风控日报 — 2026-08-28

📊 原料：52 条相关条目（GitHub 仓库搜索 40 条 / arXiv 12 条全部无关——新批次 2608.260xx（08-26 提交日期）：TRAPPIST-1 行星宿主星丰度、Bridgeland 稳定性、极高能空气簇射无线电、VBVR-Pro 视觉推理、Zero-WAM 机器人世界动作模型、RefVideo-6M 视频编辑数据集、Harper-Hofstadter 量子几何、蜂窝边缘功率自治研究 agent、ICON 概念级解释分解（模型审计主题但域为深度表示审计非交易风控）、菱方石墨烯磁畴壁、多模态持续后训练、PlanSightRAG 民用标准图 RAG）。arXiv 全噪声小计：连续 33 期（07-17→08-28）全噪声，累计 758 条中 1 条相关，噪声率 99.9%。剔除构成：21 条已覆盖/重复（agentic-payment-risk-governor、weiwen-law-dsh、credit-scout 为 08-26/27 同仓重推、phaas-tracker、api-evangelist 档案×5[tongdun/tmt-id/tim-com/sift×2]、FFraud-com×2、lucidfence、jd-capital、portfolio-risk、TemporalStore、finpulse、prompt-integrity-validator、amlystuhub、gnn-ieee-fraud-detection、mibox3-libreelec[Amlogic "aml" 关键词碰撞]、amlaki[房产]）+ 3 条非风控（leyline/fftcg-game/namankan-desk 游戏与选举桌）+ 2 条过薄（Chezhiyan1808/sentinel-risk-engine 仅 main.py 无 README、sushilpatil51p-ds 学期项目）+ 2 条域外（variation-evidence-agent[建筑合同 WhatsApp 变更取证，scaffold 截断]、classical-machine-learning[葡语 ML 教学仓，ULB 仅作练习数据集]）+ 1 条 Infrai astroturf 确认剔除（ArjunPatel3961/fintech-gateway-cutover：代码干净但 README 尾部为 api.infrai.cc 商业网关营销+$2 注册积分+llms.txt LLM-SEO——与 08-19 NilsBerg9082 同一模式第 2 例，非恶意但零信号）+ 1 条同质教学（FinShield-PK：XGBoost+SHAP+FastAPI 全家桶，与近三日教学模板同slot）。1 个已确认恶意仓库残留（Digressive-pulse731/fraud-detection-api[07-26]——不重复验证）。连续 4 日无新确认恶意仓库，累计维持 20 个。今日筛出 9 条新增高信号条目。今日主题是"对抗逃逸×证据链评估"的会师：lurescope 把"干净数据准确率不是部署准确率"做成可交互实验室（单字符同形字替换让关键词检测器 69%→17%），与本周 LOAFO/预注册/conformal 代价线汇成同一方法论；同时 AML/区块链图学习三样本（ElliGAT 异质图、CounterFraud-GNN 多种子诚实、aman-jnu 实体异构图）共同回答"图结构什么时候真有用"。

今日高信号

1. lurescope (immu4989) — 对抗逃逸×风险控制策略×任时有效监控的欺诈 lure 评分实验室（单字符同形字替换让关键词检测器 69%→17% 逃逸；normalize 后字符攻击 0% 恢复、"残余鲁棒性缺口是语义的"；LLM 判别器对字符攻击近免疫 0-5%+已发表结论修正日志；LureBench schema-v2 策略带有限样本 FPR 控制，threshold_source=validated_policy 全程可溯；LureWatch 任时有效违规告警 hash 链 in-toto 检查点；Shadow Inbox 先度量后执法；Defender 离线对照+OSCAL/OCSF 联邦证据导出）【信号：★★★】

