风控日报 — 2026-08-24

📊 原料：35 条相关条目（GitHub 仓库搜索 35 条 / arXiv 0 条进入原料——采集器抓取 12 条经相关性预过滤全数丢弃，漏跑日批次补看：08-22 原料 38 条、08-23 原料 37 条一并纳入本轮筛选，arXiv 批 7+9 条 2608.20xxx（08-20 提交日期）全部无关——金属贫乏星系冒充体、自旋矩微波探测器、夸克偶素对产生、音乐检索置信度估计、鞅轨迹信息论、Swift-Image 图像生成、医学报告解读、相对论流体力学框架）。arXiv 全噪声小计：连续 29 期全噪声（07-17→08-24，含本轮补看的 08-22/23 漏跑日批次），累计 712+ 条中 1 条相关，噪声率 99.9%。剔除构成：antifraud-knowledgehub（08-12 已覆盖残留）、ChinnaDevelopers/LLMs-for-GFDs（空模板仓：README 为未填写的通用模板 + requirments.txt 拼写错误，描述声称 LLM+GNN 集成）、A-Chillarige/policyqa（README-only 路线图， ingest/chunking/FAISS 已建但代码未推）、Raihankoduvaly/Real-Time-Merchant-Collusion（文档 only：仓库只有 PDF/PPT/docx + requirements.txt，README 声称的 models/ deployment/ 目录不存在——描述与文件树矛盾）、CodeCrusherG/payguard（Kafka 规则教学级）、gobigokul34/order-matching-engine（单文件市场侧 LOB）、非风控（portfolio-risk-engine/FPGA-Trading/perishable-inventory/phase[游戏]/srd-rules[DND]/SecCheck[韩企安全审查]/prompt-integrity-validator/justcheckingmate[钓鱼检查消费者工具]）+ 数据库类（FFraud-com ×2/eramitgupta-disposable-email）。🚨 新确认恶意仓库 1 个（新变体：代码树伪装 + github.io 落地链复发）：Tannerkatabolic443/ap-automation-agent——README 首屏即 "Download Link" 徽章 → tannerkatabolic443.github.io 落地页 → 下载 .exe 安装包并要求管理员权限，社交工程话术完整（"Look for the file that ends in .exe"）；仓库带完整代码目录树（agents/api/parsers/tests）作掩护——文件树真实 ≠ 安全（同 08-15 劫持变体教训），README CTA 仍是唯一可靠信号；账号名匹配生成式家族模式（词+词+3位数字），家族第 5 例（primatewakeisland574/paulineconsuming416/tomkibjgray5429/pricewillosiz1534/Tannerkatabolic443）。累计确认 20 个恶意仓库。残留 12 个已确认恶意仓库不重复验证（lucidfence/marketplace-phaas-tracker/TemporalStore/payment-channel-guide/upi-fraud-gnn/defi-risk-screening/Syntecxhub/fincrimeradar/crypto-aml-checker/cross-border/bintang3703/VPN-Detector）。今日（含补看批次）筛出 11 条新增高信号条目（漏跑日回填，非低谷日）。今日核心亮点是 MuleNet 的联邦骡子账户检测反直觉发现（中心化合并数据 0.732 PR-AUC 反而低于联邦 0.832——共享商户节点让消息传递抹平信号）与 FLAME 欺诈情报交换框架（7 大分类法交叉映射 + STIX/MISP/TAXII 导出 + MCP server，MITRE F3/Stripe FT3/FS-ISAC CFPF 之后的开源补位）。

今日高信号

1. MuleNet (AbhishekKhatkar) — 跨行骡子账户联邦检测（FedAvg 子图联邦 + PU 弱标签 + 反直觉发现：中心化合并没有赢 + SMOTE-CV 泄露自纠 + 环级 100% 召回 + 零客户记录交换）【信号：★★★】

AbhishekKhatkar/mulenet（0★, Python+PyTorch+FastAPI+React, 08-21 创建, 15,000 账户 / 4 银行 / 547,641 交易 / 60 植入骡子环模拟器，全笔记本可跑无 GPU）回答反洗钱协作的三个真实约束：数据不能共享（DPDP 法案 + RBI 保密规范）、标签迟到 3-6 个月（结案才确认）、告警洪泛（85-95% AML 告警是误报）。

