Alhareth7790's picture
Update app.py
9cfb108 verified
Raw History Blame Contribute Delete
21.5 kB
import streamlit as st
import pandas as pd
import numpy as np
import joblib
import json
import time
from datetime import datetime
# ==========================================
# 1. إعداد الصفحة (UI Layer)
# ==========================================
st.set_page_config(
page_title="FraudGuard AI | نظام كشف الاحتيال المتقدم",
page_icon="🛡️",
layout="wide",
initial_sidebar_state="expanded"
)
# تحميل CSS مخصص
st.markdown("""
<style>
.stApp { background-color: #f8fafc; }
/* تصميم البطاقات */
.metric-card {
background: white;
padding: 20px;
border-radius: 12px;
box-shadow: 0 4px 12px rgba(0,0,0,0.08);
border-left: 5px solid #3b82f6;
margin-bottom: 15px;
}
/* ألوان الحالات */
.safe { border-left-color: #10b981; background: #f0fdf4; }
.warning { border-left-color: #f59e0b; background: #fffbeb; }
.danger { border-left-color: #ef4444; background: #fef2f2; }
/* الأزرار */
.stButton>button {
width: 100%;
background: linear-gradient(135deg, #6366f1 0%, #4f46e5 100%);
color: white;
border: none;
padding: 18px;
font-size: 20px;
border-radius: 12px;
font-weight: bold;
transition: all 0.3s;
}
.stButton>button:hover {
transform: translateY(-2px);
box-shadow: 0 10px 25px rgba(99, 102, 241, 0.4);
}
/* الترويسة */
.header {
background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
padding: 30px;
border-radius: 15px;
color: white;
margin-bottom: 30px;
}
</style>
""", unsafe_allow_html=True)
# ==========================================
# 2. تحميل الملفات (Model Layer)
# ==========================================
@st.cache_resource
def load_artifacts():
"""تحميل جميع ملفات النموذج والضبط"""
try:
model = joblib.load('fraud_model.joblib')
scaler = joblib.load('scaler.joblib')
features = joblib.load('feature_names.joblib')
# تحميل أفضل الأعمدة
with open('top_features.json', 'r') as f:
top_features = json.load(f)
# تحميل العتبة المثلى
with open('threshold.json', 'r') as f:
threshold_data = json.load(f)
optimal_threshold = threshold_data.get('threshold', 0.5)
return model, scaler, features, top_features, optimal_threshold
except Exception as e:
st.error(f"❌ خطأ في تحميل الملفات: {str(e)}")
return None, None, None, [], 0.5
# تحميل الملفات
model, scaler, all_features, top_features, OPTIMAL_THRESHOLD = load_artifacts()
if not model:
st.error("⚠️ لم يتم تحميل النموذج. تأكد من وجود ملفات النموذج في المجلد.")
st.stop()
# ==========================================
# 3. القائمة الجانبية (Input Layer)
# ==========================================
with st.sidebar:
st.markdown('<div class="header">', unsafe_allow_html=True)
st.title("🛡️ FraudGuard AI")
st.markdown("**نظام كشف الاحتيال الذكي**")
st.markdown('</div>', unsafe_allow_html=True)
st.markdown("---")
st.subheader("📋 تفاصيل المعاملة")
# 1. البيانات المالية
with st.expander("💰 البيانات المالية", expanded=True):
amount = st.number_input(
"مبلغ المعاملة ($)",
min_value=0.01,
max_value=100000.0,
value=149.99,
step=0.01,
format="%.2f"
)
transaction_time = st.time_input(
"وقت المعاملة",
value=datetime.now().time()
)
# تحويل الوقت إلى ساعات من بداية اليوم
time_hour = transaction_time.hour + transaction_time.minute / 60.0
# 2. بيانات العميل
with st.expander("👤 هوية العميل", expanded=True):
email_domain = st.selectbox(
"نطاق البريد الإلكتروني",
[
"gmail.com (شخصي)",
"company.com (رسمي)",
"outlook.com (شخصي)",
"yahoo.com (شخصي)",
"temp-mail.org (مؤقت)",
"darkweb.onion (مشبوه)",
"protonmail.com (مشفر)"
]
)
customer_age = st.slider(
"عمر الحساب (أيام)",
min_value=1,
max_value=365*5,
value=180,
help="عدد الأيام منذ إنشاء الحساب"
)
