📄 Daily Digest

风控日报 — 2026-08-19

📊 原料：51 条相关条目（GitHub 仓库搜索 37 条 / arXiv 14 条全部无关——新批次 2608.16xxx（08-17 提交日期）：计算溯源文本证据、PCP 对抗容错、低剂量 CT 支气管血管分割、QVIRL 逆强化学习、矩阵乘法指数 AlphaEvolve、Hit-and-Run 谱隙、双峰胶体凝胶、心电生理源重建、可移动 STARS RSMA、机器人 VLA τ0、事件相机 VLC 识别、持久同调三角网格重建、肺结节 prompt 敏感性、量子对抗容错——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 25 期（07-17→08-19，跳过 07-25、08-16 及其他无调度日）全噪声，累计 686 条中 1 条相关，噪声率 99.9%。~21 条已覆盖或剔除（antifraud-knowledgehub [08-12]、marketplace-phaas-tracker [08-15]、lucidfence [08-07]、robson/sentinel-upi/gs-risk-engine [均 08-17]、HariniReddy-GNN [08-18]、obligation-net-optimizer [非风控]、perishable-inventory/TemporalStore/WestGuardQC [临床 QC 非金融]、FFraud-com ×2 + eramitgupta/disposable-email [数据库]、emailalias [08-11]、graph-fraud-ai [08-13]、FinGuard-AI [08-14 空仓]、victig [08-14]、Card-Forge [卡牌游戏 2611★]、agent-standup [coding agent]、prompt-integrity-validator [非风控]、Tuhin092005 [教学 notebook]、GianmarcoScafarto01 [混合作品集]、avikpln [验证确认：docs-only 空壳，Kaggle 竞赛方案无工程迁移价值]、NilsBerg9082 [验证确认：新类别 astroturf——代码干净但全部指向商业 OpenAI 兼容网关 api.infrai.cc，附 llms.txt 面向 LLM 爬虫做 SEO，非恶意软件但为零信号推广仓]）。🚨 新确认恶意仓库 1 个（与 08-18 完全同链）——pricewillosiz1534/crypto-aml-checker-2026：README CTA → 自仓 index.html 经 github.io 渲染的落地页（base64 + 单字节 XOR 混淆，静态解码确认），解码后为伪造杀毒验证页（"Security Check … Verifying file integrity… ✅ No Threats Detected - 247 objects scanned - Password: 2026 ⬇ Download ✔ Virus Free ✔ Trojan Free"），下载按钮指向第二个一次性账号 GitHub release 下的版本化 Loader_v3.5.zip（密码保护防 AV 扫描）；落地页标题字面为 "aml-checker-pro-master"——直接复用 07-29 已确认恶意仓库的同名恶意工具链；.github/update-log commit-padding 痕迹与 08-18 tomkibjgray5429 一致。生成式账号家族第 4 例（primatewakeisland574 / paulineconsuming416 / tomkibjgray5429 / pricewillosiz1534）。累计已确认 19 个恶意仓库。今日结果中残留 2 个已确认恶意仓库不重复验证：fraud-detection-api（07-26）、payment-channel-guide（08-09）。今日筛出 7 条新增高信号条目。今日核心亮点是 AWS 官方 MCP 欺诈调查 Agent sample——Strands Agent + AgentCore Gateway 三 MCP target + 零 Lambda 请求路径 + SSE 流式推理面板，agent 化欺诈调查首次拿到一线云厂商参考架构；以及 Adversarial-Payment-Security-Lab 的红蓝闭环（7 类 GenAI 攻击 agent + 逃逸变异反馈重训）。

今日高信号

1. sample-mcp-fraud-investigation-agent (aws-samples) — AWS 官方 MCP 欺诈调查 Agent 参考架构（Strands SDK on Bedrock AgentCore Runtime + AgentCore Gateway 三 MCP target：APIGW→DynamoDB 直连 / APIGW→S3 直连 / Managed KB 欺诈 playbook RAG + 零 Lambda 请求路径 + React/Amplify SSE 流式推理面板 + Claude Sonnet 4.6 / Titan Embeddings）【信号：★★★】

aws-samples/sample-mcp-fraud-investigation-agent（0★, JavaScript, AWS 官方组织, created 2026-08-12 / pushed 08-18, 51 文件 755KB, 教育用途 sandbox us-west-2）是 MCP 做真实工作的端到端官方样例：给定客户 ID 或交易，agent 自主决定查询哪些数据源（交易历史 / 客户画像 / 登录活动 / 历史工单 / 欺诈 playbook 知识库），通过 MCP 工具取证，返回带证据链的推理结论，面板逐 token 流式展示推理过程。