方法与结果：(1) FedAvg over 银行自有子图——只有权重跨行流动，回合转录证明零客户记录交换；(2) PU 学习——typology 规则产生高精确低召回弱正标签，非负 PU 目标泛化超出规则本身（规则单独 PR-AUC 0.443 → 模型 0.832，"不是在背规则"）；(3) 联邦 0.832 > 孤岛 0.808 > 中心化 0.732——合并全量数据反而最差之一：热门商户被所有银行共享，合并图上两个无关账户经共同收款方两跳相邻，消息传递把信号抹平；联邦买到共享学习却不继承这个问题；(4) 收益分布符合联邦预期形状——种子最少的 SBIN +0.065 提升最大，本就够好的 PYTM 几乎不变；(5) 环级 5% 告警预算下 60/60 全部浮出，87.8% 成员捕获，全部 25 个重组环跨行；(6) 监督基线抓出自己仓库的 bug——CV PR-AUC 恰好 1.0000 暴露 SMOTE 在 CV 切分前应用的泄露，移入 imblearn Pipeline 后回落 0.83-0.85，修复与推理写在 baselines.py docstring。

风控视角：联邦风控的最佳教学样本：国内跨机构反欺诈协作（银联/网联模式、断直连）的算法侧参考——"为什么不直接合库"第一次有了可运行的量化答案，且答案不是隐私而是效果（合库掉点）。PU 弱标签路径直接适配骡子账户"确认即结案、标签永远迟到"的现实。SMOTE-CV 泄露自纠是防泄露纪律光谱的又一步（泄露不只是特征时间穿越，还包括重采样穿越 CV 边界）。⚠️ 全合成模拟器 + 毕业设计，数字不可外推，方法与实验设计可引用。与 反洗钱 的跨机构协作和 图风控 的子图联邦直接相关，面试"联邦学习在风控的应用"一题的完整素材。→ GitHub

2. FLAME — flame-exchange (elchacal801) — 欺诈情报交换层：7 大分类法交叉映射（91 威胁路径 / 144 欺诈类型 / 221 检测规则 / 36 基线 / 14 攻击模拟剧本 × CFPF/ATT&CK/MITRE F3/Stripe FT3/Group-IB/UCFF/监管 7 框架）+ STIX 2.1/MISP/TAXII/Sigma 导出 + MCP server + live 站在线【信号：★★★】

elchacal801/flame-exchange（3★, Python + 零依赖静态前端, 02-13 创建→08-23 持续推送, 217 pytest 测试 / 7 CI 工作流, flameintel.org 实测 HTTP 200；检测规则独立在 flame-detections 仓库 [已验证真实存在]）定位是"分类法之上的社区知识交换层"：2025-04→2026-04 六家机构各自得出"欺诈需要结构化分类"（Stripe FT3 发布后弃维、MITRE F3 2026-04 发布、Group-IB Fraud Matrix 2.0 商业闭源、FS-ISAC CFPF 纸面框架）——语言层在收敛，社区交换层无人做，FLAME 补这个位。

工程要点：(1) markdown-first, database-derived（仿 THOR Collective HEARTH）——威胁路径/基线/检测规则是带 YAML frontmatter 的结构化源文件，SQLite 索引与 JSON 导出全部派生，PR 即贡献；(2) 7 框架交叉映射——同一威胁路径在 FS-ISAC CFPF 主结构下挂 ATT&CK 补充映射、MITRE F3 91/91 全覆盖（f3_mapper.py）、Stripe FT3 91/91（ft3_mapper.py）；(3) 标准导出管线——STIX 2.1 Bundle（含欺诈扩展字段）/ MISP Galaxy+Feed / TAXII 2.1 端点 / Sigma 规则包，可直接进现有 TIP；(4) 14 个攻击模拟剧本（adversary simulation）把检测规则变成可验证目标；(5) MCP server 6 工具——对话式欺诈情报查询，与 08-19 AWS 官方 MCP 调查 agent 同一"agent 化取证"方向。

