import pandas as pd
import numpy as np
import os
import pyarrow
import yaml
from data_generator.general_time import *
from data_generator.utils import load_configs, build_transaction, create_txns_df

np.set_printoptions(suppress=True)
pd.set_option('display.max_columns', None)

os.chdir("..")
os.getcwd()

'C:\\Users\\iaros\\My_documents\\Education\\projects\\fraud_detection_01'

# Базовые конфиги
base_cfg = load_configs("./config/base.yaml")
# Настройки легальных транзакций
legit_cfg = load_configs("./config/legit.yaml")
# Общие настройки фрода
fraud_cfg = load_configs("./config/fraud.yaml")
# Настройки compromised client фрода
compr_cfg = load_configs("./config/compr.yaml")
# Настройки времени
time_cfg = load_configs("./config/time.yaml") 

# Пути к файлам
data_paths = base_cfg["data_paths"]

run_dir = './data/generated/history/generation_run_2025-07-25_121029'

# Создадим объект конфиг класса при помощи билдера. Будем использовать конфиг класс дальше
from data_generator.fraud.compr.build.config import ComprConfigBuilder

cfg_builder = ComprConfigBuilder(base_cfg=base_cfg, legit_cfg=legit_cfg, time_cfg=time_cfg, \
                                 fraud_cfg=fraud_cfg, compr_cfg=compr_cfg, run_dir=run_dir)
configs = cfg_builder.build_cfg()

# Проверка и демонстрация конфиг класса. Клиенты семплированные под фрод
configs.clients.head(2)

# Фрод ip адреса, которые будут использоваться для онлайн транзакций
configs.fraud_ips.head(2)

# Фрод девайсы, которые будут использоваться для онлайн транзакций
configs.fraud_devices.head(2)

from data_generator.fraud.compr.time import generate_time_fast_geo_jump

# 4 варианта дистанции между транзакциями в километрах
distances = pd.DataFrame({"distance":[800, 1200, 5000, 7500]})
distances["minutes"] = 0

# Время последней легальной транзакции на основании которого будет рассчитываться время для фрода
last_time = pd.to_datetime("2023-09-20 09:14:00", format="%Y-%m-%d %H:%M:%S")
last_unix = pd_timestamp_to_unix(last_time)
distances["last_unix"] = last_unix

distances

for row in distances.itertuples():
    _, txn_unix = generate_time_fast_geo_jump(last_txn_unix=last_unix, geo_distance=row.distance, threshold=800)
    distances.loc[row.Index, "txn_unix"] = txn_unix

# Получившаяся разнциа в минутах
distances["time_diff"] = (distances["txn_unix"] - distances["last_unix"]) // 60

# Можно увидеть заданную дистанцию и время за которое клиент "переместился"
distances[["distance", "time_diff"]]

from data_generator.fraud.compr.time import gen_time_for_frequent_trans

transactions = create_txns_df(base_cfg["txns_df"])

# Датафрейм со временем одной условно легальной транзакции
last_time = pd.to_datetime("2023-09-20 09:14:00", format="%Y-%m-%d %H:%M:%S")
last_unix = pd_timestamp_to_unix(last_time)

trans_test_freq_time = transactions.copy().loc[:, ['txn_time', 'unix_time', "is_fraud"]]
trans_test_freq_time.loc[0, ["txn_time","unix_time", "is_fraud"]] = last_time, last_unix, False
trans_test_freq_time

freq_values = []

for i in range(1,7):
    txn_time, txn_unix, freq = gen_time_for_frequent_trans(last_txn_unix=last_unix, configs=configs, test=True)
    freq_values.append(freq / 60)
        
    trans_test_freq_time.loc[i, "txn_time"] = txn_time
    trans_test_freq_time.loc[i, "unix_time"] = txn_unix
    trans_test_freq_time.loc[i, "is_fraud"] = True

    last_time = txn_time
    last_unix = txn_unix
    # к последней легальной транзакции присоединяем сгенерированные частые транзакции
    # trans_test_freq_time = pd.concat([trans_test_freq_time, trans_test_freq_time])

# средняя частота фрод транзакций - всех, кроме первой фрод транзакции
print("\n\n Mean freq: ",pd.Series(freq_values).mean(), " minutes\n\n")

# разница во времени с предыдущей транзакцией, в минутах
trans_test_freq_time["time_diff"] = trans_test_freq_time.unix_time.sub(trans_test_freq_time.unix_time.shift(1)) / 60
trans_test_freq_time