# 3. الموقع والجهاز
with st.expander("📍 الموقع والجهاز", expanded=True):
distance_km = st.slider(
"المسافة عن الموقع المعتاد (كم)",
min_value=0,
max_value=10000,
value=5,
step=10
)
device_type = st.selectbox(
"نوع الجهاز",
[
"جهاز موثوق (تسجيل سابق)",
"جهاز جديد (أول استخدام)",
"متصفح خاص/Incognito",
"VPN/بروكسي",
"جهاز من دولة مختلفة"
]
)
country = st.selectbox(
"دولة المعاملة",
[
"الولايات المتحدة",
"المملكة المتحدة",
"ألمانيا",
"فرنسا",
"كندا",
"روسيا",
"الصين",
"نيجيريا",
"الهند",
"البرازيل"
]
)
# 4. الأنماط السلوكية
with st.expander("📊 الأنماط السلوكية", expanded=False):
frequency_1h = st.slider(
"عدد المعاملات (آخر ساعة)",
min_value=1,
max_value=50,
value=1
)
avg_transaction = st.slider(
"متوسط المبلغ السابق ($)",
min_value=1.0,
max_value=5000.0,
value=120.0,
step=10.0
)
failed_attempts = st.slider(
"محاولات فاشلة (آخر 24 ساعة)",
min_value=0,
max_value=20,
value=0
)
# ==========================================
# 4. منطق المحاكاة (Logic Layer)
# ==========================================
def simulate_features():
"""
محاكاة واقعية لأفضل 10 أعمدة بناءً على المدخلات
"""
features_dict = {feature: 0.0 for feature in all_features}
# 1. Amount و Time (سيتم تقييسهما لاحقًا)
features_dict['Amount'] = float(amount)
features_dict['Time'] = time_hour
# 2. V14 (مهم للغاية - عادة سالب للاحتيال)
v14_value = 1.5 # قيمة ابتدائية إيجابية
# عوامل تخفض V14 (تزيد الاحتيال)
if "temp-mail" in email_domain or "darkweb" in email_domain:
v14_value -= 8.5
if "VPN" in device_type or "خاص" in device_type:
v14_value -= 5.2
if distance_km > 1000:
v14_value -= (distance_km / 500) * 0.8
if country in ["نيجيريا", "روسيا", "الصين"]:
v14_value -= 3.0
if frequency_1h > 10:
v14_value -= 2.5
if failed_attempts > 3:
v14_value -= 4.0
# عوامل ترفع V14 (تقلل الاحتيال)
if "company.com" in email_domain:
v14_value += 4.0
if customer_age > 365:
v14_value += 3.0
if amount < 100 and amount > 10:
v14_value += 1.5
features_dict['V14'] = np.clip(v14_value, -15, 15)
# 3. V17 (عادة سالب للاحتيال)
v17_value = 0.8
if frequency_1h > 5:
v17_value -= (frequency_1h / 10) * 1.2
if "مؤقت" in email_domain:
v17_value -= 3.5
features_dict['V17'] = np.clip(v17_value, -10, 10)
# 4. V10 (عادة سالب للاحتيال)
v10_value = 0.5
if amount > 1000:
v10_value -= 2.0
if failed_attempts > 0:
v10_value -= (failed_attempts * 0.7)
features_dict['V10'] = np.clip(v10_value, -15, 10)
# 5. V12 (عادة سالب للاحتيال)
v12_value = 0.3
if distance_km > 500:
v12_value -= (distance_km / 1000) * 3.0
features_dict['V12'] = np.clip(v12_value, -15, 8)
# 6. V16 (عادة سالب للاحتيال)
v16_value = 0.4
if time_hour < 6 or time_hour > 22: # ساعات غير اعتيادية
v16_value -= 2.5
features_dict['V16'] = np.clip(v16_value, -10, 8)
# 7. V11 (عادة موجب للاحتيال)
v11_value = 0.2
if frequency_1h > 15:
v11_value += 3.0
if abs(amount - avg_transaction) > (avg_transaction * 0.5):
v11_value += 1.8
features_dict['V11'] = np.clip(v11_value, -2, 12)
# 8. V4 (عادة موجب للاحتيال)
v4_value = 0.3
if "VPN" in device_type:
v4_value += 4.5
if amount < 1.0: # معاملات صغيرة جداً (Card Testing)
v4_value += 3.0
features_dict['V4'] = np.clip(v4_value, -5, 15)
# 9. V2 (متغير)
v2_value = 0.1
if customer_age < 30:
v2_value += 2.0
features_dict['V2'] = np.clip(v2_value, -5, 8)
# 10. V19 (متغير)
v19_value = -0.1
if "جهاز جديد" in device_type:
v19_value += 1.5
features_dict['V19'] = np.clip(v19_value, -7, 7)
return features_dict
# ==========================================
# 5. الواجهة الرئيسية
# ==========================================
# ترويسة الصفحة
col1, col2 = st.columns([3, 1])
with col1:
st.markdown('<div class="header">', unsafe_allow_html=True)
st.title("🛡️ FraudGuard AI")