风控视角：威胁情报工程（Threat Intel)侧最完整开源参考：国内 equivalent 是"欺诈手法库+规则情报化"的空白——策略团队对抗新手法时缺的不是模型而是结构化的手法-信号-检测映射。STIX/MISP/TAXII 互操作意味着可以直接把 FLAME 的威胁路径接到自研规则引擎的情报输入端。检测规则 221 条 + 31 条监管要求（7 法域）可当规则需求清单用。⚠️ 单人维护早期项目（3★），覆盖以欧美支付/电商场景为主。与 反欺诈体系 的情报层和 规则引擎 的规则来源治理相关。→ GitHub · Live · Detections

3. payment_fraud_decisioning (xm2325) — 支付欺诈决策方法论天花板（v1.7 四段生命周期切分：训练→仅校准→仅策略选择→未触未来评估 + 精确容量路由 + 标签延迟/验证偏差/新攻击三组对照实验 + 6.36M 行 PaySim CI 基准 + 负结果保留）【信号：★★★】

xm2325/payment_fraud_decisioning（0★, Python, 08-21 创建→08-24 当天仍在推送, 22 个顶层文档含 MODEL_CARD/MITIGATION_PLAYBOOK/DATA_PROVENANCE, GitHub Actions 全管线验证）是 Moniepoint 取材的求职作品集，但方法论密度是本周最高：(1) v1.7 核心贡献——把校准与路由策略选择拆成不相交时间段：训练 steps 1-445 / 仅概率校准 446-519 / 仅路由策略选择 520-594 / 未触碰未来评估 595-743，切分只由时间决定、标签与指标不能移动切点——修复"同一段验证数据既拟合校准又选策略"的方法论边界，结果显示冻结校准器在后段显著过预测（绝对概率时间不稳）但排序路由仍然有效；(2) 精确容量路由——大分数并列让标量阈值不适合作精确队列容量，改用"每万笔告警数"契约 + 稳定非标签 event_key 决胜；priority = P(fraud)×(amount/median)^α 预注册 α 族，全部目标收敛 α=0.25；(3) 三组对照实验留证据：监督模型对未来 shared-device 攻击 0% 召回 vs 无标签尾流检测器 93.3% 召回@0.86% 误报；7 天成熟标签视图仍 0% 新攻击召回 vs 即时标签 oracle 88.4%（标签延迟泄露演示）；风险触发标签 vs 全历史标签的验证偏差（PR-AUC 0.584 vs 0.646）；(4) 负结果保留可见——PaySim 无骡子标签，recipient fan-in AUC 0.493 的阴性结果不删除；(5) 80/20 exploit-explore 治理性队列在新攻击召回 40.2% vs 纯模型 0%。

风控视角："欺诈科学"全 Discipline 检查清单的可运行实现：时间边界四段切分、PIT SQL/Python 一致性测试、CI 里跑 6.36M 行基准、负结果与局限性逐项申报——与 08-18 fraud-detection-mlops（seed-noise bands）同谱系但把边界推到决策层（校准/路由/评估分离）。"绝对概率校准时间不稳但排序稳定"是生产欺诈系统的真实痛点第一次在开源里被量化。面试"延迟标签/样本选择偏差/新兴欺诈监测"三连问的实证参考。⚠️ 全合成+取材叙事，声明非生产影响。与 风控策略 的决策科学与 风控模型 的评估体系直接相关。→ GitHub

4. app-fraud-interdiction (portable-genai) — APP 诈骗拦截确定性服务（六边形架构 + 纯 stdlib 决策核心 + 引用式客户警示 + 规则 R8 强制人工审查 + PII 先脱敏再审计 + 五表面同域服务 + A2A agent 卡）【信号：★★★】

portable-genai/app-fraud-interdiction（0★, Python 3.12, 08-22 创建→08-23 推送, SPEC/ARCHITECTURE/COMPLIANCE/DEMO 四文档 + make gate 离线门禁 + demo-selftest 无头断言）做的是授权推送支付（APP）诈骗的实时拦截——英国 PSP 监管语境（PS23/3 方向）的开源对应物：对在途付款跑确定性规则+特征，产出 locale 感知的客户警示与分析师案例叙述；block/hold 保持确定性（LLM 不碰决策）。

