📄 Daily Digest

风控日报 — 2026-08-18

📊 原料：45 条相关条目（GitHub 仓库搜索 37 条 / arXiv 8 条全部无关——新批次 2608.145xx（08-14 提交日期）：IceCube 暗物质、年轻星团宇宙线、JWST Lyα 小红点、分布值结果生成驱动推断、史前手印性别深度学习、ICL 会话交接、4K 图像修复、有限群混合恒等式——全部与风控无关）/ HN 19 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 24 期（07-17→08-18，跳过 07-25、08-16 及其他无调度日）全噪声，累计 672 条中 1 条相关，噪声率 99.9%。~20 条已覆盖或剔除（robson/sentinel-upi/gs-risk-engine/ecommerce-pipeline [均 08-17]、lucidfence [08-07]、antifraud-knowledgehub [08-12]、marketplace-phaas-tracker [08-15]、disposable-email-detector [08-11]、graph-fraud-ai [08-13]、Payguard-Ai [08-14 空仓]、obligation-net-optimizer/perishable-inventory/SupplyChain-Risk-Engine/TemporalStore/FFraud-com ×2/eramitgupta [非风控或数据库]、policyengine-us [税务规则引擎]、medtech-classifier [EU MDR]、sushilpatil51p-ds [08-10]、anshikamogha18 [验证确认：空仓库，Spring Boot/Kafka/Angular 描述纯属愿景]、sre-copilot [验证 LEGIT 但为 SRE 告警分诊非风控]）。🚨 新确认恶意仓库 1 个（新变体：伪造反病毒验证页 + 活载荷自动下载）——tomkibjgray5429/fincrimeradar-aml-review：README 徽章 CTA → github.io 落地页 index.html（base64+XOR 0xCF 混淆）伪造杀毒扫描（Roblox 作弊 DLL 假文件列表 → "No Threats Detected" → ✔ Virus Free 徽章），setTimeout 1.5s 自动下载密码保护 Loader_v3.5.zip（Password: 2026，防 AV 扫描），载荷托管于一次性 release-only 仓库 leon-gray9/kernel-space-i5wnqq（自述 "Official distribution channel"）。165 commits/2 周 bot farming（improve-build-59731 模式化消息）+ .github/update-log cron 痕迹。首次验证到活载荷（HTTP 302 → release CDN）。生成式账号家族第 3 例（primatewakeisland574 / paulineconsuming416 / tomkibjgray5429）。累计已确认 18 个恶意仓库。持续残留 6 个不重复验证：defi-risk-screening（07-26）、VPN-Detector（07-26）、payment-channel-guide（08-09）、upi-fraud-gnn（07-26）、aml-checker-pro-master（07-29）、payment-fraud-detector（07-26）。今日筛出 7 条新增高信号条目。今日核心亮点是 osprey——Go 单二进制 AML 交易监控引擎，CEL 规则表达式 + FATF typology 加权组合评分，"60 秒部署"；以及 fraud-detection-mlops 的测量纪律（seed-noise bands + 特征契约审计 205/502 诚实申报 + PIT SQL 强制执行），把防泄露纪律光谱推进到第 4 步。

今日高信号

1. osprey (opensource-finance) — Go 单二进制 AML 交易监控引擎（CEL 规则表达式 + FATF typology 加权组合评分 + structuring/round-amount/account-drain 内置规则 + detection/compliance 双模式 + open-core 社区版 SQLite / pro 版 Postgres/Redis/NATS + goreleaser/k6/OpenAPI）【信号：★★★】

opensource-finance/osprey（0★, Go, Apache-2.0, 138 树条目 / 59 Go 文件 cmd/osprey + internal/{api,bus,cache,domain,repository,rules}, 24 commits 2026-01-08→08-17 持续 7.5 个月, 英国组织 opensource.finance 2026-01 创建）是一个"60 秒部署"的交易监控（transaction monitoring）引擎——描述与实现完全相符，非 vaporware：真实编译产物、goreleaser 发布流水线、k6 负载测试、25KB OpenAPI 规范、CI + sandbox-assurance workflow。

规则引擎（CEL 表达式路线）：configs/rules/fatf-rules.json 内置可读规则示例——

Typology 层：configs/typologies/fatf-typologies.json 把规则组合为 FATF 类型学——Structuring/Smurfing、Account Takeover、Mule Account、Rapid Movement of Funds——带权重的规则组合 + alertThresholds，是行业 alert scoping 逻辑的开源化。双运行模式（detection / compliance）。

风控视角：AML 规则引擎表达层的新路线样本：(1) CEL 表达式规则 vs 08-09 fraud-engine 的"规则即 DB 行 + 解释执行"——两条路线收敛于同一目标：可审计、可版本化、非改代码热更规则；CEL 是 CNCF 生态标准表达式语言，风控规则 DSL 选型时值得对比。(2) typology = 规则加权组合 + 告警阈值——把"多条弱规则组合成强信号"的 scoping 逻辑做成了配置层，这是 AML 交易监控系统的核心骨架开源化。(3) 单二进制 + SQLite 社区版降低中小机构 AML 监控部署门槛。⚠️ open-core 模式（pro 层闭源）、0★、年轻组织，生产采用前需自评估。与 风控策略 的规则引擎和 反欺诈体系 的 AML 监控关联。→ GitHub