 Mean freq:  2.6666666666666665  minutes

from data_generator.fraud.time import derive_from_last_time

# Unix время последней транзакции
last_unix_deriv = pd_timestamp_to_unix(pd.to_datetime("2025-06-20 11:57:12", format="%Y-%m-%d %H:%M:%S"))

# Передаем дистанцию и порог скорости км/ч
geo_distance = 1800

_, derived_unix = derive_from_last_time(last_unix_deriv, geo_distance=geo_distance, threshold=800)

# Смотрим разницу во времени
pd.to_timedelta((derived_unix - last_unix_deriv), unit="s")

Timedelta('0 days 05:31:17')

# Скорость перемещения км/ч. Должна получится ниже или равна порогу в 800. Т.к. делим на секунды то делим также на 3600

geo_distance / ((derived_unix - last_unix_deriv) / 3600)

326.0049303214771

from data_generator.fraud.compr.txndata import FraudTxnPartData
part_data = FraudTxnPartData(configs=configs)

# Класс должен получить данные о клиенте в виде namedtuple
for client_info in configs.clients.loc[[1]].itertuples():
    part_data.client_info = client_info
part_data.client_info

Pandas(Index=1, client_id=418, city_id=28, birth_date=Timestamp('1991-10-07 00:00:00'), sex='male', region='Челябинская', city='Магнитогорск', timezone='UTC+5', lat=53.4071891, lon=58.9791432, population=408401, home_ip='2.60.1.142')

# Какие правила под compromised фрод есть
configs.rules

# Например возьмем правило быстрой смены гео. Транзакция оффлайн
rule = "fast_geo_change"

merchant_id, trans_lat, trans_lon, trans_ip, trans_city, device_id, channel, txn_type \
                            = part_data.get_data(rule=rule, online=False, category_name="gas_transport", txn_num=1)

# Город будет отличаться от города клиента. Также будут отличаться координаты, device_id
client_city = part_data.client_info.city

print(f"""Город клиента: {client_city}
Город транзакции: {trans_city}""")

Город клиента: Магнитогорск
Город транзакции: Липецк

# Например возьмем правило транзакции с другого ip (при этом ip другого города) и другого девайса
rule = "new_ip_and_device_high_amount"

merchant_id, trans_lat, trans_lon, trans_ip, trans_city, device_id, channel, txn_type \
                            = part_data.get_data(rule=rule, online=True, category_name="shopping_net", txn_num=1)

# Город будет отличаться от города клиента. Также будут отличаться координаты, ip адрес, device_id

print(f"""Город клиента: {client_city}
Город транзакции: {trans_city}""")

Город клиента: Магнитогорск
Город транзакции: Стерлитамак

# Нужно подгрузить девайсы клиентов и взять девайс(ы) клиента
clients_devices = pd.read_csv(data_paths["base"]["client_devices"])
client_id = part_data.client_info.client_id
devices = clients_devices.loc[clients_devices.client_id == client_id]
devices

# девайс транзакции

print(f"""Device id транзакции: {device_id}""")

Device id транзакции: 12780

def gen_purchase_fraud_txn(rule, client_trans_df, configs: ComprClientFraudCfg, \
                           part_data: FraudTxnPartData, fraud_amts: TransAmount, \
                           txn_num=0, lag=False):
    """
    Генерация одной compromised client фрод транзакции для клиента.
    ------------------------------------------------
    rule - str.
    client_trans_df - датафрейм с транзакциями клиента.
    configs - ComprClientFraudCfg. Конфиги и данные для генерации фрод транзакций.
    client_device_ids - pd.Series. id девайсов клиента.
    part_data - FraudTxnPartData.
    fraud_amts - TransAmount class.
    txn_num - int. Какая по счету транзакция в данном фрод кейсе.
    lag - bool. Нужен ли лаг по времени от последней легальной транзакции.
          Используется для trans_freq_increase
    -------------------------------------------------
    Возвращает словарь с готовой транзакцией
    """
    client_info = part_data.client_info
    rules_cfg = configs.rules_cfg
    
    # Запись о последней транзакции клиента
    last_txn = client_trans_df.loc[client_trans_df.unix_time == client_trans_df.unix_time.max()]
    
    # Записываем данные клиента в переменные
    client_id = client_info.client_id

    # Берем значение online флага для выбранного правила
    online = configs.rules.loc[configs.rules.rule == rule, "online"].iat[0]
    