架构上三个值得抄的点：(1) 零 Lambda 请求路径——两个 MCP target 用 API Gateway 直连 DynamoDB（结构化记录）和 S3（工单文件），运行时请求路径上没有任何 Lambda，工具层延迟和成本最小化；(2) playbook 即知识库——"什么才算可疑"的业务定义放进 Bedrock Managed KB 用自然语言检索，策略更新不改 agent 代码；(3) 调查叙事透明化——SSE 流式回传 agent 的每一步工具调用与推理，调查过程非黑箱（对合规审计关键）。

风控视角：agent 化欺诈调查的首个一线云厂商参考架构——与个人项目（08-17 FraudLens 的 RAG+LLM 叙事、08-12 antifraud-knowledgehub）相比，官方样例定义了"多工具取证 + KB 策略检索 + 全程可观测"的标准形态。(1) "五工具切换"痛点（交易/画像/登录/工单/playbook）正是反欺诈调查员日常，工具清单可直接对照自研归因 agent 的工具设计；(2) MCP target 的直连集成模式（数据库即工具）是工具层性能设计的参考；(3) ⚠️ 官方 sample 属性：合成数据、单一 region、非生产可用——学架构不抄部署。与 反欺诈体系 的调查工作流和风控归因 Agent 项目直接相关。→ GitHub

2. Adversarial-Payment-Security-Lab (aroh3006) — GenAI 支付欺诈红蓝对抗闭环实验室（7 类攻击 agent：card testing / synthetic identity / mule network / CNP 社工 / refund abuse / ATO / promo abuse + XGBoost 26 条无泄露特征 / 实体图异常 / 透明规则三路集成 + 逃逸攻击变异反馈重训 + LLM 分诊确定性回退 + THREAT_MODEL 边界文档）【信号：★★★】

aroh3006/Adversarial-Payment-Security-Lab（1★, Python + React, 142 文件 / 65 py, 5 commits 全部 08-18, 竞赛作品）是一个闭环红蓝对抗实验室：红队 agent 攻击全合成 mock 支付环境 → 蓝队集成检测器（XGBoost + 实体图异常[非 GNN] + 手写规则 → 0-100 风险分 → ALLOW/REVIEW/BLOCK）→ 反馈环找出逃逸检测的攻击并变异重评，攻防持续互搏。

两个稀缺设计：(1) 攻击目录文档化——ATTACK_CATALOG.md 把 7 类已实现 + 8 类已调研攻击族（目标 / GenAI 角度 / 实体 / 信号 / 变异策略 / 安全边界）规格化，是一份现成的 GenAI 时代欺诈攻击面清单；(2) 逃逸驱动变异——false-negative 分析 → 攻击变异 → 重训的闭环，把"模型健壮性"从静态测试集升级为对抗性自演化评估。

风控视角：GenAI 欺诈攻防的对抗性评估范式：(1) refund_abuse（聊天机器人审批流程滥用）和 synthetic_identity（伪造人格过 KYC 后 bust-out）是 GenAI 攻击面的代表性新增，传统攻击目录未覆盖；(2) "逃逸→变异→重训"闭环等价于持续对抗压测，可作为模型上线前健壮性评估的标准环节——比离线测试集更接近真实对抗；(3) LLM 分诊带确定性回退（无 API key 也可全流程运行）是 agent 工程的可用性细节。⚠️ 全合成、竞赛属性、当日新建——学攻击面清单与闭环设计，非工程成熟度参考。与 反欺诈体系 的攻防对抗和 风控模型 的健壮性评估关联。→ GitHub

3. fraud-detection-platform (Harshateja01) — 全生命周期欺诈 ML 平台带真实云部署（1.75M 交易 / 延迟标签特征工程 build_delayed_fraud_features / 泄露审计 audit_feature_leakage / 业务成本+阈值+Top-K 三套评估 / SHAP 单笔解释 / PSI 漂移 / Render FastAPI + Streamlit 云端实测在线）【信号：★★】

Harshateja01/fraud-detection-platform（0★, Python, 52 文件 / 30 py, 15 commits 全部 08-18, 1458 行 README）围绕一个明确问题构建："如何把欺诈模型从 notebook 变成可解释、可监控、可测试、可治理、可部署的 ML 系统"——FastAPI 评分 API 与 Streamlit 调查面板均真实部署在云端（Render / Streamlit Cloud，可访问）。

