Money Graph — AML Financial Flow Intelligence Platform

English • Русский • Screenshots & Demo • Research & Novelty

---

Screenshots & Media / Скриншоты и Демо

Application Walkthrough Video / Видеодемонстрация системы

Key Interface Screenshots

Interactive Graph Visualizer & Client Dossier	Priority Investigation Queue & Escalation

Entire 2,248-Node Network & Cross-Cluster Flows	Custom Data Ingestion & Pipeline Reconstruction

Explainable AML Rule Trace & Court Speech (Russian UI)	Official Law Enforcement Referral Dossier (PDF Export)

---

English

Overview

Money Graph is a full-stack, production-ready financial transaction network reconstruction and role attribution platform built specifically for financial crime compliance units, AML investigators, and law enforcement liaison teams.

The platform ingests multi-hop bank transaction exports (edges.parquet, nodes.parquet, transactions.parquet), builds a directed weighted graph, computes network centrality and community metrics, deterministically attributes roles to 2,248 accounts, ranks investigation targets by multi-factor priority score, simulates structural attack degradation, and provides an end-to-end case escalation and referral export workflow.

---

Complete Feature Matrix

1. Core Analytics & Graph Intelligence

• Deterministic 6-Role Taxonomy: Sequential first-match-wins classification into coordinator, consolidator, distributor, transit, terminal, and peripheral.
• Composite Priority Score: Mathematically combines betweenness centrality, PageRank, in/out degrees, seed indicators, and high-impact multipliers ($1.15\times$).
• Hop-4 Boundary Correction: Distinguishes genuine terminal sinks from traversal truncation artifacts (444 boundary accounts) with a $0.6\times$ confidence penalty and explicit evidence flags.
• Explain GID (Rule Chain Transparency): Instant modal tracing why an account received its role, displaying evaluated conditions, exact metrics, and failure reasons for preceding rules.
• Louvain Community Partitioning: Discovers 82 granular communities within 16 weakly connected components, computing internal transaction volume and community hypotheses.
• Rapid Transit Velocity ($\Delta t \le 48\text{h}$): Identifies 175 accounts executing immediate pass-through transfers, bypassing prolonged retention.
• Circular Flow Detection: Detects 309 accounts trapped in 84 circular transaction loops via strongly connected components (SCC).
• Structuring & Smurfing Pattern Alert: Flags 170 accounts where $\ge 60%$ of transfers cluster tightly within 5,000–15,000 KZT directly above the reporting cutoff.

2. Operational Investigation & Escalation Workflow

• Analyst Investigation Queue: Filterable, sortable priority table with pattern badges (Seed, Cycle, Rapid, Smurfing, Hop-4 Artifact).
• PostgreSQL Case Review Persistence: Tag accounts as unreviewed, escalated, or cleared with analyst notes and timestamps.
• Law Enforcement Referral Dossier Export: Generate official formatted CSV exports and clean, printable PDF referral packets ready for judicial submission.
• Dynamic Threshold Sensitivity: Real-time slider controls to simulate alternate coordinator betweenness percentiles, consolidator fan-in, and distributor fan-out thresholds.
• Data Completeness & Limitation Audit: Built-in interactive report analyzing 4 key dataset caveats: hop-4 boundary, outflow-only sampling, 5,000 KZT cutoff, and absence of demographic PII.
• Custom Dataset Ingestion (BFS Multi-Hop): Upload arbitrary transaction CSVs with custom seed accounts, automatically deriving hop-depth and recalculating the entire graph.

3. Visual & Interactive Dashboard

• High-Performance Canvas Graph (60 FPS): HTML5 Canvas rendering of 2,248 nodes and 3,119 directed edges with zoom/pan, directional arrowheads, log-scaled volume edge thickness, and role-based chromatic coloring.
• Community Bubble Map: Interactive packed bubble view of all 82 communities sized by internal KZT turnover.
• Client Dossier Panel (NodeCard): In-depth account overview with inbound/outbound counterparty breakdown, transaction volumes, depth badges, and quick escalation controls.
• AI AML Assistant (AssistantPanel): Natural language chat drawer providing topology-aware explanations, typology queries, and automatic 18-digit GID extraction with zero guilt assertions.
• Bilingual Internationalization (EN / RU): Complete native English and Russian interface with instantaneous one-click toggle.
• Onboarding Walkthrough: 3-step interactive onboarding modal guiding first-time analysts through the investigation workflow.

