Антифрод-система для телеком-маркетплейса: как кейс T2 и Wildberries превратить в диплом по кибербезопасности

Как кейс T2 / Wildberries ложится в структуру ВКР

В первой главе вашей работы анализируете проблему: мошенничество в e-commerce и телекоме (фрод с SIM-box, дропы, подменные номера). Используйте статьи, like этот релиз, как подтверждение актуальности. Во второй главе проектируете архитектуру (микросервисы, шина данных, ML-модуль). В третьей — тестируете на синтетических данных измеряете TPR (True Positive Rate) и FPR (False Positive Rate). Показываете экономический эффект: снижение убытков на 25-40% при точности ≥95%.

Три формата тем для ВКР (выбирайте под свой стандарт)

Каждая тема — с фокусом на разные аспекты кибербезопасности. Рекомендую уточнить у руководителя (ГОСТ 34.602-89 или ISO/IEC 25010) — это повлияет на структуру ТЗ и диаграммы.

Архитектура и метрики: что должно быть в работе

Независимо от выбранной темы, требуются диаграммы. Самый удобный нотация — C4 (уровень контейнеров) плюс UML Sequence для сценария «Пользователь заказывает — система анализирует». Пример конфигурации ML-модуля (Python + Flask):

# app.py – minimal API для детекции фрода
from flask import Flask, request, jsonify
import joblib
import pandas as pd

app = Flask(__name__)
model = joblib.load('antifraud_model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    features = pd.DataFrame([data['features']])
    proba = model.predict_proba(features)[0][1]
    return jsonify({'score': proba, 'decision': 'block' if proba > 0.9 else 'allow'})

Метрики, которые ждёт рецензент:

• Precision / Recall (минимум 0.95 для блокирующих решений);
• FPR (False Positive Rate) – не более 0.5%, иначе клиенты уйдут;
• Latency p99 – <200ms для интерактивных сценариев;
• Экономический эффект – в деньгах (средняя стоимость убытков от фрода × % предотвращённых).

Тестирование и данные: откуда взять без NDA

Реальные данные T2 или WB вам не дадут, но есть легальные способы:

• Синтетические генераторы (Faker, SDV) — создаёте профили покупателей и операторов;
• Датасеты Kaggle (например, «IEEE-CIS Fraud Detection»);
• Эмуляция потоков через Kafka (OpenTelemetry для трейсинга).

В отчёте обязательно укажите: «Данные синтезированы на основе открытых источников и не содержат ПДн» — это снимет вопросы комиссии.

Чему вы научитесь, защитив такую ВКР

• Проектировать отказоустойчивые схемы интеграции (API Gateway, брокеры сообщений);
• Настраивать ML-пайплайн с фича-стором (Feast) и мониторингом дрейфа;
• Считать TCO (Total Cost of Ownership) для облачной инфраструктуры (Yandex Cloud / k8s);
• Оформлять ТЗ по ГОСТ 34.602-89 (это требование 90% техвузов);
• Формулировать выводы и защищать результаты перед строгой комиссией.