来源：AI前线

本文约3500字，建议阅读7分钟

本文为你介绍图数据库作为复杂关系网络分析的一个强有力的工具在微财风控系统中的探索和应用。

近年来随着监管力度的不断提升，金融机构业务的不断发展，交易方式越发便利的背景下。客户、账务、资金等关系也越发复杂，黑产也更加隐蔽，对内部风控要求也在不断加强。传统的关系型数据库在这种复杂的关系网络上发挥的效果越发有限，在多维度的查询上很难在合理的时间内返回结果。图数据库作为复杂关系网络分析的一个强有力的工具，如何高效的发挥其在高性能、高扩展、高稳定性方面的能力，显得至关重要。

一、当前图数据库和知识图谱的现状和存在的问题

图数据更接近于自然社会中的关系，很好的解决了复杂关系网络的查询性能问题，其更能快速的发现隐藏关系，弥补了分析手段上的缺失。

风控领域内使用现状

作为知识图谱存储和展示的核心，图数据库商业化和开源社区都有很多选择。如：阿里云的 GDB、腾讯的 KonisGraph、Nebula Graph、Neo4j、JanusGraph 等；借助于图数据库为领域知识的积累、业务降本提效、风险预测等提供有力支持。知识图谱作为图数据库广泛和基础的应用，在目前业内风控领域的贷前、贷中、贷后等方面都发挥着极其重要的作用。具体而言：

1、贷前：

• 欺诈团伙挖掘：基于专家经验的团伙挖掘、自动规则挖掘。

• 风险事件预警：基于新客户对风控场景影响，触发风险事件达到预警效果。

2、贷中：

• 交易转账：实时跟踪资金流向和交易信息在线预测。

• 风险跟踪：实时跟踪异常指标，扫描客户风险，实现风险早发现早阻断。

3、贷后：

• 洗钱欺诈分析：根据多度交易行为快速甄别可疑交易。

• 失联修复：为已经失联的客户提供中间人联系。

在微财使用现状

随着好分期金融产品业务的不断发展，信贷业务相关数据也在⽇益增多。这些数据原先也只作为⼀些外部信息存储， ⽆法形成有效的知识，更谈不上构建知识图谱来为公司提供推理和预测。为此综合已有的信贷业务基础数据，历史交易数据及⾃有的和三⽅的⻛险数据等，使⽤图数据库构建成的关系⽹项⽬，通过实体与实体之间的关系，快速挖掘⽤户特征，涉⿊分析，并基于已有的⿊名单挖掘隐藏的团伙关系等，成为反欺诈中的关键⼯具。主要有以下应用场景：

1、为贷后提供失联信息修复：支持通话记录，附近地址，同 IP 设备号等维度联系人修复。

2、可视化及用户画像：提供子图展示，关键路径提示，用户画像展示功能。

3、图特征支持业务：根据图计算提供各种聚类特征，供模型和策略使用。

4、欺诈团伙挖掘：根据已有黑名单欺诈人员，基于多维度关联聚类算法，实现欺诈团伙的挖掘。

二、微财实践过程中遇到的一些问题

前期数据如何制备及入库，实现冷启动

对于图数据库的构建，离线基础数据的导入是前提，在 Hive 中我们存有 4T 左右的数据需要导入, 如此大的数据量，制备成需要的格式数据导入比较困难，并且要满足性能上需要是难点。

解决方案：

针对海量数据制备导入，JanusGraph 提供了 bulk loading 方式导入，但是基于 Hadoop 支持三种导入数据的格式：

GryoInputFormat/GraphSONInputFormat/ScriptInputFormat。我们选中的是 GraphSON 格式，这种数据格式与 Json 较为类似，方便理解转换，但是也有一定的区别。为此我们自定义了一种数据格式 FlatGraphSON，使得从 Hive table 中抽取数据后，便于 MapReduce 任务读取数据，制备成 GraphSON 格式数据。

FlatGraphSON 是一种介于 GraphSON 和 Hive table 之间的数据格式，是 Hive 加工各类数据的结果格式， 又是用于生成 GraphSON 格式图数据的数据格式。

具体定义如下：

• 边的格式为: 'EDGE' # from_vertex_value # to_vertex_value # [property_name : property_value]