工程完整性信号：src 下 build_delayed_fraud_features.py（延迟标签显式处理）、audit_feature_leakage.py（泄露自审计）、evaluate_business_cost.py / evaluate_cost_sensitivity.py / evaluate_thresholds.py / evaluate_top_k.py（成本敏感三件套）、explain_transaction.py（单笔 SHAP）——评估维度覆盖成本/阈值/Top-K 审查队列三个业务视角。

风控视角：延迟标签（delayed labels）进入开源工程视野：欺诈标签天然延迟（拒付/举报滞后数天），训练时把"标签可知时间"纳入特征切分是防时间穿越的真实业务约束——08-18 jjabuk PIT SQL 之后，今日 Harshateja + Dagiayy 两个仓库不约而同显式处理延迟标签，防泄露纪律光谱推进到第 5 步：标签延迟感知的特征工程。(1) Top-K 评估对应"审查员有限工时"约束，比阈值更贴近运营现实；(2) 当天 15 commits 建成但代码结构完整且有真实部署验证——burst 但非 farming。⚠️ 单日新建、教学级数据规模（ULB 风格合成变体），读工程组织方式。与 风控模型 的评估体系和 特征平台 的延迟标签关联。→ GitHub

4. gnn-fraud-detection-banking (sudsho) — 银行卡↔商户二部图 GNN 对比实验（GraphSAGE / GAT / HGT 异构 transformer 三模型 + 交易节点异构图 + 合成欺诈环植入生成器 + focal loss + PR 曲线阈值调优 + 邻居采样可扩展 + 真实 CSV 列契约）【信号：★★】

sudsho/gnn-fraud-detection-banking（0★, Python, 61 文件 / 31 py, 70 commits 历史日期 2024-02→03 [本地仓库 2026-05 才推上 GitHub，08-18 重新推送], Docker + API + 实验脚本齐备）把交易建模为卡片↔商户二部图 + 交易节点异构图，在 PyG 上实现三个模型对比：GraphSAGE（同构投影基线）、GAT（注意力）、HGT（card/merchant/txn 三节点类型异构 transformer）。

方法论可取处：(1) 合成数据生成器显式植入欺诈环——小规模卡群烧小规模商户群的 ring 模式叠加低基数噪声，保证图信号可检测且可控；(2) 类不平衡双杠杆——focal loss（可调 γ）+ PR 曲线阈值调优（拒绝 0.5 惯性截断）；(3) 列契约设计——load_csv 对真实数据（IBM TabFormer / Kaggle ULB）定义最小列契约（card_id/merchant_id/amount/is_fraud + hour），换数据源不改管线。

风控视角：二部图建模是收单侧风控的自然框架："商户触及多张被入侵卡 / 卡漂移进新商户簇"正是套现与盗卡模式；与 08-17 PayShield 的异构图、08-13 graph-fraud-ai 的静态四模型对比互补，HGT 异构 transformer 是该方向开源实现里较少见的选型。⚠️ 全合成评估，提交历史与仓库创建时间错位（迁移仓库），参考建模框架而非指标。与 风控模型 的 GNN 和 反欺诈体系 的图计算关联。→ GitHub

5. fraud-detection-project (Dagiayy) — 双工作流企业级欺诈系统（标准本地 ML 管线 vs 企业栈 Docker/API-Key 认证/SHA-256 PII 哈希/PSI 漂移审计/Feast+Redis 在线特征存储脚手架/分析师反馈主动学习环 + 6 页 Streamlit 调查面板 + 13 个月 100 commits 持续演进）【信号：★★】

Dagiayy/fraud-detection-project（0★, Jupyter/Python, 151 文件 / 77 py, 100 commits 跨 2025-07→2026-08 持续 13 个月——本批唯一长周期演进仓库, 面向 "Adey Innovations Inc." 的求职作品）提供两套执行工作流：Option 1 本地快速管线（训练/pytest/轻量面板）；Option 2 企业栈（多服务 Docker Compose、X-API-Key 认证、SHA-256 PII 哈希、PSI 漂移审计、Feast/Redis 在线特征存储脚手架、分析师审核反馈的主动学习闭环）。

风控视角：13 个月持续提交本身就是信号——在 0★ 求职仓库普遍当日 burst 的生态里，跨年演进说明真实维护；(1) Feast/Redis 在线特征存储脚手架是开源欺诈项目里第一次出现特征平台层的具体选型（此前多为自建 dict/Redis 简易缓存）；(2) 分析师反馈主动学习环把人工审核结果回流训练——与 08-18 sentinel 的"选择性标注偏差"论述正反相成：反馈环有用，但需警惕审核集偏差;(3) 双工作流分层（快速验证 vs 生产栈）对教学/演示场景是好的组织模式。⚠️ 求职作品属性，企业栈部分为脚手架完成度。与 特征平台 的在线存储选型和 实时风控引擎 的服务化关联。→ GitHub