immu4989/lurescope（2★, Python, 07-13 建→08-27 推送, Apache-2.0, PyPI v0.11.0, Zenodo DOI, CI+PyPI smoke）是 LureBench（欺诈钓鱼语料基准）的配套可部署评分 API，但真正的价值是它把检测器的对抗鲁棒性评估做成了产品级工作流。三步核心循环："Paste a message → apply an evasion a real fraudster would run (homoglyph/leet/paraphrase) → flip on input normalization and see whether the detector recovers — or whether the attack was never typographic to begin with"。四个工程亮点：(1) 逃逸证据定量化——819 条 lure 语料上按攻击×检测器出热力图：关键词检测器对字符攻击 99-100% 逃逸、同形字单字符替换（Cyrillic е）即 69%→17%、normalize 把 homoglyph/zero-width 打回 0%（无损可逆）而 leet 只剩残余——"字符混淆对任何做输入规范化的检测器都是已解问题，残余缺口是语义的"；(2) 跨模型结论+修正日志——LLM-as-classifier 对字符攻击近免疫（最强两个 0-5%），且 LLM_SCORECARD.md 全文记录两处已发表结论的修订（2026-07-30）——结论可被推翻且修订留痕；(3) 风险控制策略部署——/score 无显式阈值时套用 LureBench 校准策略（有限样本 FPR 控制），响应携带 policy_id+threshold_source=validated_policy（对照 08-27 CRC 预算阈值：阈值必须带证据出处）；(4) LureWatch 任时有效监控——FPR/FNR 上限、监测族、错误告警预算先固定，每批裁定聚合计数重算于 hash 链 in-toto 检查点（P-256 DSSE 可选签名），"不告警≠安全证明"明示。Live 实测三端点全 200（GitHub Pages 浏览器实验室 / HF Space / PyPI）。

风控视角："评估即证据链"本周弧线的会师点：08-26 预注册预测+LOAFO→08-27 conformal 告警量代价→今日对抗逃逸矩阵+有限样本策略阈值+任时有效监控——同一方法论在反钓鱼域的完整落地，且"先 Shadow Inbox 度量后执法"（pilot gate 预注册）可直接迁移到国内反诈邮件/短信拦截策略的灰度流程。逃逸热力图是"文本风控检测器上线前该跑什么测试"的模板答案。与 风控模型 的对抗鲁棒性评估和 风控策略 的阈值治理直接相关。→ GitHub · Browser Lab · HF Space

2. aml-service (anakidkin) — Java 25 交易反洗钱引擎的延迟预算设计教学（五段延迟预算表：摄入 5-10ms→Cassandra 上下文 10-15ms→内存规则 5-10ms→PG Outbox 10-15ms→Kafka 异步发布，合计 30-50ms vs 100ms SLA；Transactional Outbox+Cassandra 24h/30d 聚合；Kafka KRaft；Testcontainers+JMH+Gatling 全套）【信号：★★】

anakidkin/aml-service（0★, Java 25+Spring Boot 4, 08-26 建→08-27 推送, 1 commit, 363KB, master）是国内 Java 风控 JD 的直接对口样本：高吞吐 AML 交易评估引擎，目标 10,000 TPS、<100ms 端到端（目标 40-60ms p99）。最有教学价值的是显式延迟预算表——每段（REST 摄入 MapStruct / Cassandra 聚合上下文查询 / 纯 Java 内存规则 / PG 事务性 Outbox 持久化 / Kafka 异步发布）单独标预算与技术选型，异步段明示不进同步决策路径；架构保证：零数据丢失（At-Least-Once + Outbox 模式）、不可变审计轨迹（历史聚合进 Cassandra）。测试三件套：Testcontainers+AssertJ 集成测试（真实 Cassandra/PG/Kafka 容器）、JMH 微基准、Gatling 负载测试各有 gradle task。

风控视角："实时 AML 链路怎么分段设计"的答题骨架：Outbox 模式（先落库再异步发 Kafka，规避双写不一致）+ Cassandra 存滚动聚合（24h/30d 交易历史）+ PG 存事务真相——正是 Flink/Redis/Drools 生产形态的 JVM 微服务对照版。延迟预算表本身值得抄：把 SLA 分解到每段并写明技术承担者，比"我们系统很快"的叙述强一个量级（对照 08-27 断言式基准：这里是预算分解，那里是断言验证，互补）。⚠️ 单 commit 新仓、预算表是设计目标而非实测结果、纯 Java 域规则无 Drools。与 实时风控引擎 的链路设计直接相关。→ GitHub