    # Семплирование категории. У категорий свой вес в разрезе вероятности быть фродом
    category = sample_category(configs.categories, online=online, is_fraud=is_fraud)
    
    category_name = category["category"].iat[0]
    round_clock = category["round_clock"].iat[0]
    
    # Генерация суммы транзакции. 
    # Пока что для всех правил кроме trans_freq_increase генерация через один и тот же метод
    if rule == "trans_freq_increase":
        amount = fraud_amts.freq_trans_amount()
    else:
        amount = fraud_amts.fraud_amount(category_name=category_name)
    
    partial_data = part_data.get_data(rule=rule, online=online, category_name=category_name, \
                                      txn_num=txn_num)
    # Распаковка кортежа в переменные
    merchant_id, trans_lat, trans_lon, trans_ip, trans_city, device_id, channel, txn_type = partial_data
    
    # Физическое расстояние между координатами последней транзакции и координатами текущей.
    geo_distance = calc_distance(lat_01=last_txn.trans_lat.iat[0], lon_01=last_txn.trans_lon.iat[0], \
                                 lat_02=trans_lat, lon_02=trans_lon)
    
    txn_time, txn_unix = get_time_fraud_txn(trans_df=client_trans_df, configs=configs, online=online, \
                                            round_clock=round_clock, rule=rule, geo_distance=geo_distance, \
                                            lag=lag)
    # Только для freq_trans статус может отличаться от declined и is_fraud быть False для части транз-ций
    # При кол-ве до freq_min - approved и False. Условно, детект по этому правилу начинается
    # с freq_min транз-ций
    freq_min = rules_cfg["freq_txn"]["txn_num"]["min"]
    if rule == "trans_freq_increase" and (txn_num > 0 and txn_num < freq_min):
        rule_to_txn = "not applicable"
        status = "approved"
        is_fraud = False

    elif rule == "trans_freq_increase":
        rule_to_txn = "trans_freq_increase"
        status = "declined"
        is_fraud = True

    else:
        rule_to_txn = rule
        status = "declined"
        is_fraud = True
        
    # Статичные значения для данной функции
    is_suspicious = False
    account = np.nan
    
    # Возвращаем словарь со всеми данными сгенерированной транзакции
    return build_transaction(client_id=client_id, txn_time=txn_time, txn_unix=txn_unix, amount=amount, \
                             txn_type=txn_type,  channel=channel, category_name=category_name, online=online, \
                             merchant_id=merchant_id, trans_city=trans_city, trans_lat=trans_lat, \
                             trans_lon=trans_lon, trans_ip=trans_ip, device_id=device_id, account=account, \
                             is_fraud=is_fraud, is_suspicious=is_suspicious, status=status, rule=rule_to_txn)

from data_generator.fraud.compr.txndata import FraudTxnPartData, TransAmount
from data_generator.fraud.compr.txns import gen_purchase_fraud_txn
from data_generator.utils import create_txns_df, calc_distance

transactions = create_txns_df(base_cfg["txns_df"])
part_data = FraudTxnPartData(configs)
txn_amt = TransAmount(configs)

for client in configs.clients.loc[[1]].itertuples():
    client_info = client
client_id = client_info.client_id

client_txns_df = configs.transactions.query("client_id == @client_id")
part_data.client_info = client_info
client_info

Pandas(Index=1, client_id=1125, city_id=9, birth_date=Timestamp('1959-03-24 00:00:00'), sex='female', region='Кемеровская', city='Новокузнецк', timezone='UTC+7', lat=53.7942757, lon=87.2144046, population=547885, home_ip='2.60.4.47')

configs.rules

# Возьмем последнюю легальную ОНЛАЙН транзакцию клиента. Этого достаточно
client_one_txn =  client_txns_df.query("online == True").loc[[client_txns_df.query("online == True").unix_time.idxmax()]]

# Генерация одной фрод транзакции под антифрод правило быстрой смены гео при онлайн транзакции
fraud_one_test = gen_purchase_fraud_txn(rule="fast_geo_change_online", client_trans_df=client_one_txn, \
                                        configs=configs, part_data=part_data, fraud_amts=txn_amt,
                                        txn_num=1, lag=False)

fraud_all_txns = pd.concat([client_one_txn, pd.DataFrame([fraud_one_test])]).reset_index(drop=True)
fraud_all_txns

# Расчет разницы во времени между последней легальной транз. и фрод транз.
pd.to_timedelta(fraud_all_txns.unix_time.sub(fraud_all_txns.unix_time.shift(1)).abs(), unit="s")