2. fraud-detection-mlops (jjabuk) — IEEE-CIS 欺诈 MLOps 测量纪律标杆（Dagster/BigQuery/LightGBM/Vertex AI + seed-noise bands 指标方差带 + 特征契约审计 205/502 列诚实申报 + PIT SQL 强制执行 + Dagster promotion gate + 51 问题驱动 EDA）【信号：★★★】

jjabuk/fraud-detection-mlops（0★, Python, MIT, 228 树条目 / 146 代码文件, 19 commits 08-16→08-17 两天密集但 commit 内容真实（test: build the ingestion fixture instead of reading uncommitted data）——诚实 burst 非 farming）是本批ML 工程严谨度最高的仓库，在 IEEE-CIS 数据集上实现 GCP 全链路（Dagster 编排 / BigQuery / LightGBM / Vertex AI）。

三个可迁移的测量纪律：(1) seed-noise bands——同一 pipeline 用多个随机种子跑出指标方差带，任何"提升"必须超出噪声带才算真实提升（模型选型的统计学纪律，开源欺诈项目里首次见到）；(2) 特征契约审计——诚实申报 502 列中只有 205 列通过契约检查，把特征质量摆到台面；(3) point-in-time SQL 强制执行——特征查询在 SQL 层强制 PIT 语义，不依赖开发者自觉。

风控视角：防泄露纪律光谱推进到第 4 步：08-13 HarshaSanka 密封测试边界 → 08-14 aghasalim 特征泄露 4.4× 量化 → 08-17 sentinel PIT 可运行测试 → 今日 PIT SQL 强制 + 特征契约审计 + seed-noise bands——从"方法论论述"到"CI 门禁"再到"SQL 层强制 + 统计学验收"。(1) seed-noise band 应纳入模型验收标准——多数离线实验的 0.1% 级"提升"根本在种子噪声带内。(2) 特征契约审计（哪些列可用/不可用/为什么）是特征平台治理的直接素材。⚠️ 两天新建，未经生产验证，读方法论不抄架构。与 风控模型 的评估纪律和 实时风控引擎 的特征平台关联。→ GitHub

3. fraud-detection-engine (NithinBobbili) — Kafka + PySpark Structured Streaming 流式规则+IsolationForest 混合引擎（真实测试文件 + CI + docker-compose + 诚实合成基准 P 62.4%/R 80.6% vs 0% naive 基线）【信号：★★】

NithinBobbili/fraud-detection-engine（0★, Python, 27 树条目 / 12 py 文件含 src/features.py/streaming_processor.py + 4 个测试文件, 1 commit 2026-08-17 当天创建, requirements + CI + docker-compose）是一个流式欺诈检测最小可测实现——Kafka + PySpark Structured Streaming + 规则引擎 + IsolationForest 混合。

诚实基准文化：README 报告实测 P 62.4% / R 80.6%，并显式对比 0% 召回的 naive 基线（证明召回来自引擎而非类别分布）；标签列命名为 is_fraud_synthetic_label，主动声明数据为合成。

风控视角：规则+异常检测混合的流式参考实现：(1) 规则层（可解释、快速路径）+ IsolationForest（无监督、捕获规则外模式）的双层结构与 08-17 PayShield 三层、08-17 DPFRIS 80/10/10 加权同属"混合架构"设计空间。(2) naive 基线对比是小数据集上防自欺的低成本手段——比单纯报指标可信得多。(3) ⚠️ 单 commit 当天新建，unproven，参考结构不参考成熟度。与 实时风控引擎 的流式架构关联。→ GitHub

4. GraphNN-Fraud-Ring-Detection (piyushlabde) — 欺诈环调查叙事式可视化（FastAPI+NetworkX 后端预留 PyG 模型插槽 + React/Vite/Three.js instanced WebGL 大图渲染 + 滚动驱动调查叙事 + 全合成数据诚实声明）【信号：★★】

piyushlabde/GraphNN-Fraud-Ring-Detection（0★, TypeScript + Python, 86 树条目 / 54 代码文件, 5 commits 全部 08-17, Vercel 部署配置）是一个全栈欺诈环可视化 demo——注意它自称 GraphNet 但不是检测器：README 开篇即声明 "Every number in this app is synthetic"，PyG 只是预留的 plug-in 插槽。

值得看的是调查 UI 工程：(1) instanced WebGL 渲染（Three.js）——大规模图渲染的前端工程方案，比默认 D3 力导向图能处理的节点数高一个量级；(2) scroll-driven storytelling——滚动驱动的叙事式调查引导，把"从一个可疑节点出发展开资金环"做成有剧本的调查体验——欺诈调查工具的 UI 形态创新；(3) 后端 FastAPI + NetworkX，换真实 PyG 模型不需要动前端。