6. fraud-decisioning-frameworks (growthforge) — 卡支付规则全生命周期分析框架（propose→size→test→approve→deploy→monitor→tune→rollback 泳道图 + 调参模拟器 + 图形几何/统计不变量/私有内容泄漏三类自动校验 + "每步成本"视角，岗位 JD 驱动的公开源分析作品）【信号：★★】

growthforge/fraud-decisioning-frameworks（0★, TypeScript/Vite/React, 84 文件 / 47 ts+tsx, 6 commits 全部 08-18, 自述基于公开岗位 JD + 公开监管/行业资料构建）不是检测系统，而是一份关于欺诈规则如何度过一生的交互式分析作品：八阶段规则生命周期泳道图 + 调参模拟器，每个阶段标注成本。

两个别处少见的点：(1) 规则生命周期八阶段把"一条规则从提议到回滚"的治理流程显式化——多数规则引擎文档只覆盖 deploy/tune，propose/sizing/审批环节的成本分析是策略团队真实痛点；(2) 校验脚本反截图文化——npm run verify 断言泳道图几何与内容深度（防缩放后不可读）、npm run sim 断言模拟器统计不变量、npm run contamination 断言无私有内容泄漏——对图表制品做 CI 是文档工程化的少见实践。

风控视角：规则治理流程的参考蓝图：规则引擎的代码实现（Drools/CEL/DB 行） abundantly documented，但"规则如何被提议、测算、审批、监控、回滚"的流程成本视角几乎没有公开材料——这份作品把策略运营（rule lifecycle management）做成了可交互的显式知识。对自研决策平台的规则治理模块设计（审批流、版本化、回滚预案）有直接参考价值。⚠️ 纯分析作品 + JD 驱动求职属性，无可运行引擎。与 风控策略 的规则生命周期管理关联。→ GitHub

7. Credit-Card-Fraud-Detection (jvtorlando) — "可验证状态"诚实申报 MVP（ULB/Kaggle + 巴西央行 SGS 公开指标 Selic/IPCA/不良率 → Azure PostgreSQL → Isolation Forest → LLM 异常解释带可测试回退 → Streamlit，状态表逐组件标注"已本地验证/待真实数据"）【信号：★】

jvtorlando/Credit-Card-Fraud-Detection（0★, Python, 54 文件 / 22 py + 4 sql, 6 commits 全部 08-18, 葡语, CI + Ruff + pytest）是教育级 MVP，但它的"Estado verificável"（可验证状态）表值得单独一提：每个组件（BCB 数据采集 / Kaggle 数据准备 / Azure 连接 / 模型训练 / LLM 解释 / 面板）逐项声明"已本地验证 / 代码就绪待真实数据 / 待凭据"，并明确"未跑真实 284,807 条数据前不公布任何指标——来源的预期数字是验证标准，不是本仓库的声称结果"。

风控视角：诚实申报文化的又一形态：08-17 sentinel 的 README 滞后声明、08-18 jjabuk 的 205/502 特征契约审计之后，今日 jvtorlando 用组件级状态表呈现"什么已验证/什么没有"——对作品集/POC 场景是防"指标幻觉"的模板。另有一个领域细节：拒绝为数据集不存在的字段（客户/商户/位置）发明数值，并诚实指出 BCB 宏观指标与 2013 年数据无历史对齐依据——不造数据是数据分析的基本功但在 fraud demo 生态里稀缺。⚠️ 教育 MVP 深度，参考诚实模板而非工程。与 风控模型 的评估纪律关联。→ GitHub

技术趋势

行业案例

值得深入

  1. AWS sample 的 agent 工具 schema 与 prompt 设计（assets/agent/）——五类取证工具（交易/画像/登录/工单/playbook KB）的接口划分与 agent 自主调度边界，直接对照风控归因 Agent 的工具清单设计。
  2. 逃逸变异闭环能否纳入模型验收——aroh3006 的 false-negative→变异→重训流程 vs 当前静态测试集验收的差距；评估在营销反作弊/退款滥用场景的最小可行版本。
  3. 延迟标签特征工程的落地细节——Harshateja build_delayed_fraud_features.py 与 Dagiayy 双工作流中"标签可知时间"切分的具体实现，对照自研特征平台的 PIT 语义。