隨著互聯網金融的發展，傳統金融機構一邊享受著金融科技帶來的效率提升和服務邊界的擴大，另一邊黑產的攻擊手段也在不斷升級，金融機構遭遇的欺詐情況越來越復雜，基于知識圖譜的關聯反欺詐也應運而生。
風控就是攻守雙方技術的進化史
在互聯網金融發展的大趨勢之下，傳統金融機構一邊享受著金融科技帶來的效率提升和服務邊界的擴大，另一邊黑產也隨著科技的發展從盜號演變成了利用大規模攻擊、通過IP池等技術繞過風控規則，金融機構遭遇的欺詐情況越來越復雜，主要有四點的變化：
第一，專業化。目前的“黑產”團隊已經非常專業，不僅有專業的風控人員、專業黑客，甚至還有AI專家，因此金融機構或者金融服務機構如果沒有掌握更先進的技術已經無法在技術上獲得一個比較優勢。
第二，產業化。金融欺詐已經從單個作案發展成了團伙作案，因此“黑產”團伙需要通過大量賬號進行大規模攻擊以期獲得更大的收益。這種方式導致雖然他們的欺詐模式不斷變化，但是在短時間內會有行為慣性，也給了風控人員抓住這種行為痕跡的可乘之機。
第三，隱蔽化。目前“黑產”集團跨境犯罪已經非常普遍，這些跨境犯罪集團的手段更加隱蔽包括利用貓池、IP池對身份進行洗牌，潛伏時間較長，交易鏈路更加復雜等，因此對數據的覆蓋范圍提出了更高的要求，同時需要風控人員做更深層次的數據挖掘探索。
第四，突發化。因為黑號一旦進入征信系統后號碼將無法再次騙貸，因此“黑產”行業主要從兩種方式榨取黑號的最大價值，第一他們會用一個號碼再很短的時間內對多個平臺進行騙貸申請，第二是很多賬號同一時間內對一個漏洞進行大規模突擊性的攻擊，這兩種突發式的攻擊要求反欺詐監測系統具備高實時性的能力。
因此，回首近年來金融的發展可以看到，風控就是攻守雙方技術的進化史。
基于圖關系的金融解決方案
截止目前，反欺詐也經歷了傳統反欺詐、基于大數據反欺詐以及現在的基于知識圖譜(關系網絡)反欺詐三次進化，其中，基于知識圖譜反欺詐依賴的底層技術就是圖數據庫技術。
上圖是美國一個老少皆知的小游戲“connect the dots”，它的玩法就是把所有線索連在一起，即可得知事件全貌。其實圖中的點就相當于現在的很多數據，在系統里是零散的，因此如何把這些零散的點按照規律快速地連接起來，就是實時圖數據庫要做的事情。
如上圖所示，點是用戶數據，而用戶數據是圖數據庫的基礎，因此如何遵循法律法規和監管要求，按照用戶授權收集數據是關系網絡反欺詐的關鍵，本文中就不對數據采集這塊進行展開了。除了內部數據外，加上其他的外部數據收集之后，風控人員就可以利用用戶的客戶社會關系、交易模式關聯、互聯網行為、移動設備等數據對客戶的行為模式進行匹配分析，最后通過反欺詐規則引擎和機器學習加以輔助，以此判斷客戶存在欺詐的可能性。
TigerGraph實時圖數據庫反欺詐應用簡介
TigerGraph實時圖數據庫的整體架構示意圖
接下來介紹一下基于TigerGraph的反欺詐系統架構。
首先，TigerGraph實時圖數據庫能夠在支付處理前識別欺詐。基于圖靈活的Schema特性，TigerGraph支持將不同來源的數據匯集，基于數據之間的關系組成類似寬表一樣的全局Graph。
其次，TigerGraph通過機器學習+圖數據庫識別欺詐，目前機器學習技術面臨著特征值不夠多、不夠有效的問題，TigerGraph圖數據庫能夠通過對用戶的關系特征進行建模，然后基于圖數據庫進行毫秒級實時甄別。因此，對于系統內已標記人群，通過圖數據庫能夠快速通過他的人群特征，進行欺詐判定，而對于系統內未標記或標記過期人群來說，TigerGraph圖數據庫在系統里能夠毫秒級生成百余項關系特征，并且基于決策樹或邏輯回歸等方式進行分類和數據分析。
最重要的一點是，TigerGraph圖數據庫采用的無論是基于關系得到的特征還是基于決策樹或者是基于邏輯回歸的判斷方式都是非常好理解，這為企業關注的“可解釋的AI”提供了解決方案。
TigerGraph實時圖數據庫反洗錢應用簡介
反欺詐的例子展示了TigerGraph圖數據庫如何和機器學習結合的，接下來通過兩個反洗錢的應用場景來了解TigerGraph圖數據庫的另外一個優勢——深度鏈接分析。
第一個場景是利用圖數據庫在反洗錢中發現漏報和提高反洗錢偵測準確性。比如一個反洗錢的報警，由于新用戶沒有金融交易歷史記錄，沒有先前的告警，不在高風險區域，就把這筆告警標記為低風險，但是利用圖數據庫進行深度鏈路分析之后，會發現這個用戶的號碼是和別人共用的，并且曾經有一些洗錢的預警，它的分類就從低風險變成了高風險。由此可見，欺詐者盡管在欺詐過程中將自己的一些基本特征及淺層次鏈接信息進行了偽造，但是深層次的關系網絡是無法提前偽造或者需要付出極大的成本去掩飾的，基于TigerGraph可以輕易提取出深層次的特征，進而協助企業進行判斷。
第二個場景是利用圖數據庫在混合經濟模式中追蹤反洗錢(傳統貨幣+加密貨幣)。比如上圖中紅框里面是已經發現的兩筆可疑交易，基于這兩筆交易針對資金流向的上下游進行深層交易追溯時，去掌握它的整個洗錢網絡，這就依靠數據庫能不能支持10層以上的深度數據鏈接查詢。目前TigerGraph也正和一些美國客戶嘗試把比特幣或其他加密貨幣的交易記錄納進監管，即使交易手段和交易鏈路較之過去更加復雜，然而在TigerGraph的強大算力下，洗錢網絡終將無所遁形。
大數據+圖技術應用現狀
基于圖數據庫技術在這些場景中優異的表現，目前很多的企業開始對圖數據庫表示出了興趣，在這也有一些前瞻性的企業已經從這項技術中受益并取得競爭性優勢。
圖技術已經出現很多年了，仍然還有很多企業沒有用起來，是什么阻礙了這項技術的推進呢?