0               NaT
1   0 days 01:34:52
Name: unix_time, dtype: timedelta64[ns]

lat_prev = fraud_all_txns.loc[0, "trans_lat"]
lon_prev = fraud_all_txns.loc[0, "trans_lon"]
lat_now = fraud_all_txns.loc[1, "trans_lat"]
lon_now = fraud_all_txns.loc[1, "trans_lon"]

calc_distance(lat_01=lat_prev, lon_01=lon_prev, lat_02=lat_now, lon_02=lon_now)

2022.44

from data_generator.fraud.compr.txns import trans_freq_wrapper

transactions = create_txns_df(base_cfg["txns_df"])

part_data = FraudTxnPartData(configs)
txn_amt = TransAmount(configs)

for client in configs.clients.loc[[1]].itertuples():
    client_info = client
client_id = client_info.client_id

client_txns_df = configs.transactions.query("client_id == @client_id")
part_data.client_info = client_info
client_info

Pandas(Index=1, client_id=1971, city_id=3, birth_date=Timestamp('1994-03-08 00:00:00'), sex='female', region='Удмуртская', city='Ижевск', timezone='UTC+4', lat=56.8527444, lon=53.2113961, population=628117, home_ip='2.60.7.69')

# Датафрейм с последней легальной транзакцией клиента
client_txns_copy = client_txns_df.loc[[client_txns_df.unix_time.idxmax()]].copy()

# txns_total - сколько транзакций будет в серии
fraud_only = trans_freq_wrapper(client_txns_temp=client_txns_copy, txns_total=6, configs=configs, \
                                part_data=part_data, fraud_amts=txn_amt)

client_trans_copy = pd.concat([client_txns_copy, fraud_only], ignore_index=True)

client_txns_copy

pd.to_timedelta(client_trans_copy.unix_time.sub(client_trans_copy.unix_time.shift(1)).abs(), unit="s")

0               NaT
1   0 days 02:44:32
2   0 days 00:01:00
3   0 days 00:03:00
4   0 days 00:02:00
5   0 days 00:02:00
6   0 days 00:05:00
Name: unix_time, dtype: timedelta64[ns]

lat_prev = client_trans_copy.loc[0, "trans_lat"]
lon_prev = client_trans_copy.loc[0, "trans_lon"]
lat_now = client_trans_copy.loc[1, "trans_lat"]
lon_now = client_trans_copy.loc[1, "trans_lon"]

calc_distance(lat_01=lat_prev, lon_01=lon_prev, lat_02=lat_now, lon_02=lon_now)

293.43

def gen_multi_fraud_txns(configs: ComprClientFraudCfg, part_data: FraudTxnPartData, \
                         fraud_amts: TransAmount, txn_recorder: FraudTxnsRecorder):
    """
    clients_subset: pd.DataFrame. Клиенты у которых будут фрод транзакции. Сабсет клиентов для кого нагенерили
                     легальных транзакций ранее.
    configs: ComprClientFraudCfg. Конфиги для транзакций.
    part_data: FraudTxnPartData. Генератор части данных транзакций.
    fraud_amts: TransAmount. Генератор сумм транзакций.
    txn_recorder: FraudTxnsRecorder. 
    """
    all_fraud_txns = []
    # Конфиги кол-ва транз. для правила trans_freq_increase
    freq_cfg = configs.rules_cfg["freq_txn"]["txn_num"]

    for client in configs.clients.itertuples():
        rule = sample_rule(configs.rules)

        client_txns = configs.transactions.loc[configs.transactions.client_id == client.client_id]
        # Записываем данные текущего клиента в атрибут client_info класса FraudTxnPartData
        part_data.client_info = client
        
        # Это правило отдельно т.к. такой случай имеет несколько транз-ций
        if rule == "trans_freq_increase":
            client_txns_temp = client_txns.loc[[client_txns.unix_time.idxmax()]]
            # Сколько транз. будет создано под это правило
            low = freq_cfg["min"]
            high = freq_cfg["max"]
            txns_total = np.random.randint(low, high + 1) 

            # Генерируем txns_total число фрод транзакций. Датафрейм с ними записываем в переменную
            fraud_only = trans_freq_wrapper(client_txns_temp=client_txns_temp, \
                                            txns_total=txns_total, configs=configs, \
                                            part_data=part_data, fraud_amts=fraud_amts)
            
