📚 Pré-requisitos Teóricos: este projeto aplica conceitos ensinados em Módulo 08: Bancos de Dados SQL e NoSQL. Recomendado revisar antes de começar.

🕸️ Rastreamento de Fraudes Financeiras em Grafos com Neo4j

v1.0 — Property Graphs, Linguagem Cypher e Detecção de Vínculos Suspeitos

Trilha de Engenharia de Dados & Bancos de Dados — Projeto 8 de 10

• v1: Modelagem Relacional 3FN · PostgreSQL 16
• v2: Modelagem NoSQL · MongoDB 7.0
• v3: Estratégias de Cache · Redis 7.2
• v4: DBA Enterprise · Particionamento & RLS · PostgreSQL 16
• v5: Modelagem Visual EER & Stored Procedures · MySQL 8.0
• v6: Séries Temporais IoT · Apache Cassandra 5.0
• v7: Prontuário Objeto-Relacional & JSONB · PostgreSQL 16
• ➡️ v8 (este): Rastreamento de Fraudes em Grafos · Neo4j 5.x
• v9: Data Warehouse & Consultas OLAP · PostgreSQL 16
• v10: Persistência Poliglota Integrada · Postgres + Mongo + Redis

🎓 Nível Profissional Simulado: Fraud Prevention Engineer / Graph Data Architect. Redes criminosas utilizam identidades sintéticas compartilhando dispositivos, endereços de entrega e cartões de crédito. Em bancos relacionais, descobrir esses anéis exige dezenas de JOINs recursivos lentos. Em grafos (Neo4j), a travessia de arestas ocorre em tempo constante $O(1)$.

🎯 Objetivo

Modelar um banco de dados orientado a grafos (Property Graph) no Neo4j 5.x para prevenção a fraudes bancárias, criando nós para Cliente, Endereco e Dispositivo, conectando-os por relacionamentos tipados e executando consultas analíticas em Cypher Query Language para identificar anéis de fraude (Fraud Rings).

🏗️ Diagrama de Grafo de Conexões e Vínculos

graph LR
    classDef client fill:#1E3A8A,stroke:#3B82F6,stroke-width:2px,color:#fff;
    classDef device fill:#701A75,stroke:#D946EF,stroke-width:2px,color:#fff;
    classDef address fill:#065F46,stroke:#10B981,stroke-width:2px,color:#fff;

    C1["👤 Cliente: Marcos Souza"]:::client
    C2["👤 Cliente: Lucas Mendes"]:::client
    C3["👤 Cliente: Fernanda Lima"]:::client

    D1["📱 Dispositivo: Samsung S23<br/>dev_hash_998877"]:::device
    D2["📱 Dispositivo: iPhone 15<br/>dev_hash_112233"]:::device

    E1["🏠 Endereço: Rua Central, 120"]:::address
    E2["🏠 Endereço: Av. Paulista, 1500"]:::address

    C1 -->|REALIZOU_TRANSACAO_VIA| D1
    C2 -->|REALIZOU_TRANSACAO_VIA| D1
    C1 -->|RESIDE_EM| E1
    C2 -->|RESIDE_EM| E1

    C3 -->|REALIZOU_TRANSACAO_VIA| D2
    C3 -->|RESIDE_EM| E2

🧑‍💼 Fase 1 — Levantamento de Requisitos

O Briefing do Cliente (Equipe de Risco & Prevenção a Fraudes)

“Nossa fintech está sofrendo ataques de abertura de contas fantasmas. O fraudador cria CPFs diferentes, mas usa o mesmo celular antigo e coloca o mesmo endereço de entrega. No SQL tradicional, rodar uma consulta de 4 níveis de conexão para achar os comparsas travava o servidor. Precisamos de um grafo onde possamos perguntar: ‘Quais clientes distintos compartilham o mesmo celular e residem na mesma casa?’ e receber a resposta em milissegundos.”

