Q-FraudGuard

Q-FraudGuard là prototype hỗ trợ phát hiện, ưu tiên và xử lý giao dịch gian lận theo luồng thời gian thực. Pipeline chính kết hợp AI để lọc ứng viên, TGNN để phân tích quan hệ giao dịch theo thời gian, sau đó mô hình hóa nhóm ứng viên thành QUBO và giải bằng Simulated Quantum Annealing.

Ý tưởng hệ thống

Mỗi giao dịch đi qua ba tầng xử lý:

Transaction stream
    → AI scoring và candidate filtering
    → TGNN temporal relational scoring
    → QUBO candidate grouping
    → OpenJij SQA
    → Investigation queue
    → Operator action

1. AI scoring và lọc ứng viên

Dữ liệu đầu vào được kiểm tra schema, chuẩn hóa và biến đổi thành đặc trưng. Với giao dịch i, risk score được tổng hợp theo:

s_i = αp_i + βa_i + γg_i + δr_i

Trong đó:

• p_i: điểm supervised từ LightGBM.
• a_i: điểm bất thường từ Isolation Forest.
• g_i: điểm liên quan trên graph giao dịch.
• r_i: điểm từ rule engine.
• α, β, γ, δ: trọng số lựa chọn trên validation set.

LightGBM, Isolation Forest, calibrator, trọng số fusion và ngưỡng ứng viên được huấn luyện offline. Dashboard chỉ tải model artifact và chạy inference.

2. TGNN và graph thời gian

TGNN biểu diễn tài khoản và giao dịch trên graph có timestamp. Khi chấm điểm giao dịch tại thời điểm t, graph chỉ sử dụng lịch sử quan sát trước t.

Đầu ra graph gồm điểm liên quan, embedding giao dịch và trọng số giữa các ứng viên. Các tín hiệu này được kết hợp với điểm AI để mô tả mức rủi ro và quan hệ giữa các giao dịch trong cùng cửa sổ xử lý.

3. QUBO và SQA

Các ứng viên được đưa vào một bài toán tối ưu nhị phân:

x_i = 1  nếu giao dịch i được chọn vào nhóm ưu tiên
x_i = 0  nếu giao dịch i không thuộc nhóm ưu tiên

Hàm mục tiêu QUBO kết hợp risk score, quan hệ graph và giới hạn số hồ sơ cần ưu tiên. Prototype giải QUBO bằng OpenJij Simulated Quantum Annealing trên CPU, không sử dụng QPU hoặc API D-Wave.

Cột SQA chọn thể hiện giao dịch được solver chọn vào nhóm ưu tiên trong cửa sổ hiện tại. Mọi ứng viên vẫn nằm trong hàng đợi xử lý dù có được SQA chọn hay không.

Luồng demo PaySim

Dashboard sử dụng phần test của PaySim để mô phỏng transaction stream:

PaySim
    → đọc batch tiếp theo
    → tạo timestamp và mã giao dịch mới
    → inference
    → lọc ứng viên
    → tối ưu QUBO/SQA
    → cập nhật bảng và panel cảnh báo

Khi đọc hết dữ liệu, con trỏ quay lại đầu phần test để tiếp tục mô phỏng. Việc lặp lại chỉ tạo luồng demo trong bộ nhớ và không ghi thay đổi vào file PaySim.

Giao diện vận hành

Dashboard hiển thị:

• Số giao dịch đã xử lý.
• Số giao dịch vượt ngưỡng ứng viên.
• Tỷ lệ fraud thực tế được phát hiện.
• Latency inference trung bình.
• Bảng giao dịch realtime với risk score, trạng thái ứng viên, kết quả SQA và nhãn thật.

Panel bên phải cập nhật cùng nhịp với bảng chính và sắp xếp cảnh báo chưa xử lý theo mức ưu tiên. Người vận hành có thể chọn hành động được khuyến nghị hoặc một hành động khác. Sau khi thực thi thành công, cảnh báo được xóa khỏi hàng đợi và giao diện hiển thị xác nhận.

Dữ liệu và model runtime

data/paysim.csv
artifacts/models/paysim_lightgbm_scorer.joblib
artifacts/models/paysim_realtime_metrics.json

Thông tin về PaySim, Elliptic, Bank Account Fraud Suite và IBM AMLworld được lưu trong data/DATASETS.md.

Cấu trúc project

Q-FraudGuard/
├── dashboard/
│   └── app.py
├── src/
│   └── qf_guard/
├── data/
│   ├── paysim.csv
│   └── DATASETS.md
├── artifacts/
│   └── models/
├── .streamlit/
│   └── config.toml
├── .env.example
├── requirements.txt
├── pyproject.toml
└── README.md

Chạy local

Yêu cầu Python 3.11 trở lên.

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
python -m pip install --no-deps -e .
Copy-Item .env.example .env

Nạp các biến trong .env vào phiên PowerShell:

Get-Content .env |
  Where-Object { $_ -and -not $_.StartsWith("#") } |
  ForEach-Object {
    $name, $value = $_.Split("=", 2)
    Set-Item -Path "Env:$name" -Value $value
  }

Khởi động dashboard:

python -m streamlit run dashboard/app.py `
  --server.address $env:STREAMLIT_SERVER_ADDRESS `
  --server.port $env:STREAMLIT_SERVER_PORT `
  --server.headless $env:STREAMLIT_SERVER_HEADLESS

Truy cập http://localhost:8765.