Spaces:
Sleeping
Sleeping
Download app.py from Alhareth7790/Fraud-Detection-System: direct link, hf CLI and curl.
- Browser
- Download file 21.5 kB
-
https://huggingface.co/spaces/Alhareth7790/Fraud-Detection-System/resolve/main/app.py
- Command line
-
hf download hf://spaces/Alhareth7790/Fraud-Detection-System/app.py
-
curl -L -o app.py https://huggingface.co/spaces/Alhareth7790/Fraud-Detection-System/resolve/main/app.py
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) | |
| # ========================================== | |
| 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") | |