BankGuardAI 🏦 - 智能银行风控监测系统

BankGuardAI 是一个基于 Python 的全栈式金融风控仿真与监测平台。它集成了实时数据流模拟、多种机器学习/深度学习模型（LSTM, Neural Networks, Random Forest 等）以及交互式前端仪表盘。

该系统旨在模拟银行内部真实的业务场景，实时检测信用风险、欺诈交易、洗钱行为及网络安全威胁，并通过 WebSocket 实现毫秒级的前端预警推送。

---

✨ 核心功能

• ⚡ 实时仿真引擎：后台多线程模拟生成高频交易与业务数据，模拟真实银行业务流。

• 🧠 多模型竞技场：集成 Logistic Regression, SVM, Random Forest, GBDT, MLP (PyTorch), LSTM (PyTorch) 六种模型，实时对比在不同场景下的准确率与预测速度。

• 📊 全景可视化：

• 风险雷达：多维度展示风险模型评分。

• 热力图与流图：直观展示风险聚集区域和实时变化趋势。

• 未来预测：利用 LSTM 对未来风险趋势进行时序预测。

• 🚨 智能预警：当检测到高风险比率超过阈值（20%）时，自动触发 WebSocket 警报并推送到前端。

• 📑 报告与导出：支持一键生成 PDF 风险评估报告及 CSV 原始数据导出。

---

🏗️ 项目架构

本项目采用模块化 MVC (Model-View-Controller) 架构设计，结构清晰，易于扩展。

BankGuardAI/
├── app/
│   ├── __init__.py          # Flask 应用工厂，初始化 SocketIO 与 LoginManager
│   ├── extensions.py        # 扩展实例 (db, socketio, login)
│   ├── constants.py         # 核心业务配置（枚举类、场景定义、风控规则）
│   ├── models/              # 深度学习模型定义
│   │   ├── __init__.py
│   │   └── networks.py      # PyTorch 模型 (SimpleNN, LSTMModel)
│   ├── services/            # 核心业务逻辑层
│   │   ├── __init__.py
│   │   ├── data_manager.py  # 数据工厂：负责数据生成、清洗、OneHot编码、状态管理
│   │   └── model_engine.py  # 智能引擎：负责模型训练、预测推理、后台仿真线程
│   ├── routes/              # 路由控制器
│   │   ├── __init__.py
│   │   ├── auth.py          # 用户认证 (Login/Logout)
│   │   ├── dashboard.py     # 页面渲染、报告生成、文件导出
│   │   └── api.py           # AJAX/Fetch 数据接口
│   ├── templates/           # 前端视图
│   │   ├── index.html       # 核心监控仪表盘 (Chart.js + Socket.io)
│   │   └── login.html       # 登录页面
│   └── static/              # 静态资源 (CSS/JS)
├── config.py                # 全局配置文件
├── run.py                   # 项目启动入口
├── requirements.txt         # 依赖包列表
└── README.md                # 项目说明文档

---

🛡️ 风控场景覆盖

系统内置 9 大核心金融风控场景，涵盖信用、市场、操作及合规风险：

场景代码	场景名称	主要风险类型	关键特征 (Features)	风控手段
enterprise_loan	企业贷款审批	信用风险	行业类型, 负债率, 信用分	财务分析, 抵押担保
credit_card	信用卡发放与使用	欺诈/信用风险	交易类型, 频次, 设备类型	交易限额, 反欺诈模型
forex_trading	外汇交易	市场风险	货币对, 波动率, 交易量	限额管理, 实时对冲
wealth_product	理财产品销售	合规/声誉风险	产品类型, 投资者年龄	适当性管理 (KYC)
atm_netbank	ATM及网银运行	操作/网络风险	访问方式, 登录尝试次数	双重认证, 防火墙
interbank_derivatives	同业拆借与衍生品	流动性/市场风险	衍生品类型, 利率, 期限	VAR监测, 流动性管理
aml_kyc	反洗钱监控 (AML)	法律/合规风险	汇款国别, PEP状态, 金额	异常交易监测, 黑名单
insurance_claims	保险理赔处理	欺诈风险	理赔类型, 过往理赔数	自动理赔审核
cyber_security	网络安全监测	网络风险	威胁类型, 影响系统数	入侵检测 (IDS)

---

🛠️ 技术栈

后端 (Backend) & AI

• Web 框架: Flask (Python)
• 实时通信: Flask-SocketIO (基于 Eventlet/Gevent)
• 身份验证: Flask-Login
• 深度学习: PyTorch (构建 LSTM 时序模型与全连接神经网络)
• 机器学习: Scikit-learn (构建 Logistic Regression, RF, SVM, GBDT)
• 数据处理: Pandas, NumPy
• 数据模拟: Faker (生成逼真的用户PII及业务数据)
• 报表生成: ReportLab (PDF 生成)

前端 (Frontend)

• UI 框架: Bootstrap 5 (响应式布局, Dark Mode 支持)
• 可视化: Chart.js 4.x (Bar, Radar, Line, Doughnut)
• 高级图表: Chartjs-chart-matrix (热力图), Chartjs-plugin-zoom (缩放交互)
• 交互逻辑: WebSocket 客户端, Sortable.js (拖拽排序)

---

🚀 快速开始

1. 环境准备

请确保您的环境已安装 Python 3.8 或更高版本。

# 克隆项目 (假设您已下载代码)
cd BankGuardAI

# 创建虚拟环境 (推荐)
python -m venv venv

# 激活环境
# Windows:
venv\Scripts\activate
# Mac/Linux:
source venv/bin/activate

2. 安装依赖

pip install -r requirements.txt

3. 运行系统

python run.py

注意: 首次启动时，系统会自动生成模拟数据并训练所有场景下的机器学习模型。这可能需要 1-3 分钟，请耐心等待控制台出现 Running on http://127.0.0.1:5000 提示。

4. 登录系统

打开浏览器访问 http://127.0.0.1:5000。

• 管理员账号 (可查看所有场景):

• 用户名: admin

• 密码: admin

• 普通用户账号 (仅查看部分场景):

• 用户名: user

• 密码: user

---

🖥️ 核心类与方法说明

DataManager (services/data_manager.py)

单例模式管理全局数据。

• initialize_data(): 启动时加载或生成 CSV 数据，并进行 OneHot 编码预处理。
• generate_data_batch(): 根据不同场景的统计分布（如正态分布、泊松分布）生成模拟数据。

ModelEngine (services/model_engine.py)

模型生命周期管理。

• train_all(): 遍历所有场景，对数据进行 StandardScaler 标准化后，训练 LR, RF, SVM, NN, LSTM 等模型。
• _simulation_loop(): 守护线程，每 10 秒生成一批新数据，调用模型预测，并通过 SocketIO 推送更新。

LSTMModel (models/networks.py)

专用于时序风险预测。

• 输入：历史 N 个时间步的特征向量。
• 输出：未来风险等级的概率分布。

---

📜 许可证

本项目仅供学习与研究使用。

---

Made with ❤️ by BankGuardAI Team