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(""" """, 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('
', unsafe_allow_html=True) st.title("🛡️ FraudGuard AI") st.markdown("**نظام كشف الاحتيال الذكي**") st.markdown('
', 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('
', unsafe_allow_html=True) st.title("🛡️ FraudGuard AI") st.markdown("**نظام كشف الاحتيال المصرفي المتقدم - التحليل في الوقت الحقيقي**") st.markdown('
', 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('
', unsafe_allow_html=True) st.metric("💰 المبلغ", f"${amount:,.2f}") st.caption("قيمة المعاملة") st.markdown('
', unsafe_allow_html=True) with col2: st.markdown('
', unsafe_allow_html=True) st.metric("🕐 الوقت", f"{time_hour:.1f} ساعة") st.caption(f"الساعة {transaction_time.strftime('%H:%M')}") st.markdown('
', unsafe_allow_html=True) with col3: st.markdown('
', unsafe_allow_html=True) st.metric("📍 الموقع", f"{distance_km:,} كم") st.caption(f"من {country}") st.markdown('
', 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'
', unsafe_allow_html=True) st.metric("⚡ السرعة", f"{frequency_1h} معاملة") st.caption("في آخر ساعة") st.markdown('
', 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"""

{icon} {status_text}

نسبة المخاطرة: {probability:.2%}

""", 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")