Sistema de Decisão Autônoma de Detecção para Bloqueio de Fraudes Financeiras

• Gustavo Anthony R. Santana IFS
• José Breno K. B. Fontes IFS
• Ramon dos Santos Oliveira IFS
• Stephanie Kamarry A. de Sousa IFS

DOI: https://doi.org/10.5753/erbase.2026.30369

Resumo

Os sistemas de antifraude em tempo real necessitam conciliar a precisão analítica e a baixa latência, dado a expansão acelerada dos pagamentos instantâneos. Este artigo apresenta uma arquitetura de software baseada em XGBoost e no framework FastAPI, otimizada pelo consumo de matrizes em memória contígua com NumPy. O motor foi validado com os datasets Paysim e IEEE-CIS, e alcança uma média entre modelos de PR-AUC de 0.7348 e precisão de 0.4568 através de Cost-Sensitive Learning. A arquitetura foi validada sob testes de estresse e mostrou-se capaz de operar um pico de 406,75 RPS sem erros na aplicação e latência média entre modelos operante à 405 ms.

Referências

Alarfaj, F. K., Malik, I., Khan, H. U., Almusallam, N., Ramzan, M., and Ahmed, M. (2022). Credit card fraud detection using state-of-the-art machine learning and deep learning algorithms. Ieee Access, 10:39700–39715.

Hajek, P., Abedin, M. Z., and Sivarajah, U. (2023). Fraud detection in mobile payment systems using an xgboost-based framework. Information Systems Frontiers, 25(5):1985–2003.

Immadisetty, A. (2025). Real-time fraud detection using streaming data in financial transactions. Journal of Recent Trends in Computer Science and Engineering (JRTCSE), 13(1):66–76.

Jesus, S., Pombal, J., Alves, D., Cruz, A., Saleiro, P., Ribeiro, R., Gama, J., and Bizarro, P. (2022). Turning the tables: Biased, imbalanced, dynamic tabular datasets for ml evaluation. Advances in Neural Information Processing Systems, 35:33563–33575.

Lopez-Rojas, E., Elmir, A., and Axelsson, S. (2016). Paysim: A financial mobile money simulator for fraud detection. In 28th European modeling and simulation symposium, EMSS, Larnaca, pages 249–255. Dime University of Genoa.

Odufisan, O. I., Abhulimen, O. V., and Ogunti, E. O. (2025). Harnessing artificial intelligence and machine learning for fraud detection and prevention in nigeria. Journal of Economic Criminology, 7:100127.

Pelosi, D., Cacciagrano, D., and Piangerelli, M. (2025). Explainability and interpretability in concept and data drift: a systematic literature review. Algorithms, 18(7):443.

Sekar, J. (2023). Optimizing cloud infrastructure for real-time fraud detection in credit card transactions. Journal Name, 6:381–388.

Teles, D. A. G. (2025). Aplicação de floresta aleatória para identificação de fraudes em transações financeiras.