3. CounterFraud-GNN (Chrisolande) — 08-24 invariant-CaT-GNN 的更名成熟版（多种子诚实披露：AUPRC 0.7094±0.1311，种子间 0.5576-0.9155 全范围公开——单种子声明在此领域无意义；Time2Vec 连续谐波时间编码+注意力 Causal Inspector 因果/环境节点划分+Beta-mixup 反事实干预；不平衡校准阈值 0.2820 而非默认 0.5；5 种子+时序切分+7 测试）【信号：★★】

Chrisolande/CounterFraud-GNN（0★, Python/PyTorch Lightning, 08-16 建→08-27 推送, master）即 08-24 已入图的 invariant-CaT-GNN 的更名+强化迭代：新增 train_multi_seeds.py+multi_seed_results.csv（5 种子逐个公开 AUPRC/AUROC/Macro-F1/校准阈值）、测试套件（7 passed）、CaT_GNN_Walkthrough.ipynb 教学笔记本。方法面（Counterfactual Temporal GNN）：Time2Vec 对数间隔频率银行捕捉微秒级 burst 到月级周期（无人工时间分桶）；多头关系注意力+离散关系偏置；无参数 Causal Inspector 用已学注意力把局部邻域切分为因果节点 C_i（真实行为驱动）与环境节点 E_i（促销/节日等背景噪声）；Causal Intervener 用 Beta-mixup 后门调整 do(V_env) 做反事实压力测试；不变一致性正则+渐进 warmup；决策阈值在验证集上按 Macro-F1 搜索（0.2820±0.0522）显式应对极端不平衡。

风控视角："多种子全范围披露"本身就是信号：AUPRC 种子间 0.5576-0.9155 的巨大方差诚实公开（对照只报最好种子的常见做法）——与 08-26 msc-dissertation 的"设计接线零贡献"形成同一主题的两面：图方法的收益声明必须带方差与对照。因果/环境划分+反事实干预是"策略漂移下哪些特征还可靠"的模型化答案，与本周特征可得性/泄露量化/LOAFO 同属"评估先于部署"谱系。⚠️ 0★ 个人仓、S-FFSD 单数据集、种子方差大到结论需谨慎。与 图风控 的成本收益分析和 风控模型 的评估体系直接相关。→ GitHub

4. ElliGAT (ria0304) — 椭圆比特币数据集上的异质图注意力网络（heterophily-aware：欺诈节点刻意混入合法邻居，标准 GNN 聚合恰好抹掉判别信号；MetaEnsemble F1 0.8629±0.0038 vs 纯 GNN 0.7925±0.0104；README 含区块链数据溯源章节：UTXO 图→203,769 节点/166 特征→法证聚类标签）【信号：★★】

ria0304/Bitcoin-Transaction-Fraud-Detection-（1★, Python, 03-29 建→08-27 推送, 1.8MB）针对 Elliptic Bitcoin Dataset（468,710 无向边、49 时间步、~9.76% 非法）命名三个结构难题：异质性（mixing/layering 让欺诈节点被合法邻居包围——消息传递平均掉恰恰是判别信号）、极端不平衡、时间演化。ElliGAT 用异质感知图注意力+16 维时间边编码同时应对三题，MetaEnsemble（GNN+表格模型集成）5 种子 F1 0.8629±0.0038。README 的数据溯源章节罕见地认真：从区块链→UTXO 图→采样节点/边→common-input-ownership 启发式聚类→对交叉证资源打标的全链条讲清"图的三个性质不是数据集人为产物而是链上价值流动的直接后果"，并明示"Elliptic 特征是匿名化派生而非原始地址/金额，模型离活链一步之遥"。

风控视角：与 08-26 "图结构惰性"发现的教科书对照：财报欺诈图上设计接线零贡献 vs 区块链 AML 图上异质性是核心结构——"什么时候值得上图"的答案开始分层：异质密集资金流图（mixing/layering）上图，稀疏关联图不一定。数据溯源写法（标签怎么来的）是所有图风控数据集使用前该抄的尽调清单。⚠️ 单人仓、Elliptic 基准饱和度高、与生产交易风控距离较远。与 图风控 的建图决策和 反洗钱-AML 的链上分析直接相关。→ GitHub

