Details

Выпускная квалификационная работа посвящена проектированию и разработке программной платформы для выявления мошеннических финансовых транзакций с использованием методов машинного обучения. Актуальность темы обусловлена растущим объемом электронных платежей и цифровых финансовых услуг, что приводит к увеличению количества мошеннических транзакций и необходимости использования интеллектуальных методов обнаружения. Целью работы является разработка программного комплекса, обеспечивающего автоматическое обнаружение потенциально мошеннических транзакций на основе анализа данных и алгоритмов машинного обучения. В отличие от традиционных систем, основанных на фиксированных правилах, разработанная система использует классификационную модель,способную выявлять сложные закономерности и аномалии в поведении пользователей. В ходе работы были исследованы существующие методы обнаружения мошенничества, проанализирован и предварительно обработан набор данных о финансовых транзакциях, выбраны функции и обучены модели машинного обучения. Для решения задачи классификации были рассмотрены различные алгоритмы, включая логистическую регрессию, случайный лес и XGBoost. По результатам сравнительного анализа в качестве основной модели был выбран алгоритм случайного леса. Программный пакет включает в себя серверную часть FastAPI, базу данных PostgreSQL, пользовательский интерфейс React, REST API для взаимодействия между компонентами системы и механизм аутентификации на основе JWT. Реализованы функции регистрации пользователей, авторизации, анализа транзакций, хранения истории операций, мониторинга результатов работы модели и административного управления системой. Особое внимание уделяется архитектуре базы данных машинного обучения Frontend–Backend, организации хранения данных, безопасности обработки информации и интеграции модели машинного обучения в серверную инфраструктуру. Разработанная система обеспечивает возможность анализа транзакций практически в режиме реального времени и предоставляет пользователям удобный интерфейс для взаимодействия с платформой. Для проверки функциональности программного комплекса было проведено тестирование модели машинного обучения, функциональное тестирование REST API и серверной части, а также тестирование пользовательского интерфейса. Для автоматизации контроля качества были использованы инструменты Pytest и GitHub Actions. В процессе тестирования была подтверждена корректность работы основных компонентов системы, стабильность взаимодействия между сервисами и надежность реализованных механизмов обработки данных. В результате была разработана функциональная программная платформа для выявления мошеннических финансовых транзакций, сочетающая методы машинного обучения, современные веб-технологии, систему хранения данных и средства автоматизированного тестирования. Полученные результаты подтверждают возможность практического применения разработанного решения для интеллектуального мониторинга финансовых транзакций и дальнейшего развития систем борьбы с мошенничеством.

This final qualification work is devoted to the design and development of a software platform for detecting fraudulent financial transactions using machine learning methods. The relevance of the topic is driven by the rapid growth of electronic payments and digital financial services, which has led to an increase in fraudulent activities and created a need for intelligent fraud detection solutions. The objective of this work is to develop a software system capable of automatically identifying potentially fraudulent transactions through data analysis and machine learning algorithms. Unlike traditional rule-based systems, the developed platform utilizes a classification model capable of identifying complex patterns and anomalies in user behaviour. During the research, existing fraud detection approaches were studied, a financial transaction dataset was analysed and pre-processed, relevant features were selected, and machine learning models were trained. Several classification algorithms were evaluated, including Logistic Regression, Random Forest, and XG-Boost. Based on the comparative analysis, the Random Forest algorithm was selected as the primary prediction model. The developed software platform includes a Fast API backend, a PostgreSQL database, a React-based user interface, a REST API for communication between system components, and a JWT-based authentication mechanism. The implemented functionality includes user registration and authentication, transaction analysis, transaction history management, monitoring of model predictions, and administrative system management. Special attention was given to the architecture of the Frontend–Backend–Machine Learning system, database design, data storage organization, information security, and integration of the machine learning model into the server infrastructure. The developed solution provides near real-time transaction analysis and offers users a convenient interface for interacting with the platform. To verify the functionality of the system, machine learning model testing, REST API testing, backend testing, and user interface testing were performed. Pytest and GitHub Actions were used to automate quality assurance processes. The testing results confirmed the correctness of the implemented functionality, the stability of communication between system components, and the reliability of the developed data processing mechanisms. As a result, a functional software platform for detecting fraudulent financial transactions was developed. The platform combines machine learning techniques, modern web technologies, data storage solutions, and automated testing tools. The obtained results demonstrate the practical applicability of the proposed solution for intelligent financial transaction monitoring and provide a foundation for the further development of fraud detection systems.