用途：从应用日志（注册流程与认证流程）中做基于规则的反欺诈检测，面向金融科技场景，识别机器人、撞库、速度滥用等行为，并可对日志做 GDPR 个人信息暴露审计。
主要能力：采用四层架构——LogFileReader（遍历目录、解压 .gz、逐行读取）、LogParser（正则提取为注册事件/认证事件的 dataclass）、SessionAggregator（按 token、IP、设备、邮箱分组并计算特征）、RuleEngine 与报告（评估规则，输出 Markdown 与 CSV）。规则分三类：欺诈速度（注册 R1-R12、认证 A1-A13）、机器人识别（R13-R17、A14-A19）、行为分析（R18-R22、A20-A25），另有 GDPR 个人信息扫描，贯穿两类脚本。输出 report_YYYYMMDD_HHMMSS.md（摘要表、严重级别分布、含日志证据的详细告警）与 alerts_YYYYMMDD_HHMMSS.csv（每行一条告警，可导入 SIEM/工单系统）。
使用方式：需 Python 3.10+，标准库足够，唯一 pip 依赖为 pandas，tabulate 可选。示例命令：python registration_fraud.py examples/epa-registration/ --mode discover --output reports/ ；python registration_fraud.py /path/to/new-day-logs/ --config config/registration_rules.json --output reports/ ；认证脚本同模式。规则阈值放在外部 JSON 配置中，可不改代码调整。
适用场景：为注册或认证日志构建欺诈检测脚本、分析 K8s 应用日志中的可疑行为、从结构化日志检测机器人与凭证填充、审计日志中的未脱敏邮箱/手机/姓名、设计可调阈值规则引擎、为安全团队生成告警报告。
限制：明确不用于机器学习欺诈评分（应改用 ai-ml-data-science）、应用安全加固（OWASP、认证实现）、基础设施日志分析（访问日志、防火墙、WAF）与实时流式检测。适用中等数据量（约每天 5 万条）。已知问题包括多行日志条目、重复日志行、脱敏数据降低关联能力、不同时间戳格式（注册用逗号、认证用点表示毫秒）、跨节点关联盲区、内部扫描器噪音，以及报告中个人信息泄露风险。