5. effectus (josephjohncox) — 强类型规则编译器+持久执行运行时（.eff 源码→检查过的 protobuf IR（事实路径/动词参数/结果绑定全静态检查）；不可变运行时代代+原子激活；PostgreSQL 持久 saga 状态；signed OCI bundle 按 digest 部署+拒绝可变 tag+拒绝进程内 Go 插件；"补偿是恢复工作不是 ACID 回滚"的诚实边界声明）【信号：★★】

josephjohncox/effectus（0★, Go, 2025-04 建→08-27 推送, 37.9MB, buf/gRPC 生态）是"数学上可靠的规则引擎"：规则以 .eff/.effx 声明式语言编写（README 示例即 HighRiskLargeTxn 欺诈规则：when { transaction.amount > 1000 } then { FlagFraud(...) }），编译器静态检查后产出带内容摘要的确定性工件；生产 daemon 用单一持久执行引擎跑 HTTP/Kafka/gRPC/CDC/SQL/S3/Iceberg/AMQP/Redis 适配器，admission/execution/recovery/saga 状态全在 PostgreSQL。三个治理设计罕见：(1) 工件完整性——部署必须用 OCI digest+操作员签名验证器，不轮询可变 tag；(2) 执行边界诚实——"Effectus 控制内部准入与执行状态，不把外部服务变成事务性的；外部目的地必须自己执行幂等键或 fencing token；补偿是恢复工作，不是 ACID 回滚"；(3) 拒绝进程内插件（供应链面收窄）。

风控视角：规则引擎工件治理的直接参考：国内规则引擎的常见事故是"规则版本没人管、热更新回滚靠记忆"——digest 固定的不可变规则代+原子激活+审计链是解法模板；静态检查的声明式规则（对照 CEL/Drools DSL）+saga 状态持久化把"规则热路径"与"副作用补偿"分离。对 Java 工程师：设计评审时"你的规则工件怎么版本化、怎么回滚、怎么证明线上跑的是哪个版本"三连问的答案库。⚠️ 非金融专用、社区小、运行时重量级。与 风控策略 的规则引擎选型直接相关。→ GitHub

ipanalytics/IP-Knowledge-Layer（2★, Python+数据仓, 05-20 建→08-27 推送, 954MB 数据, data-first）把散落的公开 IP 仓库（云段/Tor/爬虫/ASN）合成一个归一化富化层：CIDR or ASN → layer → provider → service → tags → confidence → source，每条记录带来源与置信度。当前 release（2026-08-27T22:32Z，GitHub Actions 每日构建）四层构成里最有新意的是 satellite-internet 层：从运营商公开 GeoIP feed+BGP 证据+子网-PoP 映射推导 Starlink 等卫星前缀（14,743 条）——卫星互联网用户的流量从远离用户物理位置的 PoP 出口，直接击穿 geo-velocity/不可能行程类特征的地理假设。消费方式 curl/Actions/SIEM/WAF/反欺诈管线直拉，无 API key。

风控视角：IP 风控特征的数据底座补齐：与 08-26 getIPIntel（概率评分 API）互补——这里是可自托管的结构化前缀层（云/CDN/爬虫/Tor/卫星标签），适合进特征平台的离线批量富化与规则引擎的名单层。卫星前缀情报是国内风控少见的盲区：Starlink 用户会被误判为"跨洋不可能行程"，这层标签是 velocity 特征的纠偏项。⚠️ ASN signals 当前 0 条（建设中）、社区小、来源健康度需自行监控。与 反欺诈体系 的 IP 风控和 特征平台 的外部数据源接入直接相关。→ GitHub

