SIMGuard Laya
классификатор SIM-swap мошенничества
2 min readupdated
Компактный бинарный классификатор на 421 млн параметров от автора Kyoiske, который анализирует текстовое описание события подмены SIM-карты и возвращает вероятность фрода P(fraud). Модель построена на базе convaiinnovations/laya (энкодер ModernBERT-large с головой для ответов «да/нет») и выступает быстрым фильтром первой линии в прототипе антифрод-системы SIMGuard AI. В отличие от базовой Laya, которая почти всегда отвечает «не фрод», дообученная версия уверенно разделяет легитимные операции и атаки, не генерируя лишний текст. Подойдёт разработчикам антифрод-пайплайнов и исследователям безопасности для быстрой предварительной сортировки событий перед проверкой аналитиком.
Ключевые особенности
- Высокая точность на тесте: дообучение снизило количество ошибок на тестовой выборке из 6000 примеров на 98,9% — точность выросла с 25,6% до 99,17%.
- Калиброванный гейт решений: в комплекте идёт файл
gate.jsonс готовыми порогами — при вероятности ≤ 0.1197 событие пропускается, при ≥ 0.8828 блокируется, а спорные случаи уходят человеку. - Низкие требования и высокая скорость: веса занимают 843 МБ, для работы хватает 1,5–2 ГБ VRAM, а на ноутбучной RTX 3050 (6 ГБ) модель обрабатывает один запрос за 39 мс (или 13 мс при батче 64).
- Работа в связке с табличными моделями: текстовый энкодер хуже справляется с пограничными числовыми значениями, поэтому автор рекомендует использовать его вместе с LightGBM и Isolation Forest.
Что можно сделать
- Встроить в антифрод-конвейер: автоматически отсеивать 98,6% стандартного трафика по порогам из
gate.json, оставляя ручную модерацию только для сложных пограничных кейсов. - Развернуть локальный прототип SIMGuard AI: объединить модель с LightGBM, Isolation Forest и Qwen 3.5 2B в едином интерфейсе аналитика на Streamlit из репозитория проекта.
- Перенести в продакшн через ONNX: использовать проверенную совместимость с ONNX (100% совпадение решений с PyTorch на 600 тестах) для ускорения инференса на сервере или CPU.
Пример
import torch, laya
device = "cuda" if torch.cuda.is_available() else "cpu"
agent = laya.load("Kyoiske/simguard-laya-fraud", device=device)
q = {"is_fraud": {"type": "noul", "instructions": "Does this SIM swap event look like SIM-swap fraud?"}}
p_fraud = agent.predict(event_text(event), q)["answers"]["is_fraud"]["noul"]
decision = "block" if p_fraud >= 0.8828 else "allow" if p_fraud <= 0.1197 else "human_review"
print(f"p(fraud) = {p_fraud:.3f} -> {decision}")Подробнее
Метрики: test (6000) — accuracy 99,17%, balanced accuracy 0,9884; hard_test (600 сложных пограничных кейсов) — accuracy 83,33%.Железо: минимум 8 ГБ RAM и любой 64-битный CPU (~510 мс на событие); рекомендуется GPU с 4+ ГБ VRAM (потребляет 1,5–2 ГБ при batch_size=1).
Обучение: 6 эпох на 1× RTX 3050 (6 ГБ) около 6 часов; обучались 198M из 421M параметров (нижние 14 слоёв энкодера заморожены).
Ограничения: обучена только на синтетических данных, требует строго заданного шаблона входного текста и подвержена разбросу вероятностей при смене размера батча.










Comments