st.markdown("**نظام كشف الاحتيال المصرفي المتقدم - التحليل في الوقت الحقيقي**")
st.markdown('</div>', unsafe_allow_html=True)
with col2:
st.metric("📊 العتبة المثلى", f"{OPTIMAL_THRESHOLD:.3f}")
st.caption("(مستوى القرار الأمثل)")
# ملخص المعاملة
st.subheader("📋 ملخص المعاملة المدخلة")
col1, col2, col3, col4 = st.columns(4)
with col1:
st.markdown('<div class="metric-card">', unsafe_allow_html=True)
st.metric("💰 المبلغ", f"${amount:,.2f}")
st.caption("قيمة المعاملة")
st.markdown('</div>', unsafe_allow_html=True)
with col2:
st.markdown('<div class="metric-card">', unsafe_allow_html=True)
st.metric("🕐 الوقت", f"{time_hour:.1f} ساعة")
st.caption(f"الساعة {transaction_time.strftime('%H:%M')}")
st.markdown('</div>', unsafe_allow_html=True)
with col3:
st.markdown('<div class="metric-card">', unsafe_allow_html=True)
st.metric("📍 الموقع", f"{distance_km:,} كم")
st.caption(f"من {country}")
st.markdown('</div>', unsafe_allow_html=True)
with col4:
risk_color = "#10b981"
if "VPN" in device_type or "مؤقت" in email_domain:
risk_color = "#ef4444"
elif "جديد" in device_type or distance_km > 1000:
risk_color = "#f59e0b"
st.markdown(f'<div class="metric-card" style="border-left-color: {risk_color}">', unsafe_allow_html=True)
st.metric("⚡ السرعة", f"{frequency_1h} معاملة")
st.caption("في آخر ساعة")
st.markdown('</div>', unsafe_allow_html=True)
st.markdown("---")
# زر التحليل
if st.button("🚀 بدء تحليل الاحتيال", type="primary"):
with st.spinner('🔄 جاري تحليل المعاملة...'):
time.sleep(1.5)
# توليد السمات
features_dict = simulate_features()
# تحويل إلى DataFrame
df_input = pd.DataFrame([features_dict])
# تقييس Amount و Time فقط
if 'Amount' in df_input.columns and 'Time' in df_input.columns:
df_input[['Amount', 'Time']] = scaler.transform(df_input[['Amount', 'Time']])
# التنبؤ
try:
probability = model.predict_proba(df_input)[0][1]
# ==========================================
# 6. عرض النتائج (Explainability Layer)
# ==========================================
st.markdown("## 📊 نتائج التحليل")
# شريط التقدم
col_prog1, col_prog2, col_prog3 = st.columns([2, 1, 1])
with col_prog1:
st.progress(float(probability), text=f"نسبة المخاطرة: {probability:.2%}")
with col_prog2:
st.metric("📈 الاحتمال", f"{probability:.4f}")
with col_prog3:
st.metric("🎯 العتبة", f"{OPTIMAL_THRESHOLD:.4f}")
# تحديد القرار
decision_threshold = OPTIMAL_THRESHOLD
half_threshold = decision_threshold / 2
if probability < half_threshold:
status = "safe"
status_text = "✅ آمنة (مقبولة)"
status_color = "#10b981"
icon = "✅"
elif probability < decision_threshold:
status = "warning"
status_text = "⚠️ اشتباه (تحت المراجعة)"
status_color = "#f59e0b"
icon = "⚠️"
else:
status = "danger"
status_text = "🚨 احتيال (مرفوضة)"
status_color = "#ef4444"
icon = "🚨"
# عرض القرار
st.markdown(f"""
<div style="background-color: {status_color}20; padding: 25px; border-radius: 15px; border: 3px solid {status_color}; text-align: center; margin: 20px 0;">
<h1 style="color: {status_color}; margin: 0 0 10px 0;">{icon} {status_text}</h1>
<h3 style="color: #374151; margin: 0;">نسبة المخاطرة: {probability:.2%}</h3>
</div>
""", unsafe_allow_html=True)
# ==========================================
# 7. تفسير القرار (Explainability)
# ==========================================
st.markdown("## 🔍 تفسير القرار")
reasons = []
# جمع الأسباب
if probability >= decision_threshold:
reasons.append("🚨 **تصنيف احتيال**: تجاوزت نسبة المخاطرة العتبة المثلى")
if "V14" in features_dict and features_dict['V14'] < -5:
reasons.append("📉 **V14 منخفض جداً**: مؤشر قوي على الاحتيال (القيمة: {:.2f})".format(features_dict['V14']))