工程纪律是亮点：(1) 后果性决策纯函数化——决策核心零 SDK 依赖（stdlib only），gcp/onprem 适配器惰性导入，SCAMINTERDICT_PROFILE 无默认值、拼错即 import 时抛错（"typo 不得静默选错栈"）；(2) 每个结果带引用（citation）——客户警示可回溯到触发规则；(3) 规则 R8：升级结果同调用内路由人工审查而非自动执行或留在没人读的 flag 里，且五条路径（FastAPI/CLI/agent 工具/微前端/eval harness）共享同一域服务，R8 不在 4/5 表面失效；(4) PII 在任何审计发生前先脱敏（jurisdiction PII 模式包）；(5) 环境变量三态读取（unset/set-empty/set-valid 分开）由单测强制；agent 工具结果额外脱敏（"工具结果会进模型上下文"）；(6) 合规即文档——COMPLIANCE.md + WORM 哈希链审计日志（hash-chained SQLite）。

风控视角："确定性优先 + LLM 辅助"的监管级实现模板：与 antifraud-knowledgehub（规则引擎权威性同款设计）、08-19 AWS MCP agent 同构成"agent 时代风控决策权归属"的三样本——LLM 只写叙述，不碰拦截决策。六边形架构 + 可移植性证明（onprem fail-fast 占位即"可逆性证明"）是金融级供应商锁定规避的参考。国内"事中拦截+人工复核"流程（涉诈账户拦截、转账延时到账复核）的工程化对照。与 实时风控引擎 的决策服务化和 反欺诈体系 的 APP 诈骗场景直接相关。→ GitHub

5. paper-trail (bennett-17) — stdlib-only Go OSINT 尽调 CLI（21 命令 × 17 国公共数据源交叉引用：SEC EDGAR/Companies House PSC/OFAC SDN/INTERPOL 红通/CT 日志/RECAP 诉讼 + calibrate 随机基线校准命令）【信号：★★】

bennett-17/paper-trail（1★, Go, 07-19 创建→08-24 推送, CI + testdata, 零第三方依赖）把壳公司与合谋风险的实体关系尽调做成单二进制：EDGAR 内部人关系（Form 3/4/5）+ 13D/13G 受益所有权 → 实体关系图；英国 Companies House 高管/PSC（重大控制人）；OFAC SDN + State/BIS 制裁名单；INTERPOL 红通；crt.sh 证书透明日志（域名的全球 TLS 证书）；RECAP 联邦诉讼；FEC 政治捐款；LittleSis 人脉网络——每条命令都是对政府 API 的活查询，无抓取无.bulk 下载。

两个设计值得抄：(1) calibrate 命令——用随机公司样本测每个指标"偶然命中频率"，把"红旗信号"与"噪声信号"在部署前定量分开（指标基线校准意识在 OSINT 工具里极罕见）；(2) person 命令支持从人名反向出发（officer 搜索）而非只从公司名正向——尽调的真实入口经常是一个人。

风控视角：KYB/受益所有人穿透的开源底座：国内对应场景是空壳公司识别（配 MuleNet 的图方法）与制裁名单筛查。risk 命令聚合全部源输出结构性红旗，配合 --json 可直接进规则引擎。calibrate 的"先测指标偶然命中率再信指标"思路可迁移到任何名单/规则类信号上线前评估。⚠️ 覆盖以英美澳新 + 国际组织为主，单人项目。与 反洗钱 的 KYC/CDD 环节相关。→ GitHub

6. ARGUS (rudraakshreddy) — 七层欺诈检测教科书工程（IEEE-CIS 590K + 四模型对比 + bootstrap CI/Wilcoxon/期望成本阈值 + Airflow AUPRC 门控重训 + FastAPI SHAP 服务）【信号：★★】

rudraakshreddy/argus（0★, Python, 08-22 创建→08-24 推送, 完整目录分层 ingestion/db/processing/modeling/evaluation/serving/automation）是"一个真实数据团队会用的全层栈"开源复刻：SQLite 幂等 ETL → sklearn Pipeline（log-amount/周期时间编码/PCA/leak-free target encoding）→ 四模型（校准 LR / XGBoost Optuna 100 试 / Isolation Forest / 仅用合法样本训练的 PyTorch 自编码器）→ AUPRC 为主指标 + bootstrap 95% CI + Wilcoxon 显著性 + 期望成本最小化选阈值（拒绝 θ=0.5 惯例） → FastAPI 多阶段 Docker（non-root）+ SHAP → Airflow DAG 周期摄取 + AUPRC 门控重训（指标掉线才触发）。