---

Quick Start (Single Command)

Spin up all services (Next.js frontend, FastAPI backend, PostgreSQL, Redis) via Docker Compose:

docker compose up -d --build

• Frontend Dashboard: http://localhost:3000
• Backend API Docs (Swagger): http://localhost:8000/docs
• Pipeline Execution Latency: ~1.5 – 5.0 seconds for full graph recomputation (2,248 nodes, 3,119 edges, metrics, communities, roles, and CSV outputs).

Standalone Pipeline Recomputation

Recompute via the "Recompute" button in the top navigation bar or from your terminal:

docker compose exec backend python -m app.pipeline.run

Running Test Suites

# Frontend test suite (Bun — 25 passing tests):
bun test

# Backend test suite (Pytest — 26 passing tests):
backend/.venv/bin/python -m pytest backend/tests -v

---

Role Assignment Hierarchy

Roles are evaluated sequentially from top to bottom; the first matching rule wins:

Role	Priority Rule & Metric Thresholds	AML Operational Meaning
coordinator	• betweenness in top 5% of graph (>= 0.000155) • AND (is_seed = true OR connects $\ge 2$ different clusters) • AND in_partners + out_partners >= 5	Strategic bridges linking distinct subnetworks or seed operations. Core structural targets for disrupting the network.
consolidator	• in_partners >= 8 • AND (pass_ratio is undefined OR pass_ratio < 0.3)	Funnels funds from multiple sources into a single pooling account with minimal onward distribution (<30%).
distributor	• out_partners >= 15	Disburses funds outward to wide groups of recipients (classic layering / smurfing dispatch node).
transit	• 0.8 <= pass_ratio <= 1.2 • AND in_partners >= 1 AND out_partners >= 1	Pass-through intermediary forwarding approximately 80–120% of received funds with minimal retention.
terminal	• out_partners == 0 • Sub-rule: depth < 4 (genuine sink) • Sub-rule: depth == 4 (flagged as truncated_by_depth, lower confidence)	Endpoint accounts. Differentiates genuine sinks from traversal boundary artifacts at hop 4.
peripheral	• All remaining accounts	Low-degree, low-volume background flow nodes.

---

Priority Score Formula

$$ priority_{score} = \text{clip}\Big(0.35 \cdot \text{norm}(bw) + 0.25 \cdot \text{norm}(pr) + 0.20 \cdot \text{norm}(in) + 0.10 \cdot \text{norm}(out) + 0.10 \cdot is_{seed}, 0, 1\Big) $$

Where:

• $\text{norm}(x) = \frac{x - x_{min}}{x_{max} - x_{min}}$ across all nodes.
• Priority Multiplier: Nodes classified as coordinator or consolidator receive a $1.15\times$ boost (clipped to 1.0) to elevate key operational actors in the investigation queue.

---

Advanced Research Analytics & Novelty

1. Network Resilience & Interdiction Simulation

We simulated targeted interdiction attacks by systematically removing the highest-betweenness coordinator bridges:

• Baseline: Giant component comprises 1,877 nodes across 35 initial components.
• Top 5 Coordinator Removal: The network shatters into 129 isolated components (giant component shrinks by 8.5%).
• Top 10 Coordinator Removal: The network fractures into 228 isolated fragments (giant component collapses by 16.5%), proving that freezing just 10 accounts effectively paralyzes criminal coordination across the bank's sampled perimeter.

2. Cyclic Laundering Topology

Identified 309 nodes participating in circular flow structures across 84 cyclic components. Funds circulate through intermediaries and loop back toward seed-linked clusters, a hallmark of artificial turnover generation and layering.

3. Velocity Analysis & Rapid Pass-Through

Analyzed transaction timestamps ($\Delta t$). Found 175 nodes where median funds transit turnaround is under 48 hours, highlighting accounts functioning purely as electronic conduits.

---

System Architecture

flowchart LR
    subgraph Data["1. Data Layer"]
        D1[("edges.parquet<br/>3,119 edges")]
        D2[("nodes.parquet<br/>2,248 nodes")]
        D3[("transactions.parquet<br/>4,840 txs")]
    end

    subgraph Pipeline["2. Pipeline Engine (~4.8s)"]
        direction TB
        P1["Data Ingestion & Base Aggregations"]
        P2["NetworkX Graph & Centrality<br/>• Betweenness, PageRank<br/>• 82 Louvain Communities"]
        P3["Advanced Flow Analytics<br/>• Temporal Velocity (Δt)<br/>• Cycles & Structural Choke Points"]
        P4["Deterministic Role & Priority Engine<br/>• 6 Vocabulary Roles<br/>• Zero-Guilt Evidence Strings"]
        P1 --> P2 --> P3 --> P4
    end

