GraphShield-Fraud 一页式作品集案例

在严格时间边界下比较强非图基线与因果图模型，并把离线风险排序、低误报工作点、时间漂移诊断和事件级在线 toy 回放放进同一条可审计链路。

项目快照

维度	已交付证据
数据与协议	Elliptic 203,769 节点、234,355 边、165 维匿名特征；timestep 严格切分
模型	Balanced Logistic、HistGradientBoosting、纯 PyTorch Causal GraphSAGE
风控评测	PR-AUC、ROC-AUC、Recall@FPR≤1%、Top-K、Brier、ECE、成本阈值
图因果边界	累计历史视图；每条消息满足 source timestep ≤ receiver timestep
在线工程	score-before-commit、幂等、迟到拒绝、reset CAS、generation fence、replay
交付	FastAPI 调查台、响应式移动端、wheel、Linux/Windows fresh-wheel CI

演示工作台

工作台画面完全使用 deterministic toy：风险队列、实时输入、分数、原因、历史关联和 replay 均不读取真实 Elliptic 行。真实 benchmark 只保留聚合指标和来源哈希。

案例一：时间边界比随机切分更重要

固定协议使用 Train timestep 1-29、Validation 30-39、Test 40-49。未知标签只作图上下文，不伪装成负样本；累计图和逐消息时间约束同时阻止未来节点向历史节点传播。模型排序与成本阈值均在 Validation 完成，Test 不参与选择。

案例二：复杂图模型没有战胜强树基线

Model	Test PR-AUC	Test ROC-AUC	Recall at FPR ≤ 1%
Balanced Logistic	0.1566	0.8169	0.0047
HistGradientBoosting	0.6650	0.8823	0.5928
Causal Temporal GraphSAGE	0.3783	0.8139	0.2421

Validation 选择 HGB。GraphSAGE 的独立 CUDA 复跑与联合运行聚合 payload SHA-256 完全一致，但仍未超过树模型；项目保留该负结果，不声称 GNN 通用优势或 SOTA。

案例三：平均分数之外还要看工作点与漂移

冻结成本阈值下，HGB 在 Test 产生 739 个告警，Precision/Recall 为 0.5304/0.6164；固定 FPR≤1% 工作点的 Recall 为 0.5928。分时间窗口结果从 timestep 43 起明显回落，因此总体 PR-AUC 不能替代时间稳定性审计。

事件级在线工程

512 个 synthetic 事件、32 个预热事件的本机单线程回放中，p50/p95/p99 为 1.9878/3.3367/3.6731 ms，约 517.831 events/s。因果前缀、幂等与迟到拒绝通过，但这些数字只是工作站诊断，不代表真实支付拦截、业务收益、生产并发或 SLA。

快速启动

py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e ".[serve]"
.\.venv\Scripts\graphshield.exe serve --port 8060

python3.11 -m venv .venv
.venv/bin/python -m pip install -e ".[serve]"
.venv/bin/graphshield serve --port 8060

浏览器访问 http://127.0.0.1:8060/?online=1。不传 --artifact 时只加载内存 toy；显式 artifact 才进入离线调查模式。

招聘方可核验文件

Claim boundary

本项目不声称 GNN 优于强基线、生产实时拦截、线上欺诈收益、真实欺诈率、因果解释、统计显著性或 SLA。Elliptic 数字是仓库固定 end-of-timestep 离线协议；在线路径仅使用 synthetic toy 和进程内状态。

FilesExpand file tree

PORTFOLIO_CASE_STUDY_ZH.md

Latest commit

History