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.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)
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")