            # Добавляем созданные транзакции в общий список и сразу переводим цикл на следующую итерацию
            all_fraud_txns.append(fraud_only)
            continue

        # Остальные правила. Генерация одной транз-ции
        else:
            one_txn = gen_purchase_fraud_txn(rule=rule, client_trans_df=client_txns, \
                                             configs=configs, part_data=part_data, \
                                             fraud_amts=fraud_amts)
            
            all_fraud_txns.append(pd.DataFrame([one_txn]))

    # Запись транзакций в файл  
    txn_recorder.all_txns = pd.concat(all_fraud_txns, ignore_index=True)
    txn_recorder.write_to_file()

from data_generator.fraud.compr.txns import gen_multi_fraud_txns
from data_generator.fraud.recorder import FraudTxnsRecorder
from data_generator.fraud.compr.txndata import FraudTxnPartData, TransAmount

part_data = FraudTxnPartData(configs)
txn_amt = TransAmount(configs)
txn_recorder = FraudTxnsRecorder(configs)

# Тест
gen_multi_fraud_txns(configs=configs, part_data=part_data, fraud_amts=txn_amt, txn_recorder=txn_recorder)

data_storage = compr_cfg["data_storage"]
compr_subdir = data_storage["folder_name"] # Название поддиректории в папке созданной под текущую генерацию
compr_file = data_storage["files"]["txns"] # Название файла с транзакциями
path_to_compr = os.path.join(run_dir, compr_subdir, compr_file)

compr_fraud_demo = pd.read_parquet(path_to_compr)

compr_fraud_demo.head(5)

compr_fraud_demo.shape

(185, 19)

# Подгрузим легальные транзакции. Сразу отсортируем по client_id и времени

legit_txns_full = pd.read_parquet(run_dir + "/legit/legit_txns.parquet").sort_values(["client_id","unix_time"])
legit_txns_full.head(2)

# Возьмем только последнюю легальную транзакцию для каждого клиента
legit_full_last_only = legit_txns_full.groupby("client_id", as_index=False).tail(1)
legit_full_last_only.head(3)

# Отфильтруем только те легальные, которые принадлежат клиентам у которых был фрод

fraud_client_ids = compr_fraud_demo.client_id.unique()
legit_txns = legit_full_last_only.loc[legit_full_last_only.client_id.isin(fraud_client_ids)]
legit_txns.head(2)

# Соединим последние легальные и созданный фрод.

last_leg_and_fraud = pd.concat([legit_txns, compr_fraud_demo]).sort_values(["client_id","unix_time"]).reset_index(drop=True)
last_leg_and_fraud.head(2)

# Чтобы показать не только фрод но и последнюю легальную транзакцию, нужно фильтровать по client_id
# И взять client_id клиента у которого был нужный фрод
fast_geo_client = last_leg_and_fraud.query("rule == 'fast_geo_change'").client_id.head(1).iat[0]

last_leg_and_fraud.loc[last_leg_and_fraud.client_id == fast_geo_client]

fast_geo_net_client = last_leg_and_fraud.query("rule == 'fast_geo_change_online'").client_id.head(1).iat[0]

last_leg_and_fraud.loc[last_leg_and_fraud.client_id == fast_geo_net_client]

new_dev_and_ip_client = last_leg_and_fraud.query("rule == 'new_ip_and_device_high_amount'").client_id.head(1).iat[0]

last_leg_and_fraud.loc[last_leg_and_fraud.client_id == new_dev_and_ip_client]

new_dev_client = last_leg_and_fraud.query("rule == 'new_device_and_high_amount'").client_id.head(1).iat[0]

last_leg_and_fraud.loc[last_leg_and_fraud.client_id == new_dev_client]

freq_txns_client = last_leg_and_fraud.query("rule == 'trans_freq_increase'").client_id.head(1).iat[0]

last_leg_and_fraud.loc[last_leg_and_fraud.client_id == freq_txns_client]

