引擎超时谁兜底"（与今日 PayShield 的 40ms 超时守卫同一命题）。(3) ADR + runbook + 数据契约版本化的 7 年工程纪律在个人项目里极罕见。市场/交易风控而非支付风控，但限额框架直接可迁移。与 风控策略的限额管理和熔断关联。→ GitHub

4. DPFRIS (the-irritater) — 数字支付欺诈与风险情报系统（XGBoost+Platt 校准 + Isolation Forest + 有状态 velocity 存储 + NetworkX 骡子账户/环检测 + 80/10/10 混合评分→ALLOW/REVIEW/BLOCK + 成本阈值表 + FastAPI/Streamlit/Docker/CI）【信号：★★】

the-irritater/Digital-Payment-Fraud-and-Risk-Intelligence-System（0★, Python, 1.8MB, 15 commits 全部近两周, 48 blobs 含模型工件/测试/报告）是一个混合 ML+异常检测+规则的支付欺诈决策系统——PaySim + 合成印度 UPI 数据。

实现要点：(1) Optuna 调参 XGBoost + Platt 校准（Brier/ECE 评估）；(2) fitted Isolation Forest 异常分支；(3) 有状态客户 velocity 存储（customer_state.py）——实时风控的特征存储雏形；(4) NetworkX MultiDiGraph 骡子账户/资金环检测（graph_fraud.py）；(5) 混合风险引擎 80/10/10（ML/异常/规则加权）→ ALLOW/REVIEW/BLOCK；(6) 成本最小化阈值表落盘（reports/threshold_cost_table.csv）；(7) FastAPI + Streamlit + Docker + CI + 6 个测试模块。

风控视角：混合权重评分的紧凑参考实现：(1) 80/10/10 显式加权融合——把 ML 分、异常分、规则分线性组合为 composite score 0-100，是"规则+ML 如何共存"最直接的答案之一（与 08-12 SentinelPay 的规则分+ML 概率组合、今日 PayShield 的三层递进形成设计光谱：加权融合 vs 层级递进）。(2) velocity 有状态存储——账户级交易频率特征的内存状态管理，实时风控 feature store 的最小实现。(3) ⚠️ 合成数据 + "production inspired" 定位诚实。与 实时风控引擎的混合评分和 反欺诈体系的骡子账户检测关联。→ GitHub

5. FraudLens (themanoj-025) — 信用卡欺诈检测全栈（6 模型对比 + XGBoost 部署 + SHAP + 业务成本阈值优化 + FAISS 相似案例 RAG + Claude LLM 叙事 + MLflow 漂移 + k8s/locust/CodeQL ⚠️ GitHub 活动 farming）【信号：★】

themanoj-025/Credit-Card-Fraud-Detection-System（0★, Python FastAPI + Streamlit, 370KB, 44 commits, 2026-08-15 创建）是一个 Kaggle creditcard.csv 上的全栈欺诈检测系统——predict/explain/chat/similar 四组 FastAPI 路由 + Streamlit 五页 UI。

实现要点：(1) 6 模型对比、XGBoost 部署、SHAP 解释；(2) business_cost.py 阈值优化——业务成本最小化的决策阈值（成本敏感决策连续第 5 日出现）；(3) PR-AUC 主导评估 + 无泄露标准化声明 + LightGBM 工件不匹配的诚实披露；(4) FAISS 相似案例 RAG——调查员查历史相似案件；(5) Claude LLM 案件叙事 + MLflow 漂移 + k8s 清单 + locust 压测 + CodeQL/gitleaks CI。

⚠️ GitHub 活动 farming 红旗：近期 commits 全是 chore: automated activity trigger (#NN) 机器人提交，27 个 open issues 均为自生成的 bot 刷屏——真实代码之上的活动美化。评估仓库时"commit 数量"这一信号已被污染，需看 commit 内容分布。

风控视角：分析师工具组合的新噪音信号：(1) 相似案例 RAG（FAISS）+ LLM 叙事——案件调查的"找相似 + 写摘要"自动化，是 LLM 在风控调查环节最落地的两个用途。(2) 活动 farming 作为仓库可信度新噪音——commit/issue 数量可刷，验证时必须抽样 commit message 内容。与 风控模型的评估和 反欺诈体系的调查工作流关联。→ GitHub

6. GS Risk Engine (xoxo7777) — Java Spring Boot 期权风险服务（Greeks 计算接口 + 输入校验 + Redis 5 分钟缓存 + Python Monte Carlo VaR 服务 + 真实单元测试 + docker-compose 双服务）【信号：★】

xoxo7777/gs-risk-engine（0★, Java Spring Boot + Python, 36KB, 2026-08-16 单日创建, 49 blobs, 无 README）是一个市场风险微服务双件套——Java risk-api（GreeksController/Service + 参数校验 + Redis 缓存）+ Python monte-carlo（Black-Scholes 定价、隐含波动率、相关性模型、Monte Carlo、VaR 计算器，每个模块带真实单测 ~3-5KB）。描述里的 "targeting Goldman Sachs" 是求职话术，仓库内无对应内容。

风控视角：Java 开发者的市场风险服务样例：(1) Java 计算服务 + Python 数值服务的组合架构——Java 做校验/缓存/接口层、Python 做量化计算，是金融风控常见的双语分工。(2) 教科书级 BS Greeks/MC VaR，无持仓限额、无情景引擎、无文档——参考价值在骨架不在深度。与 风控技术地图的市场风险关联。→ GitHub