首先是無法擴展到多臺機器，剛才我們已經提到，要想知識圖譜發揮最大效用，數據種類的豐富性和數據存儲年限都是非常重要的，但是之前的圖數據庫大多都是單機版，機器的配置大大限制了數據的存儲范圍。
舉個例子，我們的某個銀行客戶想針對反套現場景的資金回流進行分析，即個人通過信用卡將錢刷給商家，商家再通過其他賬戶將錢打回給個人的儲蓄卡。在這個場景中需要借記卡和信用卡的數據，客戶的數據經過數據清洗以后，僅是10個月借記卡數據+1個月信用卡數據規模仍有5個T。這樣的數據量過去的圖數據庫是無法支持的，基于TigerGraph，我們用了12臺機器的集群實現了本期數據的存儲，并將計算效率從之前的3-4天得到結果縮短到1-30分鐘。他們的二期設想是想把借記卡和信用卡各13個月的數據放進去進行分析，場景才能更全面地覆蓋到套現群體，而這個數據規模對于TigerGraph來說也不是問題。
第二點就是剛才那個反洗錢的例子也看到了，分析路徑每增加一步，都可能揭示更多的鏈接和隱含的關系，實際業務需要中需要做到3-10步以上的分析，目前的圖數據庫在企業級場景下，2度到3度查詢時就會出現超時或者內存溢出的場景，如此淺層的特征關系欺詐者甚至可以偽造，這樣的性能可以說對欺詐甄別的幫助很小。
最后一點就是我們對欺詐等場景是有實時性要求的，而其他數據庫難以做到亞秒級查詢并支持實時更新操作。盡管目前國家對反洗錢等場景的時限要求并不高(按天計)，這也是由于之前的技術發展未能實現更迅速的計算效率而做出的妥協。理論來說金融領域的任何案件在時效性上必然是越快越好。目前我們給國內某支付機構做的反洗錢系統，場景識別已經做到了分鐘級。
這三點中每一點目前也都有替代的解決方案，很多公司通過圖數據庫+大數據平臺的方式實現了大數據量+秒級相應的效果，但是這樣的解決方案由于技術門檻較高無法輕易掌握。而作為普通企業來說，需要一款簡單、成熟的解決方案來滿足這三點要求，實時圖數據庫TigerGraph能夠很好的地滿足企業這三方面的需求。
TigerGraph的獨門武器
第一，在可擴展性和高性能方面，TigerGraph作為全球首家實現原生并行圖數據庫技術的公司，底層基于原生并行圖存儲結構，所有的數據都以邊和節點的形式進行存儲，數據在進入TigerGraph時會進行壓縮，加之圖分區技術，實現了較之其他圖數據庫50-200倍的存儲規模。邊和節點既是存儲模型又是計算模型，所有的節點都以內部索引的形式表達以利于快速定位，基于MPP架構支持大規模并行計算。基于以上，TigerGraph在單個項目上實現了千億節點，萬億邊的數據規模下，支持每天20億次的數據查詢和更新。對于深度鏈接查詢更是可以做到6-10+度的查詢。
第二，在易用性方面，TigerGraph自主開發了類SQL的圖查詢語言GSQL，GSQL擁有圖靈/SQL完備的表達力，即目前所有的SQL查詢和算法都可以通過GSQL實現，支持以天計(不是以周計)的PoC(項目驗證)向客戶展示價值。
第三， TigerGraph開發了GraphStudio可視化開發工具，這款工具基于瀏覽器的，從graph schema設計，到關系型數據-Graph映射，數據導入，數據查詢均可通過該工具實現，大大降低了使用門檻。數據導入后即可查詢N度鄰居、最短路徑等查詢，相對復雜的查詢也可以等技術人員寫好以后，業務人員通過GraphStudio進行查詢。【文章略有刪減】
京公網安備 11010502049343號