class ComprRunner:
    """
    Запуск генерации транзакций compromised фрода.
    ---------
    Атрибуты:
    ---------
    cfg_builder: ComprConfigBuilder.
    configs: ComprClientFraudCfg. Конфиги и данные для генерации транзакций.
    part_data: FraudTxnPartData. Генерация части данных транзакции:
               мерчант, геопозиция, город, IP адрес и др.
    fraud_amts: TransAmount. Генерация суммы транзакций.
    txn_recorder: FraudTxnsRecorder. Запись транзакций в файл.
    text: str. Текст для вставки в спиннер.
    """
    def __init__(self, base_cfg, legit_cfg, time_cfg, fraud_cfg, compr_cfg, run_dir):
        """
        base_cfg: dict. Конфиги из base.yaml
        legit_cfg: dict. Конфиги из legit.yaml
        time_cfg: dict. Конфиги из time.yaml
        fraud_cfg: dict. Общие конфиги фрода из fraud.yaml
        compr_cfg: dict. Конфиги для compromised фрода из compr.yaml
        run_dir: str. Название директории для хранения сгенерированных
                 данных текущей генерации.
        """
        self.cfg_builder = ComprConfigBuilder(base_cfg=base_cfg, legit_cfg=legit_cfg, \
                                              time_cfg=time_cfg, fraud_cfg=fraud_cfg, \
                                              compr_cfg=compr_cfg, run_dir=run_dir)
        self.configs = self.cfg_builder.build_cfg()
        self.part_data = FraudTxnPartData(configs=self.configs)
        self.fraud_amts = TransAmount(configs=self.configs)
        self.txn_recorder = FraudTxnsRecorder(configs=self.configs)
        self.text = "Compromised clients fraud txns generation"


    @spinner_decorator
    def run(self):
        """
        Запуск генератора.
        """
        configs = self.configs
        part_data = self.part_data
        fraud_amts = self.fraud_amts
        txn_recorder = self.txn_recorder

        gen_multi_fraud_txns(configs=configs, part_data=part_data, fraud_amts=fraud_amts, \
                             txn_recorder=txn_recorder)

	city	lat	lon	fraud_ip
0	Москва	55.753879	37.620373	5.3.252.223
1	Санкт-Петербург	59.939125	30.315822	5.3.252.224

	device_id	platform
0	9670	Windows
1	9671	Windows

	txn_time	unix_time	is_fraud	time_diff
0	2023-09-20 09:14:00	1.695201e+09	False	NaN
1	2023-09-20 09:17:00	1.695201e+09	True	3.0
2	2023-09-20 09:20:00	1.695202e+09	True	3.0
3	2023-09-20 09:21:00	1.695202e+09	True	1.0
4	2023-09-20 09:24:00	1.695202e+09	True	3.0
5	2023-09-20 09:26:00	1.695202e+09	True	2.0
6	2023-09-20 09:30:00	1.695202e+09	True	4.0

	client_id	platform	device_id
397	418	iOS	703
5674	418	Windows	704

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
0	445	2025-01-30 12:41:39	1738240899	3000.00	purchase	ecom	misc_net	True	6960.0	Москва	55.753879	37.620373	2.60.1.169	782.0	NaN	False	False	approved	not applicable
1	445	2025-01-30 15:59:57	1738252797	3000.00	purchase	ecom	shopping_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	approved	not applicable
2	445	2025-01-30 16:00:57	1738252857	4817.66	purchase	ecom	shopping_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	approved	not applicable
3	445	2025-01-30 16:03:57	1738253037	2892.04	purchase	ecom	shopping_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	approved	not applicable
4	445	2025-01-30 16:04:57	1738253097	5200.00	purchase	ecom	misc_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	declined	trans_freq_increase
5	445	2025-01-30 16:07:57	1738253277	3670.88	purchase	ecom	misc_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	declined	trans_freq_increase
6	445	2025-01-30 16:10:57	1738253457	4520.00	purchase	ecom	shopping_net	True	6947.0	Кострома	57.802945	40.990728	5.8.8.149	11218.0	NaN	True	False	declined	trans_freq_increase

Генерация транзакций в рамках compromised client фрода¶

Создание конфиг класса с конфигами и данными для генерации¶

1. Конструктор конфиг класса `ComprConfigBuilder`¶

Генерация времени¶

1. Функция генерации времени `generate_time_fast_geo_jump`¶

Демонстрация¶

2. Функция генерации времени транзакции для симуляции участившихся транзакций `gen_time_for_frequent_trans`¶

