Антифрод-системы в дипломе: архитектура выявления мошеннических схем на основе реального кейса
В марте 2026 года издание SecurityLab опубликовало материал о предприимчивом кибермошеннике из Китая, который пять лет подряд обманывал педофилов: продавал им «эксклюзивные архивы», а те получали пустые папки или зашифрованные мусорные файлы. С точки зрения права — это курьёз, с точки зрения инженерии — идеальная демонстрация того, как устроены теневые транзакции, репутационные механики и слабые места в системах автоматического выявления фрода. Для выпускника ИТ-направления это не повод шутить, а повод построить полноценную ВКР про антифрод-платформу, скоринг подозрительных транзакций или потоковый анализ графов связей. Ниже — как превратить новость в защищаемый проект, какие метрики защищать и на чём обычно сыпятся студенты.
Три темы для ВКР, которые выдержат защиту
Тема 1. Система автоматического выявления аномальных транзакций на графах связей
Актуальность. Кейс из статьи показывает: мошенник годами работал без юридических последствий именно потому, что его схема выглядела «нормальной» для платёжных фильтров — много мелких платежей от разных аккаунтов без явной корреляции. Классические правила вроде «сумма больше X» тут не работают. Это прямой запрос на графовые методы.
Цель: спроектировать и реализовать модуль выявления связных группировок аккаунтов с использованием графовой СУБД.
- Проанализировать существующие подходы к антифроду (rule-based, ML, graph-based).
- Спроектировать модель данных для хранения транзакций и сущностей (Neo4j или OrientDB).
- Реализовать алгоритмы поиска сообществ (Louvain, Label Propagation) и центральности.
- Провести нагрузочное тестирование и замер задержки инференса.
Структура: Глава 1 — обзор методов антифрода и анализ инцидента; Глава 2 — архитектура сервиса, схема графа, API; Глава 3 — тестирование на синтетических данных, метрики precision/recall, оценка внедрения.
Тема 2. Платформа потоковой обработки подозрительных событий с ML-скорингом
Актуальность. Пятилетняя живучесть схемы подсказывает: решение должно учиться на новых паттернах без переобучения всей модели. Это задача для потоковых пайплайнов и онлайн-обучения.
Цель: построить конвейер приёма событий, извлечения признаков и выдачи скоринга в режиме, близком к реальному времени.
- Сравнить Kafka, Pulsar и RabbitMQ для сценария высоконагруженного стрима.
- Спроектировать feature store и схему скользящего окна.
- Обучить и валидировать модель (градиентный бустинг или логистическая регрессия как baseline).
- Оценить latency сквозного пути от события до алерта.
Структура: Глава 1 — теория потоковой аналитики и обзор ML для фрода; Глава 2 — архитектура пайплайна, диаграммы C4; Глава 3 — эксперименты, метрики, экономика внедрения.
Тема 3. Модуль репутационного скоринга и детекции «пустых» сделок
Актуальность. История с пустыми архивами — это чистый кейс отсутствия верификации поставки. В легальных сервисах такая дыра закрывается репутационными механизмами и постфактум-верификацией содержимого.
Цель: разработать подсистему доверия, снижающую вероятность некачественной поставки цифрового товара.
- Формализовать метрики репутации (вес сделки, давность, размер сети).
- Спроектировать хранение истории и обнаружение накрутки.
- Реализовать прототип на Python + PostgreSQL с расширением для векторов.
- Провести A/B-моделирование на синтетическом датасете.
Структура: Глава 1 — обзор репутационных систем и стандарта ISO/IEC 25010; Глава 2 — модель угроз и архитектура; Глава 3 — симуляция, метрики, риски.
Аналитическая глава: как вписать статью в обоснование
В первой главе почти всегда требуют «анализ предметной области». Не пересказывайте новость — используйте её как источник требований. Опишите кейс: длительность схемы, отсутствие модерации содержимого, разрыв между оплатой и фактической поставкой. Затем выведите три-четыре функциональных требования к вашей системе: верификация полезной нагрузки, анализ связей между аккаунтами, оценка аномальности поведения, автоматическое формирование алертов.
| Подход | Плюсы | Минусы | Когда брать в ВКР |
|---|---|---|---|
| Правила (rule-based) | Прозрачно, быстро внедрить | Легко обходится, много ложных срабатываний | Как baseline в главе 1 |
| ML на табличных признаках | Хорошая точность, просто объяснить | Требует разметки, дрейф данных | Если есть датасет |
| Графовые методы | Видит группировки и косвенные связи | Сложнее в реализации и объяснении | Как «изюминка» проекта |
| Потоковый анализ | Реакция в реальном времени | Инфраструктурно тяжёлый | Для сильных студентов |
Обоснование стека оформляйте таблицей сравнения критериев по ISO/IEC 25010: производительность, надёжность, сопровождаемость. Это снимает половину вопросов комиссии.