风控视角：监控驱动重训（metrics-gated retraining）的参考实现：AUPRC 门控替代盲目周期重训，是"模型上线后什么时候该重训"的朴素正确答案；leak-free target encoding 明确命名防泄露；README 结果表诚实留空（"— [—, —]"）等管线跑完填充而非预填幻觉数字——与 08-20 Tejas-1017 徽章幻觉反例的对照样本。适合作为 Java 后端转风控的全链路学习地图（每层一个目录）。⚠️ 新建 2 天未验证指标、Streamlit 部署教学级。与 风控模型 的 MLOps 相关。→ GitHub

7. CaT-GNN (Chrisolande) — 因果时序 GNN 抗分布漂移（注意力划分因果/环境邻居 + Beta-mixup 反事实干预 do(V_env) + 不变一致性损失 + 5 种子 0.709 AUPRC @S-FFSD）【信号：★★】

Chrisolande/invariant-CaT-GNN（0★, Python/PyTorch Lightning, 08-16 创建→08-22 推送, 7 测试 + multi_seed_results.csv 数据在仓）针对交易图的分布漂移与伪时间相关：标准 GNN 过拟合瞬态捷径（临时商户促销、局部爆发量、季节热点）。方法五件套：Time2Vec 连续多尺度谐波时间编码 → 多头关系注意力（Source/Target/Location/Type 四关系）→ 注意力分布无参数划分邻居为因果槽/环境槽 → 环境节点值表示 Beta 插值因果供体做反事实干预（结构后门调整）→ 不变一致性损失（warmup 调度）。5 种子 AUPRC 0.709±0.131（种子间方差本身就是要不要信的提醒），chronological 切分，Streamlit demo。

风控视角："不变风险最小化"思想在欺诈图的落地参考：欺诈模型的日常痛点就是"上线即衰减"（套利者适应）——把捷径特征与不变机制显式分离是抗衰减的正路之一。与 08-15 Counterfactual Fraud Networks（反事实=敏感性非因果警示）互补：那篇警告反事实解释的误用，这篇把干预用在训练侧。⚠️ 单人研究代码 + 种子方差大（0.56-0.92）。与 图风控 的鲁棒性相关。→ GitHub

8. transparent-graph-fraud-xai (xhan85-a11y) — 图欺诈可解释性评估纪律（TR-GAT + LRP 式相关性分解 + 解释保真度五指标量化 + "注意力权重不是因果证明"明示 + 三种合成欺诈机制带 ground-truth 触发特征）【信号：★★】

xhan85-a11y/transparent-graph-fraud-xai（0★, Python, 08-22 创建, CITATION.cff + Dockerfile + config 驱动可复现实验）研究一个具体问题：时序异构图模型提升协同欺诈检测的同时，解释能否被定量验证而非只是可视化。解释质量当一等公民评估：相关性守恒误差 / comprehensiveness（删除 top 相关特征后的预测下降）/ sufficiency（仅保留 top 特征的预测保持）/ 稳定性 / 边删除保真度。方法护栏：时间切分非随机、无标签衍生图特征、注意力权重不作为因果性证明、合成生成器埋入潜在欺诈机制（burst rings / geo-velocity / 商户类别洗钱链）并记录 ground-truth 触发特征供解释恢复分析——模型看不到这些字段。

风控视角：可解释性的"可验证性"层：监管对模型解释的要求（SR 11-7 式模型风险管理）最终要回答"这个解释对不对"，五指标框架把 LRP/GNNExplainer 类方法的评估标准化；"合成数据带 ground-truth 机制字段但不给模型"是解释评估的干净设计，可迁移到任何 XAI 验证场景。⚠️ 研究原型 + 全合成。与 风控模型 的可解释性相关。→ GitHub