风控视角：图风控的"最后一公里"是调查员 UI：检测出欺诈环（GNN/社区发现）之后，如何让调查员高效理解并展开证据链，是图风控落地最常被忽视的环节。(1) 叙事式调查引导适合案件复盘和培训场景。(2) instanced WebGL 方案对自研图调查平台的渲染选型有直接参考价值。⚠️ 全合成演示，无检测能力。与 反欺诈体系 的调查工作流关联。→ GitHub

5. GNN-fraud-detection (HariniReddy0627) — 时序 GraphSAGE 欺诈排序 POC（PaySim + train_gnn/temporal_train/graph_builder 分层 + streaming 场景时序图特征）【信号：★】

HariniReddy0627/GNN-fraud-detection（0★, Python, 20 树条目 / 11 py 文件（train_gnn.py/temporal_train.py/graph_builder.py）, 4 commits 全部 08-17, README 有 Notion/AI 导出的转义痕迹）是 temporal GraphSAGE 在 PaySim 上的欺诈排序 POC——验证 LEGIT、结构清晰但 portfolio 级深度。

风控视角：时序 GNN 的入门参考：流式欺诈检测中"边按时间到达、历史邻域随窗口演化"的时序图建模（temporal sampling），是静态 GNN 走向 streaming 场景的关键一步；与 08-07 graph-fraud-ai 的静态四模型对比、08-17 PayShield 的异构图形成互补。⚠️ POC 深度有限，作概念地图非工程参考。与 风控模型 的 GNN 关联。→ GitHub

6. paysim-fraud-network-analysis (victorhugo-ml) — 轻量图 EDA 工具链（DuckDB → pandas → NetworkX 有向交易图 + 1,000 笔结构化抽样 PaySim 子集 + Gephi 导出 + notebook 验证 CI，葡语）【信号：★】

victorhugo-ml/paysim-fraud-network-analysis（0★, Jupyter, 1 个已执行 notebook + scripts/validate_notebook.py + requirements + CI, 2 commits 08-17, 葡语 README）是调查员级的低成本图分析路径——DuckDB SQL 做图统计、NetworkX 建有向交易图、Gephi 出可视化。

结构化抽样值得注意：从 PaySim 抽 1,000 笔时保留欺诈拓扑结构（而非随机抽样破坏环），使小图仍含完整资金环——图数据抽样的正确姿势。

风控视角：图 EDA 不一定要图数据库：DuckDB（OLAP SQL）+ NetworkX + Gephi 的组合覆盖"特征统计 → 图构建 → 交互式可视化"全流程，适合案件级 ad-hoc 调查和原型验证；notebook 有 CI 验证（validate_notebook.py）是可复现性加分项。⚠️ 轻量 EDA，非生产管道。与 风控技术地图 的图算法关联。→ GitHub

7. FraudDetection (Engrziaullah) — GAN 数据增强 + RF 教学样本（20K 平衡合成数据 AUC 1.00，README 自我怀疑"值得以怀疑态度对待"）【信号：★】

Engrziaullah/FraudDetection（0★, Jupyter, 3 commits 2025-04→08-17（昨日为 README 重写）, 单 notebook FraudDetectionUSingGAN.ipynb + requirements + LICENSE）是 GAN 增强 + 调参 RandomForest 的教学级 notebook——数据为 20K 行平衡合成数据集（真实数据未随仓附带，Colab 路径）。

亮点是诚实：README 主动标记自己的 "AUC-ROC of 1.00 … worth treating with skepticism"——对完美指标自我怀疑，与 08-17 PayShield 的 model card 纠错、08-15 narendranathe 的自列缺陷同一文化谱系。

风控视角："完美指标 = 红灯"的又一活教材：(1) AUC 1.00 出现在平衡合成数据上毫无意义——类不平衡才是欺诈场景的本质，GAN 增强前先问数据分布是否代表真实业务。(2) GAN 增强在欺诈检测中的适用边界（少数类合成样本会否引入分布偏移）值得作为模型验证 checklist 条目。⚠️ 教学级，无工程价值。与 风控模型 的评估关联。→ GitHub

技术趋势

行业案例

值得深入

  1. seed-noise bands 能否纳入我们的模型验收标准——jjabuk 用多种子方差带判定"提升是否超出噪声"；多数离线实验 0.1% 级提升在种子噪声内。评估：在当前模型对比流程中加一档"多种子复跑"的成本与收益。
  2. 规则表达层选型：CEL vs SQL 行 vs JSON DSL——osprey（CEL + FATF typology 组合）与 08-09 fraud-engine（DB 行 + 解释执行）代表两条路线；自研规则引擎选型时应做可审计性/热更/性能三维对比。
  3. 恶意仓库全链验证与上报——今日首次确认活载荷（自动下载 + 密码 zip + release 仓库托管）；采集脚本的 README CTA 检查应升级为"CTA → 落地页混淆检测 → 载荷仓库"链式规则；两个仓库（诱饵 + 载荷宿主）均应上报 GitHub abuse。