7. Fraud-Detection (aman-jnu) — IEEE-CIS 表格数据到异构实体图的端到端管线（cards↔addresses↔email domains↔devices↔products 五类节点、card→product 交易边分类框架；GCN/GraphSAGE/GAT/TGN 四模型+XGBoost 基线；<100ms k-hop 子图推理 FastAPI /score；流式 producer/consumer；torch 扩展安装顺序工程化）【信号：★★】

aman-jnu/Fraud-Detection（0★, Python 3.11/PyG, pushed 08-27）把 IEEE-CIS 表格交易数据构建为异构图并做边分类（每笔 card→product 交易边的欺诈概率）——与常见的节点分类不同，这个框架直接对应"给交易打分"的生产语义。工程链完整：类型化数据加载与 HeteroData 校验、时间切分（time-based splits）、focal/weighted losses、AUPRC 优先指标、k-hop 子图在线推理引擎（<100ms）挂 FastAPI、可选 Redis 流式 demo。install.py 处理 torch-scatter/sparse/cluster C++ 扩展与 PyTorch/CUDA 版本对齐（"不要直接 pip install -r"的顺序工程）。

风控视角："表格风控数据怎么变成实体图"的可抄实现：国内交易风控的设备指纹/收货地址/邮箱/银行卡多实体关联正是这套异构建模的原材料，边分类+子图在线推理的形态比全图重训更贴近实时链路。四 GNN+表格基线的对照结构也方便回答"图模型比 XGBoost 好在哪"（答案要拿 AUPRC 差距说话）。⚠️ 个人仓、IEEE-CIS 饱和基准、TGN 时序模型训练成本高。与 图风控 的实体图建模和 实时风控引擎 的在线推理设计直接相关。→ GitHub

8. finstream-gcp-data-platform (Devince12) — GCP 云原生风控数仓全栈（Pub/Sub→Dataflow/Beam→BigQuery Bronze→Dataform 转换+断言→BQML 欺诈检测→Looker Studio；Cloud Composer/Airflow 编排；Terraform IaC；合成 producer 含欺诈 burst/velocity 场景；阈值在验证集选、未动测试集后评 99.10% accuracy）【信号：★】

Devince12/finstream-gcp-data-platform（0★, Python+Terraform, 08-26 建→08-27 推送, 1 commit）是云原生版 Medallion（对照 08-27 Snowflake 仓）：合成银行交易（持久客户画像/重复设备/欺诈 burst/速度场景）→Pub/Sub→Dataflow 校验入 BigQuery Bronze（无效记录进 dead-letter）→Dataform 做 staging/marts 带断言→BQML 训练欺诈模型→Looker Studio 高管/风险双看板；Airflow/Composer 日编排；全栈 Terraform。README 记录 08-25→26 测试：阈值在验证集选定后才碰测试集，最终 accuracy 99.10%。

风控视角：切分纪律对、头条指标错的反面教学样本：验证选阈值/测试只评一次的纪律正确，但头条用 accuracy（欺诈率 <0.2% 的不平衡数据上 99.10% 几乎无信息量——全判合法也有 99.8%）而不是 AUPRC/召回@精度，正是本周"徽章指标幻觉"家族的温和变体；Dataform 断言（数据质量门）与 dead-letter 流设计是云栈值得抄的部分。⚠️ 单 commit、合成数据、GCP 免费层演示。与 风控数据架构 的云原生参考相关。→ GitHub

9. ameva-sentinel (uno-km) — 隐私优先的 Web 安全观测与确定性威胁评分层（客户端派生交互遥测零原始坐标外传；0-100 风险引擎+Policy-as-Code；TS/Python 双运行时 SDK；Redis 层级令牌桶成本护栏；shadow mode 默认）【信号：★】

uno-km/ameva-sentinel（1★, TypeScript+Python, 08-21 建→08-27 推送, v2.2.0-alpha, Apache-2.0, npm+PyPI）面向 Web 应用的流量观测+预算守卫：@ameva/sentinel-browser 在客户端派生交互特征（零原始坐标）再上送，评估层做确定性策略护栏（RequestShapeGuard/ResponseBudgetGuard/有界威胁聚合器），存储层本地紧急预算+Redis 分布式令牌桶，适配 Express/Fastify/Next.js/FastAPI/Flask；多夹具一致性语料+SHA-256 策略校验和验证。韩国项目（使命声明韩英双语），alpha 明示"shadow mode 评估用"。

