ScamGuard (สแกมการ์ด)

ระบบ AI ตรวจจับข้อความสแปมและฟิชชิ่งสำหรับผู้สูงอายุ

---

สิ่งที่ต้องเตรียม

• Python 3.11+
• Docker Desktop (สำหรับรันแบบ container)
• Groq API Key — สมัครฟรีได้ที่ console.groq.com
• LINE Messaging API Channel — สร้างได้ที่ developers.line.biz (ถ้าต้องการใช้ LINE Bot)

---

วิธีรันด้วย Docker (แนะนำ)

1. ติดตั้ง dependencies และเทรนโมเดล

pip install -r requirements.txt

python -m src.data.generator      # สร้างชุดข้อมูล
python -m src.data.ingestion      # แบ่ง train/val/test
python -m src.models.trainer      # เทรนโมเดล (~2-3 นาที)

2. ตั้งค่า API Keys

สร้างไฟล์ .env (copy จาก .env.example):

cp .env.example .env

แก้ไขค่าใน .env:

GROQ_API_KEY=ใส่ key ที่ได้จาก console.groq.com ตรงนี้

# LINE Bot (ไม่บังคับ — ข้ามได้ถ้าไม่ใช้)
LINE_CHANNEL_SECRET=ใส่ channel secret ตรงนี้
LINE_CHANNEL_ACCESS_TOKEN=ใส่ channel access token ตรงนี้

3. รัน Docker

docker compose up -d

4. เปิดใช้งาน

บริการ	URL
หน้าเว็บ (Streamlit)	http://localhost:8501
API	http://localhost/docs
MLflow	http://localhost:5000

---

วิธีรันแบบ Local (ไม่ใช้ Docker)

เปิด terminal 3 หน้าต่าง:

Terminal 1 — API:

set GROQ_API_KEY=ใส่ key ที่นี่
uvicorn src.api.main:app --reload --port 80

Terminal 2 — หน้าเว็บ:

streamlit run app/streamlit_app.py

Terminal 3 — MLflow:

mlflow server --backend-store-uri mlruns --host 0.0.0.0 --port 5001

---

วิธีใช้ API

ส่ง POST request ไปที่ /predict:

curl -X POST http://localhost/predict \
  -H "Content-Type: application/json" \
  -d '{"text": "ยินดีด้วย! คุณได้รับรางวัล 100,000 บาท กดลิงก์เพื่อรับ: bit.ly/claim"}'

ผลลัพธ์:

{
  "label": "spam",
  "label_th": "สแปม",
  "confidence": 0.99,
  "risk_level": "high",
  "explanation": "พบคำเสี่ยง: รางวัล, กด | พบลิงก์ URL",
  "confidence_source": "ml",
  "llm_explanation": null
}

เมื่อโมเดล ML ไม่มั่นใจ (confidence < 80%) ระบบจะเรียก Groq LLM โดยอัตโนมัติ:

{
  "label": "ham",
  "confidence": 0.87,
  "confidence_source": "hybrid",
  "llm_explanation": "ข้อความแจ้งเตือนดอกเบี้ยจากธนาคาร ไม่มีการขอข้อมูลส่วนตัวหรือลิงก์น่าสงสัย"
}

---

ตั้งค่า LINE Bot (ไม่บังคับ)

ScamGuard รองรับ LINE Messaging API — ผู้ใช้ส่งข้อความมาที่บอทแล้วได้รับผลวิเคราะห์กลับเป็นภาษาไทยทันที

1. สร้าง LINE Messaging API Channel

1. ไปที่ developers.line.biz → Console
2. สร้าง Provider → สร้าง Channel ประเภท Messaging API
3. เข้าไปที่ Channel → Messaging API tab
4. คัดลอก Channel secret (จาก Basic settings) และ Channel access token (กด Issue)

2. ใส่ credentials ใน .env

LINE_CHANNEL_SECRET=<channel secret>
LINE_CHANNEL_ACCESS_TOKEN=<channel access token>

3. เปิดใช้งาน Webhook

ใน LINE Developers Console → Messaging API tab:

1. เปิด Use webhook → ON
2. ใส่ Webhook URL:

   https://<your-domain>/line/callback
   

3. กด Verify — ต้องได้ 200 OK
4. ปิด Auto-reply messages และ Greeting messages (ไม่งั้นบอทตอบซ้ำ)

Local development: ใช้ ngrok เพื่อให้ LINE เข้าถึง localhost ได้

ngrok http 80
# จะได้ URL เช่น https://xxxx.ngrok.io → ใช้ https://xxxx.ngrok.io/line/callback

ตัวอย่างการตอบกลับของบอท

🚨 ฟิชชิ่ง (หลอกลวง) | ความเสี่ยง: สูงมาก (98%)

พบคำที่ใช้หลอกลวง: รางวัล | พบลิงก์ URL ในข้อความ

⚠️ คำเตือน: รางวัล, URL

📞 โทร 1599 สายด่วนไซเบอร์ (ฟรี 24 ชม.)

---

CI/CD Workflow

ภาพรวม Pipeline

git push main
    │
    ▼
1. Lint          — black, isort, flake8
2. Test          — pytest + coverage ≥ 70%
3. Docker Build  — ตรวจสอบว่า image build ได้
4. Deploy        — SSH เข้า GCP VM อัตโนมัติ

สิ่งที่ Deploy ทำบน GCP VM

git pull origin main          ← ดึง code ใหม่
inject secrets → .env         ← อัปเดต GROQ / LINE keys
docker compose build          ← build image ใหม่
    │
    ├── models/best_model.joblib มีอยู่แล้ว?
    │       NO  → docker compose run --rm train
    │               (สร้างข้อมูล + เทรนโมเดล อัตโนมัติ)
    │       YES → ข้ามการเทรน
    │
docker compose up -d          ← เริ่ม api + app + mlflow

ครั้งแรกที่ deploy: โมเดลยังไม่มี → เทรนอัตโนมัติ (~2-3 นาที) deploy ครั้งถัดไป: โมเดลมีอยู่แล้วบน VM disk → ข้ามการเทรน ทำให้เร็วขึ้น

GitHub Secrets ที่ต้องตั้งค่า

ไปที่ Settings → Secrets and variables → Actions แล้วเพิ่ม:

Secret	คำอธิบาย
GCP_HOST	IP หรือ hostname ของ GCP VM
GCP_USER	ชื่อ user สำหรับ SSH (เช่น ubuntu)
GCP_SSH_KEY	Private key สำหรับ SSH (ทั้งหมด รวม header)
GCP_APP_PATH	path ของโปรเจกต์บน VM (เช่น /home/ubuntu/scamguard)
GROQ_API_KEY	Groq API key
LINE_CHANNEL_SECRET	LINE channel secret
LINE_CHANNEL_ACCESS_TOKEN	LINE channel access token

---

เทรนโมเดลใหม่

ผ่าน Docker (แนะนำ):

docker compose run --rm train
docker compose restart api

ผ่าน Python โดยตรง:

python -m src.data.generator    # สร้างข้อมูลใหม่
python -m src.data.ingestion    # แบ่งชุดข้อมูล
python -m src.models.trainer    # เทรน + บันทึกผลใน MLflow
docker compose restart api

---

รัน Tests

pip install -r requirements-dev.txt
pytest tests/ -v --cov=src --cov-report=term-missing