7. E-commerce Analytics Pipeline (maitruong-data) — 电商支付风险 BI 管道（GCS→Parquet→BigQuery 星型模型 dim/fact + rpt_payment_risk/rpt_payment_gateway 报表层 + Power BI DirectQuery + 应收账款账龄风险 ≠ 交易欺诈 + 诚实记录坏 join）【信号：★】

maitruong-data/ecommerce-analytics-pipeline（0★, Python ETL, 38.7MB, 21 commits, 2026-02 创建）是一个 GCS→BigQuery 星型模型的电商数据管道——覆盖 Shopify/Sapo/Lazada/Shopee/PayPal/MoMo/ZaloPay 数据源，dim/fact 星型 schema 上建 rpt_payment_risk/rpt_payment_gateway 报表层，Power BI DirectQuery 出dashboard。⚠️ 验证修正：这里的 "payment risk" 是应收账款风险（14 万亿 VND >30 天逾期、59% 回收率、网关表现不佳），不是交易欺诈；6M 行数据为合成；README 诚实记录了坏掉的 payment join 和 PayPal 100% 失败工件。

风控视角：风控 BI 报表层的数据仓库参考：(1) **rpt_payment_* 报表层模式**——在 dim/fact 星型模型上为风控指标建专用 reporting 层，是风控数据从明细到报表的标准路径。(2) 应收账款账龄是企业信用风控的核心报表——与交易欺诈不同维度但同属风控数据工程。(3) ⚠️ 合成数据 + receivables 非 fraud，边界要分清。与 风控技术地图的数据工程关联。→ GitHub

技术趋势

• 恶意仓库"08-16 同日改造"浪潮，版本化 zip 命名指向同一活动：bintang3703（真实作品集劫持：03/04 月葡语 Streamlit 真实应用 + 08-16 单次 README 改造，in-repo detection_credit_fraud_mlops_1.7.zip）与 paulineconsuming416（生成账号诱饵：真实 notebook+11.6MB CSV 掩护，visuals/upi_analysis_fintech_3.4.zip 徽章重复 3 次）在同一天被改造，版本化 zip 文件名（_1.7/_3.4）+ Windows "Extract All" 话术 = 同一模板的工业化投放。签名特征："休眠仓库 + 单次 Update README.md + 英文 README + zip CTA"。累计确认 17 个（07-26×9、07-27×2、07-29×2、08-12×1、08-15×1、08-17×2）。08-15 发现的"真实作品集劫持"变体已复发，说明该变体成为活动主力。
• UPI 生态是开源欺诈检测工程最活跃的战场：今日 7 条中 3 条 UPI（PayShield、sentinel、DPFRIS 合成印度 UPI 数据）——印度 UPI 的实时支付欺诈对抗持续产出最高密度的开源工程实践（此前 08-12 Kavach、08-13 PesaLink、08-09/07-26 多个 UPI 仓库）。
• 防泄露纪律光谱推进到"点时正确性测试"：08-13 HarshaSanka 密封测试边界 → 08-14 aghasalim 特征泄露 4.4× 量化 → 今日 sentinel 把 PIT 正确性做成可运行的测试（test_pit_correctness.py + fan-in frames）——防特征穿越从"方法论论述"进化到"CI 门禁"。
• 成本敏感决策 + reason codes 连续第 5 日出现：sentinel（成本矩阵→四级决策+原因码）、DPFRIS（成本阈值表 CSV）、themanoj（business_cost.py）——自 08-13 起连续 5 个独立项目实现同一模式，已成开源社区标准实践。
• 模型层降级策略浮现：PayShield 的 L2 GNN 40ms 超时守卫→L1 规则回退、robson 的双层止损（软件层失效时交易所驻留单兜底）——"风控措施自身的容错"（谁为守门人守门）成为两个独立项目的共同命题。

行业案例

• 三层混合欺诈引擎：PayShield（规则→GNN→LLM 递进 + 超时降级 + 诚实归因评估）
• 实时风险引擎教学实现：sentinel-upi-risk-engine（PIT 测试 + 冷/热双校准 + 成本矩阵决策 + reason codes）
• 限额/熔断工程：robson（月度预算 + kill switch + 双层止损 + 对账 worker + 事件溯源，7 年维护）
• 混合权重评分：DPFRIS（80/10/10 ML/异常/规则 + velocity 状态存储 + 骡子账户图检测）
• 调查员工具组合：FraudLens（业务成本阈值 + FAISS 相似案例 RAG + LLM 叙事）
• 市场风险微服务：gs-risk-engine（Java Greeks 服务 + Python MC VaR 双服务）
• 风控 BI 报表层：ecommerce-analytics-pipeline（星型模型 + rpt_payment_risk 应收账龄报表）

值得深入

1. PayShield 的 40ms 超时守卫 + L1 回退——模型层超时降级到规则层，保证延迟 SLA——我们的实时引擎中 GNN/复杂模型调用是否有同等的降级路径？降级期间的风险敞口如何计量？
2. sentinel 的点时正确性测试——test_pit_correctness.py 把特征穿越防护做成 CI 可运行的测试——我们的特征平台验证流程能否引入同类测试（对每个特征断言"历史时点查询不返回未来数据"）？
3. "08-16 同日改造"恶意仓库浪潮的自动检测——一周内 3 个新恶意样本（08-15×1、08-17×2），签名已稳定（休眠仓库 + 单次 README 更新 + in-repo 版本化 zip）——在采集脚本加 README CTA 检查（zip/exe 关键词 + 非 clone 指令 + 徽章重复）的优先级应提升。