风控视角："特征在客户端派生、只传分数不传原始数据"是个保法最小必要原则在设备/行为遥测层的直接落地：对照国内设备指纹全量采集的常见做法，derived-telemetry 模式是合规收紧后的演进方向；令牌桶做 API 成本护栏与 08-25 kaidn 配额护栏同族。⚠️ alpha、域为 Web 安全观测非交易风控（可迁移的是隐私遥测模式）。与 反欺诈体系 的设备指纹合规相关。→ GitHub

技术趋势

  • "评估即证据链"弧线会师：lurescope 的对抗逃逸热力图+有限样本 FPR 策略阈值（threshold_source=validated_policy）+任时有效监控（LureWatch：预算先固定、hash 链检查点、"不告警≠安全证明"）——从 08-26 预注册/LOAFO、08-27 conformal 代价到今日对抗鲁棒性，"干净数据准确率不是部署准确率"完成三连证明，且已发表结论的修正也全文留痕（LLM_SCORECARD 修订日志）。
  • 图风控收益声明进入"方差+对照"时代：CounterFraud-GNN 公开 AUPRC 种子间 0.5576-0.9155 的巨大方差、ElliGAT 以异质性（欺诈节点被合法邻居包围）解释为什么区块链资金流图上图有理——与 08-26 "设计接线零贡献"合并读：异质密集资金流图上图、稀疏关联图先跑对照。
  • 延迟预算分解成为实时链路的表达范式：aml-service 五段预算表（每段标技术承担者、异步段明示出同步路径）+ effectus 不可变规则代+原子激活——"SLA 怎么设计/规则工件怎么治理"两个面试高频题的代码级答案。
  • IP 情报分层化与卫星盲区：IP-Knowledge-Layer 的卫星前缀层（Starlink PoP 映射）暴露 geo-velocity 特征的结构性盲区——卫星用户流量从远离物理位置的 PoP 出口，"不可能行程"规则需要前缀类型纠偏。
  • Infrai astroturf 成复发模式：08-19 NilsBerg9082 后第 2 例（fintech-gateway-cutover）——代码干净+README 尾部商业网关营销+llms.txt LLM-SEO，识别特征稳定，triage 时对"migrating client to X gateway"类描述保持警觉。
  • 隐私优先遥测从合规口号到代码：ameva-sentinel 客户端派生特征零原始坐标外传——个保法语境下设备指纹的演进方向样本。

行业案例

  • 反钓鱼/欺诈 lure 评估：lurescope（819 lure 逃逸矩阵+Shadow Inbox+联邦 OSCAL 证据）
  • AML/链上图学习：ElliGAT（Elliptic 异质图 F1 0.8629）、CounterFraud-GNN（S-FFSD 因果不变性）
  • 实时 AML 微服务：aml-service（Java 25/Kafka KRaft/Cassandra/Outbox）
  • 规则引擎工件治理：effectus（typed rule compiler+OCI digest 部署）
  • IP 情报数据层：IP-Knowledge-Layer（12.4 万前缀+卫星层每日刷新）
  • 实体图在线推理：aman-jnu（异构图边分类+k-hop <100ms）
  • 云原生风控数仓：finstream-gcp（Dataform 断言+dead-letter）

值得深入

  1. lurescope 的 docs/RISK_CONTROLLED_POLICY.md 与 docs/ANYTIME_MONITORING.md——有限样本 FPR 策略怎么定义/校准/暴露于 GET /policy，任时有效告警的检查点链怎么防篡改——策略治理的一手实现。
  2. ElliGAT README 的"Blockchain Data Provenance"章节——从 UTXO 图到法证聚类标签的完整溯源写法，图风控数据集使用前的尽调模板。
  3. effectus 的 docs/GUARANTEES.md——"补偿是恢复工作不是 ACID 回滚"的执行边界论证，对照 saga/两阶段提交的面试辨析素材。
  4. aml-service 的延迟预算表与 ROADMAP.md——预算怎么分解、实测结果何时回填，"设计目标 vs 实测"的诚实演进样本。