    subgraph Storage["3. Persistence & DB"]
        S1[("PostgreSQL<br/>Case Reviews & Escalations")]
        S2[("Redis<br/>Pre-warmed Cache")]
        S3[("CSV / Parquet<br/>nodes_roles, clusters, top_nodes")]
    end

    subgraph UI["4. Serving & Frontend"]
        API["FastAPI Backend<br/>/graph • /reviews • /assistant • /upload"]
        FE["Next.js 16 Web Dashboard<br/>• 60 FPS Canvas Graph & Queue<br/>• Case Escalation & Referral Export<br/>• Sensitivity Panel & i18n EN/RU"]
        API <--> FE
    end

    Data --> P1
    P4 --> Storage
    Storage --> API

---

Scaling to ~1M Nodes (Enterprise Blueprint)

1. Columnar Ingestion: Transition from Pandas to DuckDB or ClickHouse; calculate $k$-hop neighbor degree aggregates and flow ratios out-of-core.
2. Approximate Centrality: Replace exact $\mathcal{O}(V \cdot E)$ betweenness with Brandes $k$-sample approximations or GPU-accelerated cuGraph.
3. Incremental Maintenance: Propagate localized metric updates ($k \le 2$ radius) upon new transaction events rather than batch recalculation.
4. Graph Persistence: Store edges in Neo4j, AWS Neptune, or Memgraph for live analyst sub-graph expansions.

---

Русский

Обзор проекта

Money Graph — это полнофункциональная аналитическая платформа промышленного уровня для реконструкции сетей финансовых транзакций, выявления типологий отмывания денег (AML) и детерминированной атрибуции ролей участников. Система создана для подразделений финансового мониторинга, комплаенс-расследований и подготовки материалов в правоохранительные органы.

Платформа обрабатывает выгрузки банковских переводов (edges.parquet, nodes.parquet, transactions.parquet), строит направленный взвешенный граф, рассчитывает метрики центральности и сообществ, присваивает роли 2 248 аккаунтам, ранжирует цели расследования по шкале приоритета, моделирует устойчивость сети при блокировке ключевых узлов и предоставляет сквозной процесс эскалации дел с выгрузкой официального досье.

---

Полная матрица возможностей

1. Графовая аналитика и алгоритмическое ядро

• Детерминированная модель из 6 ролей: Последовательная классификация по принципу первого совпадения: координатор (coordinator), консолидатор (consolidator), дистрибьютор (distributor), транзитник (transit), терминал (terminal) и периферия (peripheral).
• Композитный скоринг приоритета: Расчет приоритета на основе междуузлового посредничества (betweenness), PageRank, входящей/исходящей степени, признака семени и повышающих коэффициентов ($1.15\times$).
• Коррекция краевого артефакта 4-го шага: Четкое разделение реальных терминалов и артефактов глубины графа (444 аккаунта на 4-м шаге) со штрафным коэффициентом $0.6\times$ и явной пометкой в обосновании.
• Объяснение роли («Explain GID»): Прозрачное модальное окно с пошаговой цепочкой проверки правил, фактическими метриками узла и причинами несрабатывания предшествующих правил.
• Выявление сообществ алгоритмом Louvain: 82 устойчивых кластера внутри 16 компонент связности с подсчетом внутреннего оборота и генерацией гипотез.
• Скоростной транзит ($\Delta t \le 48\text{ ч}$): Выявление 175 аккаунтов со сверхбыстрой пересылкой средств без длительного удержания на счетах.
• Детекция циклических схем: Обнаружение 309 аккаунтов в составе 84 замкнутых контуров (через сильно связные компоненты SCC).
• Выявление смурфинга и дробления: 170 аккаунтов, у которых $\ge 60%$ операций сконцентрированы в диапазоне 5 000–15 000 KZT чуть выше порога обязательного контроля.

2. Рабочее место аналитика и процесс эскалации

• Очередь расследования (Investigation Queue): Таблица с фильтрацией, сортировкой и бейджами типологий (Seed, Cycle, Rapid, Smurfing, Hop-4 Artifact).
• Сохранение статусов в PostgreSQL: Маркировка аккаунтов (unreviewed, escalated, cleared) с сохранением заметок аналитика и времени проверки.
• Выгрузка досье для правоохранительных органов: Генерация официального CSV-файла и аккуратного печатного PDF-досье по эскалированным фигурантам.
• Анализ чувствительности порогов (Sensitivity Panel): Интерактивные слайдеры для моделирования альтернативных порогов координатора, консолидатора и дистрибьютора в реальном времени.
• Аудит полноты данных и ограничений выборки: Встроенный интерактивный отчет по 4 ключевым ограничениям (артефакт 4-го шага, однонаправленная выгрузка, порог 5 000 KZT, отсутствие персональных данных).
• Загрузка пользовательских датасетов (BFS Ingestion): Возможность загрузить собственный CSV-файл транзакций с указанием семян, с авторасчетом глубины графа и полным пересчетом метрик.