Requisitos Funcionais (RF) e Não-Funcionais (RNF)

📋 Fase 2 — Backlog & User Stories

🌿 Fase 3 — Engenharia em Equipe (Git Flow & Setup)

# Branch da funcionalidade
git checkout -b feature/US01-neo4j-fraud-ring

# Subir o Neo4j isolado via Docker
docker-compose up -d

# Acessar a interface Web do Neo4j Browser
# Abra no navegador: http://localhost:7474 (Usuário: neo4j / Senha: fraudpassword)

🛠️ Fase 4 — Implementação Passo a Passo (cypher/01_create_graph.cypher)

CREATE (c1:Cliente {cpf: "111.222.333-00", nome: "Marcos Souza"})
CREATE (c2:Cliente {cpf: "444.555.666-11", nome: "Lucas Mendes"})
CREATE (e1:Endereco {cep: "19800-000", rua: "Rua Central, 120"})
CREATE (d1:Dispositivo {fingerprint: "dev_hash_998877"})

CREATE (c1)-[:RESIDE_EM]->(e1)
CREATE (c2)-[:RESIDE_EM]->(e1)
CREATE (c1)-[:REALIZOU_TRANSACAO_VIA]->(d1)
CREATE (c2)-[:REALIZOU_TRANSACAO_VIA]->(d1);

🧭 Decisões Técnicas (ADRs)

• ADR 001: Adoção do modelo de grafos nativos para identificação de identidades sintéticas e anéis de fraude.

🚀 Como Executar no Laboratório

1. Abra o terminal na pasta deste projeto

No seu editor/IDE, abra a pasta deste projeto (File > Open Folder) ou navegue via terminal:

cd db_nosql_08_neo4j_grafos_fraude

2. Execute a aplicação ou testes

docker-compose up -d
# Executar a suíte de testes automatizados:
python -m unittest tests/test_neo4j_grafos.py

[!TIP] Dica para execução a partir da raiz do repositório: Se você abriu o repositório completo no VS Code, basta navegar até a pasta antes de executar: cd catalogo_projetos/db_nosql_08_neo4j_grafos_fraude

🧪 Testes de Validação & Asserções

// Consulta para alertar clientes em anel de fraude
MATCH (c1:Cliente)-[:REALIZOU_TRANSACAO_VIA]->(d:Dispositivo)<-[:REALIZOU_TRANSACAO_VIA]-(c2:Cliente),
      (c1)-[:RESIDE_EM]->(e:Endereco)<-[:RESIDE_EM]-(c2)
WHERE c1.cpf < c2.cpf
RETURN c1.nome AS Suspeito_1, c2.nome AS Suspeito_2, d.fingerprint AS Dispositivo;

🏛️ Arquitetura Visual & Engenharia de Dados

A arquitetura abaixo demonstra o fluxo de persistência, otimização e isolamento dos componentes na subpasta cypher/:

flowchart TD
    subgraph DDL["Modelagem & Schema (DDL)"]
        S1["Tabelas / Coleções"] --> S2["Constraints & Índices"]
    end
    subgraph DML["Regras & Automação (DML / PL)"]
        R1["Triggers / Aggregations"] --> R2["Procedimentos Transacionais"]
    end
    subgraph Perf["Otimização & Armazenamento"]
        P1["Planos EXPLAIN / Partições"] --> P2["Garantia de ACID / TTL"]
    end
    subgraph Homolog["Homologação & Qualidade"]
        Q1["Docker Compose & Scripts"] --> Q2["Checkpoints CP-01..05 PASS"]
    end

    DDL --> DML
    DML --> Perf
    Perf --> Homolog

    style DDL fill:#e3f2fd,stroke:#1976d2,stroke-width:1.5px
    style DML fill:#fffde7,stroke:#fbc02d,stroke-width:1.5px
    style Perf fill:#e8f5e9,stroke:#388e3c,stroke-width:1.5px
    style Homolog fill:#f3e5f5,stroke:#7b1fa2,stroke-width:1.5px

🎯 Engenharia de Requisitos & Modelagem Formal

👤 User Stories (Histórias de Usuário)

⚙️ Requisitos Funcionais (RF)

🛡️ Requisitos Não-Funcionais (RNF)

🔗 Matriz de Rastreabilidade (RTM)

🏁 Checkpoints de Qualidade & Homologação