9. multi-agents-in-fintech-regulatory-compliance (dogaanismail) — 22 容器事件驱动银行 + 三专职 ML agent + MADDPG 编排的 AML 全链（CQRS/事件溯源 30 万不可变事件 + CTDE + 三层奖励 + TreeSHAP/Integrated Gradients 双层归因 + 五 typology 召回）【信号：★★】

dogaanismail/multi-agents-in-fintech-regulatory-compliance（2★, Java 10 微服务 + Python 3 agent, 2025-10 创建→08-23 推送, 利物浦 MSc）用 Axon Saga + CQRS + 事件溯源搭核心银行（零篡改审计轨迹），10,000 合成付款过五类洗钱 typology：Transaction Pattern Agent（XGBoost 57 特征）/ Customer Risk Agent（XGBoost+SMOTE 30 天滑窗 19 行为特征）/ Network Analysis Agent（CatBoost 11 图拓扑特征 deliberately volume-free——刻意不放交易量防捷径），MADDPG 中央训练分散执行（CTDE，~415K 参数），三层奖励（自动启发式→官员审查→决策覆盖）可热更配比。系统召回 97.3%（smurfing 99.3 / fan-out 100 / layering 99.6 / round-trip 76 最难），精确率 11% 明示 by design（漏报的监管代价更高，误报走人工），中位延迟 779ms。

风控视角：MARL 编排多专职 agent 的完整参考：与"单模型一刀切"对照，三 agent 各覆盖一个欺诈维度（模式/行为/网络）再学协作——multi-agent 架构在风控的形态样本；三层奖励把 HITL 反馈做进 RL 目标是"从合规官反馈学习"的可运行版本。Java 微服务侧（Kafka+Avro+事件溯源）对 Java 背景读者是熟悉栈。⚠️ 学术项目 + 全合成 + 精确率设计取舍需场景适配。与 反洗钱 的交易监控和 实时风控引擎 的事件驱动架构相关。→ GitHub

10. financial-risk-engine (SSSA335) — 全免费层实时欺诈引擎五件套（Redis Pub/Sub 流 + ONNX 亚毫秒推理 + TimescaleDB hypertable + WebSocket 仪表盘 + 五服务 docker-compose，live demo 在线）【信号：★★】

SSSA335/financial-risk-engine（0★, Python+Next.js, 08-21 创建, live demo 实测 HTTP 200）是最小成本的真实时欺诈参考路径：Producer 持续产合成交易（含注入"欺诈爆发"段）→ Redis Pub/Sub → Consumer 特征工程（训练与推理特征严格同构）+ ONNX Runtime 推理（0.41ms，远低于 20ms 目标）→ TimescaleDB hypertable 持久化 + WebSocket 广播 → Next.js 仪表盘自动重连。五组件全部免费层（Redis Cloud 30MB / Neon Timescale / Render / Vercel）无信用卡。

风控视角："实时链路最小可行"的复刻模板：国内面试常考的"实时风控链路怎么搭"一题，这个仓库就是端到端答案的最小版（消息层换 Kafka、特征层接 Redis 特征存储即生产形态）。ONNX 导出让 XGBoost 脱离 Python 运行时是延迟关键。与 实时风控引擎 直接相关。⚠️ 简单规则阈值 + 合成数据，深度在链路不在模型。→ GitHub · Live

11. aegis-risk-engine (vinodkadli7022) — 商户侧欺诈决策台（成本敏感阈值 40.1% + SHAP 归因 + 三级政策 + /methodology 模型卡 + IEEE-CIS 20K held-out 基准诚实申报）【信号：★】

vinodkadli7022/aegis-risk-engine（0★, React 19+Express+TS, 08-23 创建，当天 10 分钟窗口三次推送）是商户收单侧（chargeback/退货/欺诈）的实时评分控制台：20ms 内 0-100 评分、SHAP 式归因（设备复用/速率尖峰/地址不符）、Approve/Review/Hold-and-request-evidence 三级、IEEE-CIS 20K 未触碰 held-out 上 PR-AUC 42.2% / Recall 59.4% / Precision 16.0% 全部印在 README，含阈值扫描与校准图的 /methodology 模型卡页，并注明 isFraud 只是损失代理标签不等同最终拒付结果。