if "temp-mail" in email_domain or "darkweb" in email_domain:
reasons.append("📧 **بريد إلكتروني مشبوه**: استخدام بريد مؤقت أو على الشبكة المظلمة")
if "VPN" in device_type:
reasons.append("🛡️ **إخفاء الهوية**: استخدام VPN أو بروكسي لإخفاء الموقع")
if distance_km > 1000:
reasons.append("📍 **موقع غير اعتيادي**: المعاملة من موقع بعيد عن المعتاد ({:,} كم)".format(distance_km))
if frequency_1h > 15:
reasons.append("⚡ **تكرار عالي**: {} معاملة في ساعة واحدة (يشبه Card Testing)".format(frequency_1h))
if time_hour < 6 or time_hour > 22:
reasons.append("🌙 **توقيت غير اعتيادي**: المعاملة في ساعة متأخرة ({:.1f} ساعة)".format(time_hour))
if amount < 1.0:
reasons.append("💳 **اختبار بطاقة**: مبلغ صغير جداً يشبه اختبار البطاقة")
if failed_attempts > 2:
reasons.append("❌ **محاولات فاشلة**: {} محاولة فاشلة سابقة".format(failed_attempts))
if not reasons and probability < half_threshold:
reasons.append("✅ **لا توجد مؤشرات خطيرة**: جميع المعاملات ضمن النطاق الطبيعي")
reasons.append("✅ **بريد إلكتروني موثوق**: نطاق بريد رسمي أو شخصي معروف")
reasons.append("✅ **موقع اعتيادي**: المعاملة من الموقع المعتاد للعميل")
reasons.append("✅ **جهاز موثوق**: تم التعرف على الجهاز من قبل")
# عرض الأسباب في بطاقات
for reason in reasons:
if "✅" in reason:
st.success(reason)
elif "⚠️" in reason:
st.warning(reason)
elif "🚨" in reason or "❌" in reason or "📉" in reason:
st.error(reason)
else:
st.info(reason)
# ==========================================
# 8. عرض السمات المهمة (للمطورين)
# ==========================================
with st.expander("📊 تفاصيل تقنية (للمطورين)", expanded=False):
st.write("**أهم 10 سمات مؤثرة:**")
important_features = {
'V14': features_dict.get('V14', 0),
'V17': features_dict.get('V17', 0),
'V10': features_dict.get('V10', 0),
'V12': features_dict.get('V12', 0),
'V16': features_dict.get('V16', 0),
'V11': features_dict.get('V11', 0),
'V4': features_dict.get('V4', 0),
'V2': features_dict.get('V2', 0),
'V19': features_dict.get('V19', 0),
'Amount': features_dict.get('Amount', 0)
}
# تحويل إلى DataFrame وعرضه
df_important = pd.DataFrame.from_dict(important_features, orient='index', columns=['القيمة'])
df_important['التأثير'] = df_important['القيمة'].apply(
lambda x: '🟢 موجب' if x > 0 else '🔴 سالب' if x < 0 else '⚪ محايد'
)
st.dataframe(df_important, use_container_width=True)
st.caption("💡 ملاحظة: القيم السالبة في V14, V17, V10, V12, V16 تزيد من احتمالية الاحتيال")
except Exception as e:
st.error(f"❌ خطأ في التحليل: {str(e)}")
st.info("يرجى التأكد من تطابق أسماء الأعمدة مع النموذج المدرب")
# ==========================================
# 9. معلومات إضافية
# ==========================================
st.markdown("---")
with st.expander("ℹ️ معلومات عن النظام", expanded=False):
st.markdown("""
### كيف يعمل نظام FraudGuard AI؟
**1. جمع البيانات:**
- نقوم بمحاكاة 10 سمات رئيسية تم تحديدها بناءً على تحليل آلاف المعاملات
- كل سمة تمثل نمطاً سلوكياً أو تقنياً مرتبطاً بالاحتيال
**2. تحليل السمات:**
- **V14, V17, V10, V12, V16**: قيم سالبة تشير إلى الاحتيال
- **V4, V11**: قيم موجبة تشير إلى الاحتيال
- **Amount, Time**: يتم تقييسها ومقارنتها مع الأنماط السابقة
**3. اتخاذ القرار:**
- **أقل من {:.3f}**: آمن ✅
- **بين {:.3f} و {:.3f}**: اشتباه ⚠️
- **أعلى من {:.3f}**: احتيال 🚨
**4. التفسير:**
- نوضح العوامل التي أثرت على القرار
- نقدم توصيات عملية للتعامل مع الحالة
""".format(OPTIMAL_THRESHOLD/2, OPTIMAL_THRESHOLD/2, OPTIMAL_THRESHOLD, OPTIMAL_THRESHOLD))
st.info("💡 **نصيحة**: المعاملات الآمنة عادةً ما تكون من أجهزة معروفة، في أوقات اعتيادية، وبقيم متوسطة، ومن مواقع مألوفة.")
# تذييل الصفحة
st.markdown("---")
st.caption("🛡️ FraudGuard AI v2.0 | نظام كشف الاحتيال المصرفي | © 2024 جميع الحقوق محفوظة")