Демонстрация¶

3. Функция `derive_from_last_time`¶

Демонстрация¶

4. Функция `get_time_fraud_txn`¶

Генерация части данных транзакции, генерация суммы транзакции¶

1. Класс `FraudTxnPartData` - генерация части данных транзакции¶

Демонстрация¶

2. Класс `TransAmount`¶

3. Функция генерации одной транзакции `gen_purchase_fraud_txn`¶

Демонстрация¶

4. Функция обертка `trans_freq_wrapper` для функции `gen_purchase_fraud_txn`¶

Демонстрация¶

Генерация нескольких транзакций, запись транзакций в файл¶

1. Класс `FraudTxnsRecorder`¶

2. Функция генерации нескольких фрод транзакций `gen_multi_fraud_txns`¶

Демонстрация¶

Оркестрация генерации compromised фрод транзакций¶

1. Класс `ComprRunner`¶

	client_id	city_id	birth_date	sex	region	city	timezone	lat	lon	population	home_ip
0	1114	59	2005-06-12	male	Краснодарский	Краснодар	UTC+3	45.040235	38.976080	744933	2.60.4.36
1	1125	9	1959-03-24	female	Кемеровская	Новокузнецк	UTC+7	53.794276	87.214405	547885	2.60.4.47

	distance	last_unix
0	800	1695201240
1	1200	1695201240
2	5000	1695201240
3	7500	1695201240

	rule	weight	online
0	fast_geo_change	0.12500	False
1	fast_geo_change_online	0.21875	True
2	new_ip_and_device_high_amount	0.25000	True
3	new_device_and_high_amount	0.18750	True
4	trans_freq_increase	0.21875	True

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
0	1125	2025-01-12 10:16:00	1736676960	1.0	purchase	ecom	misc_net	True	6930.0	Новокузнецк	53.794276	87.214405	2.60.4.47	1961.0	NaN	False	False	approved	not applicable
1	1125	2025-01-12 11:50:52	1736682652	5840.0	purchase	ecom	misc_net	True	6959.0	Уфа	54.734853	55.957865	5.8.14.16	14984.0	NaN	True	False	declined	fast_geo_change_online

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
0	1114	2025-01-20 11:13:47	1737371627	24741.85	purchase	ecom	shopping_net	True	6949.0	Иваново	56.999468	40.972823	5.8.23.242	12408.0	NaN	True	False	declined	new_ip_and_device_high_amount
1	1125	2025-01-18 18:47:28	1737226048	19148.95	purchase	ecom	misc_net	True	6835.0	Новокузнецк	53.794276	87.214405	5.8.0.153	14458.0	NaN	True	False	declined	new_device_and_high_amount
2	2401	2025-01-20 10:57:21	1737370641	49142.25	purchase	ecom	shopping_net	True	6964.0	Новосибирск	55.028102	82.921058	5.8.14.8	10034.0	NaN	True	False	declined	fast_geo_change_online
3	875	2025-01-20 10:00:45	1737367245	5400.00	purchase	ecom	shopping_net	True	6812.0	Иркутск	52.286351	104.280655	5.8.12.79	14763.0	NaN	True	False	declined	new_ip_and_device_high_amount
4	3522	2025-01-20 00:47:50	1737334070	8570.35	purchase	ecom	misc_net	True	6895.0	Ярославль	57.621614	39.897878	5.8.28.44	12616.0	NaN	True	False	declined	new_ip_and_device_high_amount

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
1108	4	2025-01-02 14:17:00	1735827420	1722.00	purchase	POS	grocery_pos	False	4336.0	Ростов-на-Дону	47.186882	39.540858	not applicable	NaN	NaN	False	False	approved	not applicable
1837	4	2025-01-03 08:14:00	1735892040	1070.83	purchase	POS	shopping_pos	False	6038.0	Ростов-на-Дону	47.269532	39.734244	not applicable	NaN	NaN	False	False	approved	not applicable

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
18764	4	2025-01-19 21:53:00	1737323580	1837.07	purchase	POS	grocery_pos	False	948.0	Ростов-на-Дону	47.264105	39.643790	not applicable	NaN	NaN	False	False	approved	not applicable
19043	5	2025-01-20 08:48:00	1737362880	1.00	purchase	POS	shopping_pos	False	2650.0	Ростов-на-Дону	47.198945	39.493719	not applicable	NaN	NaN	False	False	approved	not applicable
17964	17	2025-01-19 18:24:20	1737311060	473.47	purchase	POS	home	False	6204.0	Тюмень	57.211488	65.566663	not applicable	NaN	NaN	False	False	approved	not applicable

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
18666	66	2025-01-19 21:34:06	1737322446	1.0	purchase	POS	shopping_pos	False	2549.0	Москва	55.702551	37.417362	not applicable	NaN	NaN	False	False	approved	not applicable
19088	97	2025-01-20 09:04:00	1737363840	1000.0	purchase	POS	gas_transport	False	3188.0	Орёл	52.934794	36.058780	not applicable	NaN	NaN	False	False	approved	not applicable