风控视角："模型卡进产品"的轻样本：/methodology 页把模型边界当产品功能展示（而非藏起来），成本优化阈值只在验证集上选——小而正确的做法。快照仓库风格（10 分钟三连推、无 git 历史），工程参考价值有限，作为商户侧视角 + 诚实申报文化的补充分母。与 风控策略 的阈值治理相关。→ GitHub

技术趋势

  • 联邦学习拿到"为什么不合库"的量化答案：MuleNet 显示中心化合并（0.732 PR-AUC）低于联邦（0.832）与孤岛（0.808）——共享商户节点让消息传递在合并图上抹平信号；联邦的收益形状（弱者多赚、强者不亏）第一次有开源可复现证据。跨机构反欺诈协作的算法侧论证从"合规驱动"升级为"效果驱动"。
  • 决策科学边界继续细分：payment_fraud_decisioning v1.7 把"校准"与"路由策略选择"拆成不相交时间段（此前光谱：08-13 密封边界→08-14 泄露量化→08-17 PIT 测试→08-18 seed-noise bands→08-19 标签延迟特征→今日校准/路由/评估三权分立）；"绝对概率时间不稳但排序路由稳健"是校准漂移与决策解耦的实证。
  • "LLM 不碰决策权"成为 agent 时代风控共识：app-fraud-interdiction（确定性 stdlib 核心 + LLM 只写叙述 + R8 强制人工审查）与 antifraud-knowledgehub（规则引擎权威性 + LLM 补充-only）同款设计独立出现——监管语境下 agent 的安全位在哪，开源社区已收敛出模式。
  • 欺诈情报结构化交换层补位：FLAME 在 MITRE F3/Stripe FT3(弃)/Group-IB(闭源)/FS-ISAC CFPF(纸面) 之后做开源交换层（7 框架交叉映射 + STIX/MISP/TAXII + MCP），"分类法定语言、交换层定价值"的分工成形。
  • 恶意仓库进入"代码树伪装"阶段：Tannerkatabolic443 带完整 agents/api/parsers 目录树但 README CTA 直指 github.io 落地页 .exe——文件树真实性彻底失效，README CTA 维持唯一可靠信号；生成式账号家族第 5 例，github.io 落地链在 07-29/08-18/08-19 后第四次复发。

行业案例

  • 跨行骡子账户检测：MuleNet（4 银行 FedAvg 子图联邦 + PU 弱标签，环级 100% 浮出）
  • APP 诈骗实时拦截：app-fraud-interdiction（确定性规则 + 引用式客户警示 + 强制人工审查，PS23/3 语境）
  • KYB/壳公司尽调：paper-trail（21 命令 × 17 源公共数据交叉 + 指标偶然命中率校准）
  • 支付决策治理：payment_fraud_decisioning（6.36M 行 PaySim 上校准/路由/评估三段分离）
  • AML 多 agent 编排：dogaanismail（MADDPG CTDE + 三层奖励 HITL，五 typology 召回）
  • （反面）恶意仓库：Tannerkatabolic443/ap-automation-agent（代码树伪装 + github.io→.exe，要求管理员权限）

值得深入

  1. MuleNet 的 baselines.py SMOTE-CV 泄露修复 docstring——重采样穿越 CV 边界是比特征穿越更隐蔽的泄露族，对照自研项目的 CV 管线做一次排查。
  2. FLAME 的 STIX 欺诈扩展字段设计（docs/STIX-FRAUD-EXTENSION.md）——标准 STIX 面向网络安全对象，欺诈威胁路径如何建模，接自研规则引擎情报输入的映射成本。
  3. payment_fraud_decisioning 的四段切分 Makefile/CI 实现——切点由时间戳硬编码的实现方式，迁移到 Java/风控平台时的等价机制（调度系统的时间边界声明）。
  4. app-fraud-interdiction 的三态环境变量读取测试——"操作员故意清空的值不得继承更宽松的默认"这一运维安全细节的测试化方法。