Проектная часть: от диаграмм до кода
Вторая глава — ваша зона свободы. Держите минимально воспроизводимый сценарий: docker-compose с Neo4j, Kafka и FastAPI-сервисом. Опишите интеграцию через REST и gRPC, покажите диаграммы последовательности для пути «событие → признак → скоринг → алерт». Не забудьте про OpenTelemetry для трассировки — это добавит работе уровня. Если тема связана с детекцией, обязательно опишите модель угроз по STRIDE: у вас появится отдельный подраздел, который сильно украсит защиту.
POST /v1/score
{
"event_id": "a1b2c3",
"user_id": "u_1024",
"amount": 1499,
"ts": "2026-09-17T10:12:00Z",
"counterparty": "u_9981"
}
→ { "score": 0.87, "decision": "review", "reason": "graph_cluster_42" }
Тестирование и метрики: где большинство теряет баллы
Третья глава должна содержать не «программу запустил — работает», а измеримые результаты. Нагрузочное тестирование через Locust или k6, метрики RTO/RPO для отказоустойчивости, кривые precision-recall для модели, матрица ошибок. Обязательно посчитайте стоимость ложноположительных срабатываний в человеко-часах — комиссии это нравится больше, чем абстрактный F1. И не забывайте про соответствие ГОСТ 34.602-89 при оформлении ТЗ и ГОСТ 19.301-79 для программы испытаний.
Чему вы научитесь
- Проектировать антифрод-архитектуру и обосновывать выбор между правилами, ML и графами.
- Работать с Neo4j, Kafka, OpenTelemetry и разворачивать всё в CI/CD-пайплайне.
- Формулировать измеримые метрики и защищать их перед комиссией.
- Оформлять техническую документацию по ГОСТ 34 и ISO/IEC 25010.
Типичные ошибки студентов:
- Подмена терминов. Пишут «SaaS-платформа», хотя развернули локальный сервис. Комиссия ловит моментально — фиксируйте модель развёртывания явно.
- Отсутствие метрик. Есть код, нет замеров. Любой антифрод без precision/recall и latency — это не результат, а прототип.
- Игнорирование ГОСТ 34.602-89. ТЗ, оформленное «на коленке», роняет работу даже с сильной реализацией. Сверяйтесь с шаблоном заранее.
Частые вопросы студентов
Насколько сложно сделать антифрод-систему для диплома за семестр?
По силам, если сузить сферу: одна модель угроз, один тип событий, синтетический датасет. Полноценный production-антифрод — это годы, а для ВКР достаточно воспроизводимого пайплайна с работающими метриками.
Обязательно ли использовать машинное обучение?
Нет. Rule-based baseline плюс один ML-модуль — уже сильная работа. Главное — сравнить подходы и обосновать выбор.
Где брать данные, если реестр мошеннических операций закрыт?
Генерируйте синтетику: библиотеки Faker, SDV или собственный генератор по сценарию из статьи. Обязательно опишите методику генерации — это плюс к оригинальности.
Нужно ли разворачивать всё в облаке?
Достаточно docker-compose на ноутбуке. Если хочется облака — возьмите managed Kafka, но бюджет и время посчитайте заранее.
Чек-лист перед сдачей:
- Задачи во введении совпадают с выводами в заключении.
- Каждая задача подтверждена схемой, таблицей или кодом.
- Есть ссылка на исходную статью и на 5+ научных источников.
- ТЗ и программа испытаний оформлены по ГОСТ 34.602-89 и ГОСТ 19.301-79.
- Метрики измеримы и указаны с единицами и методикой замера.
Если тема сформулирована, но не хватает времени на реализацию, — с этим поможем. Наши специалисты дают бесплатную консультацию, а средний срок подготовки работы — около 120 часов. Можно заказать диплом под конкретную тему или получить помощь с дипломом на отдельных этапах: от аналитической главы до нагрузочного тестирования. Работаем с любой темой по ИТ, ИБ и Data Science.
Источник: Как годами продавать «детское порно» и не нарушить ни одного закона? Отвечает кибермошенник из Китая (опубликовано 2026-03-24)