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
15	527	2025-01-20 12:09:00	1737374940	3627.31	purchase	POS	grocery_pos	False	3019.0	Иваново	56.994509	40.883388	not applicable	NaN	NaN	False	False	approved	not applicable
16	527	2025-01-20 12:25:34	1737375934	32204.00	purchase	POS	misc_pos	False	505.0	Тверь	56.826437	35.920547	not applicable	NaN	NaN	True	False	declined	fast_geo_change

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
4	398	2025-01-20 12:58:00	1737377880	742.4	purchase	POS	personal_care	False	5583.0	Тверь	56.882587	35.841957	not applicable	NaN	NaN	False	False	approved	not applicable
5	398	2025-01-20 17:50:22	1737395422	4000.0	purchase	ecom	misc_net	True	6937.0	Новосибирск	55.028102	82.921058	5.8.19.222	11861.0	NaN	True	False	declined	new_ip_and_device_high_amount

	client_id	txn_time	unix_time	amount	type	channel	category	online	merchant_id	trans_city	trans_lat	trans_lon	trans_ip	device_id	account	is_fraud	is_suspicious	status	rule
6	444	2025-01-19 11:08:00	1737284880	1030.15	purchase	POS	home	False	4250.0	Санкт-Петербург	60.029397	30.307338	not applicable	NaN	NaN	False	False	approved	not applicable
7	444	2025-01-20 03:54:52	1737345292	2555.48	purchase	ecom	shopping_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	False	False	approved	not applicable
8	444	2025-01-20 03:55:52	1737345352	4500.00	purchase	ecom	shopping_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	False	False	approved	not applicable
9	444	2025-01-20 03:57:52	1737345472	2186.00	purchase	ecom	grocery_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	False	False	approved	not applicable
10	444	2025-01-20 04:02:52	1737345772	2200.00	purchase	ecom	shopping_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	True	False	declined	trans_freq_increase
11	444	2025-01-20 04:03:52	1737345832	3914.00	purchase	ecom	grocery_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	True	False	declined	trans_freq_increase
12	444	2025-01-20 04:08:52	1737346132	4000.00	purchase	ecom	misc_net	True	6909.0	Севастополь	44.616733	33.525355	5.8.3.179	11052.0	NaN	True	False	declined	trans_freq_increase

Генерация транзакций в рамках compromised client фрода¶

Создание конфиг класса с конфигами и данными для генерации¶

1. Конструктор конфиг класса ComprConfigBuilder¶

Генерация времени¶

1. Функция генерации времени generate_time_fast_geo_jump¶

Демонстрация¶

2. Функция генерации времени транзакции для симуляции участившихся транзакций gen_time_for_frequent_trans¶

Демонстрация¶

3. Функция derive_from_last_time¶

Демонстрация¶

4. Функция get_time_fraud_txn¶

Генерация части данных транзакции, генерация суммы транзакции¶

1. Класс FraudTxnPartData - генерация части данных транзакции¶

Демонстрация¶

2. Класс TransAmount¶

3. Функция генерации одной транзакции gen_purchase_fraud_txn¶

Демонстрация¶

4. Функция обертка trans_freq_wrapper для функции gen_purchase_fraud_txn¶

Демонстрация¶

Генерация нескольких транзакций, запись транзакций в файл¶

1. Класс FraudTxnsRecorder¶

2. Функция генерации нескольких фрод транзакций gen_multi_fraud_txns¶

Демонстрация¶

Оркестрация генерации compromised фрод транзакций¶

1. Класс ComprRunner¶

1. Конструктор конфиг класса `ComprConfigBuilder`¶

1. Функция генерации времени `generate_time_fast_geo_jump`¶

2. Функция генерации времени транзакции для симуляции участившихся транзакций `gen_time_for_frequent_trans`¶

3. Функция `derive_from_last_time`¶

4. Функция `get_time_fraud_txn`¶

1. Класс `FraudTxnPartData` - генерация части данных транзакции¶

2. Класс `TransAmount`¶

3. Функция генерации одной транзакции `gen_purchase_fraud_txn`¶

4. Функция обертка `trans_freq_wrapper` для функции `gen_purchase_fraud_txn`¶

1. Класс `FraudTxnsRecorder`¶

2. Функция генерации нескольких фрод транзакций `gen_multi_fraud_txns`¶

1. Класс `ComprRunner`¶