3. Интерактивный интерфейс

• Высокопроизводительный граф (Canvas 60 FPS): Отрисовка 2 248 вершин и 3 119 связей с масштабированием, направленными стрелками, логарифмической толщиной ребер и цветовой кодировкой ролей.
• Пузырьковая карта сообществ: Визуализация 82 сообществ в виде упакованных пузырьков, масштабированных по внутреннему обороту в тенге.
• Карточка досье клиента (NodeCard): Полная аналитика по клиенту, детализация входящих и исходящих контрагентов, глубина и панель эскалации.
• AI AML-ассистент (AssistantPanel): Чат с распознаванием 18-значных GID, ответами на вопросы о топологии сети и типологиях отмывания без субъективных обвинений.
• Полная двуязычность (RU / EN): Настоящая локализация интерфейса на русском и английском языках с мгновенным переключением.
• Обучающий тур (Onboarding): 3-шаговый интерактивный гид для быстрого погружения аналитика в систему.

---

Быстрый старт (Одна команда)

Запуск всех компонентов (Next.js, FastAPI, PostgreSQL, Redis) через Docker Compose:

docker compose up -d --build

• Веб-интерфейс: http://localhost:3000
• Документация API (Swagger): http://localhost:8000/docs
• Скорость пайплайна: ~1.5 – 5.0 секунд для полного пересчета всего графа (2 248 вершин, 3 119 связей, PageRank, Louvain, роли и выгрузка CSV).

Пересчет пайплайна через консоль

docker compose exec backend python -m app.pipeline.run

Запуск тестов

# Тесты фронтенда (Bun — 25 тестов):
bun test

# Тесты бэкенда (Pytest — 26 тестов):
backend/.venv/bin/python -m pytest backend/tests -v

---

Исследовательская аналитика: Моделирование устойчивости сети

Мы смоделировали атаку на сеть путем удаления аккаунтов-координаторов с максимальным показателем междуузлового посредничества:

• Базовое состояние: Гигантская компонента связности объединяет 1 877 вершин в 35 начальных компонентах.
• Удаление топ-5 координаторов: Сеть распадается на 129 изолированных компонент (размер гигантской компоненты падает на 8.5%).
• Удаление топ-10 координаторов: Сеть фрагментируется на 228 изолированных фрагментов (размер гигантской компоненты сокращается на 16.5%).

Это доказывает, что координаторы являются ключевыми структурными «бутылочными горлышками», и блокировка всего 10 аккаунтов парализует транзитные потоки между кластерами.

---

Ограничения данных и краевые эффекты

1. Артефакт обрезки 4-го шага (depth = 4): 444 счета имеют depth = 4 и out_partners = 0 только потому, что сбор данных был остановлен на 4-м шаге от сидов. Они явно помечены флагом truncated_by_depth = true и получают пониженный коэффициент доверия ($\times 0.6$).
2. Однонаправленная видимость исходящих потоков: В выборку вошли только исходящие транзакции наблюдаемых клиентов. Поступления из внешних источников не зафиксированы.
3. Порог фильтрации 5 000 KZT: Переводы до 5 000 KZT отфильтрованы при первичной выгрузке, поэтому микроструктурирование ниже этой суммы не отражено в исходных данных.
4. 16 компонент слабой связности: Сеть разбита на 16 независимых компонент связности. Кластеризация Louvain выполняется независимо для каждой компоненты.
5. Отсутствие персональных данных (PII): Все выводы формируются исключительно на основе топологии графа и характеристик денежных потоков без презумпции виновности.

---

Выходные артефакты

• data/output/nodes_roles.csv: 2 248 строк с ролями, метриками и объективными свидетельствами.
• data/output/clusters.csv: 82 кластера с гипотезами и внутренним оборотом.
• data/output/top_nodes.csv: ранжированный список наиболее приоритетных целей для углубленной проверки.
• data/output/referral_dossier.csv: экспортируемое досье эскалированных дел для правоохранительных органов.
• data/output/resilience.json: численные результаты симуляции фрагментации сети при исключении мостовых координаторов.