• 顶点的格式为: 'VERTEX' # vertex_value [ # property_name : property_value [: meta_property_name : meta_property_value] ]

Hive 生成数据后，通过 MapReduce 任务读取对应 HDFS 文件处理生成的 GraphSON 格式数据，最后使用 bulk loading 方式导入。其中有一个问题是官方 bulk loading 当时还不能提交到 Spark Yarn 上，需要改造源码以提高性能。

落地部署怎么做到平滑切换

风控系统处于整体业务中的核心环节，对于稳定性以及服务持续可用性要求很高

• 线上服务不能暂停，服务请求不能丢失；

• 必须使用完整的图数据提供风险计算结果（生成风险特征等）；

当遇到例如新增数据源、修改图数据库 schema 或是上线新图，需要对系统进行升级重启操作时，如何能保证服务的持续可用性呢？

解决方案：

1、建立两个完全一致的图，可以在通过 HBase 的 clone_snapshot 复制表方式快速实现，部署两套相同的服务分别读取两个库。两套系统可以通过不同的 consumer-group 消费消息

2、在数据库中设置标志位例如 0 和 1，每次只有一个系统对外服务，另外一个系统作为备份库

3、当需要升级图时，通过标志位控制，比如现在 1 处于备份状态，0 处于上线状态，我们可以先对 1 系统进行升级。升级结束后再将标志位换成 0，让升级好的系统对外服务，然后再对 0 系统进行升级。

超级节点处理

图数据库中不可避免的问题就是 super vertex，其带来问题：

• 顶点的度数服从幂律分布，（比如通讯录中的名人，或者百度地址等）一般图中都存在 super vertex

• MapReduce 框架下数据清洗时，单个 key 对应极多 value 会导致 reducer OOM

• HBase（JanusGraph 存储端）column 有极多会导致性能急剧下降

• 图遍历时节点过多会导致查询爆炸

解决方案：

1、对于确定没有任何实际意义的实体

(比如设备号：00000000-0000-0000-0000-000000000000, 00000000) 直接过滤掉

2、不能过滤掉，边等价转换为顶点属性集合（成为属性边），使用时即可直接使用属性进行过滤，将原先 50 多亿条边缩减为 10 多亿条

3、另外对应 geo 范围查询节点过多导致性能急速下降问题，可以采用 limit 方式配合实际业务进行截断，以达到性能要求

图数据可视化展示

如何直观的看到实体间的联系，方便策略和模型同学观察发掘特征，可视化是关键。Cytosacpe.js 是桌面版 Cytosacpe 对应的 JavaScript 版本，对于桌面版我们在过去以及最近的分析中已经用到，对于 JavaScript 版本在先前的项目中也用其做过 demo，从使用体验来看还是比较方便的，做出的图也比较酷炫。可以比较完美的展示关系网的联系，并做一些定制化。

成果：某条包含黑名单用户的路径

三、上线后的效果

图特征支持业务

 案例一：GPS80 米范围内放款审核失败用户数

之前对于这种场景，我们需要先去获取数据库中用户下单时最近一次采集到的 GPS 信息，通过 GPS 经纬度信息获取到范围内对应的用户（这一步需要配合 Mysql 的空间索引或者依赖 Redis GeoHash 来实现），再通过用户去进件表中查找其对应的进件，筛选出失败的进件用户。解决方案：需要用到 JanusGraph 中的 Geoshape 类型 ，JanusGraph 默认结合 Elasticsearch 作为混合索引存储引擎，其可以方便快捷的获取 GPS 半径内的 Vertex，先通过用户对应 GPS 地址，查找范围内其余用户，继而再通过用户，筛选出放款审核失败的用户，统计其数量。

具体代码如下：

GraphTraversal<Vertex, Object> vertices = g.V()
.has(GraphConstants.P_V_GPS, geoWithin(
// lat, lng, radius in km
Geoshape.circle(
((Geoshape)point.get()).getPoint().getLatitude(),
((Geoshape)point.get()).getPoint().getLongitude(),
km
)))
.as("x").select("x")
.out(GraphConstants.E_APPLICATION_ID).out(GraphConstants.E_LEND_VERIFY_ID)
.has(GraphConstants.P_V_IS_FINAL_PASSED,0).count();

注意：当需要插入数据后立马进行查询需要加上配置 index.[x].elasticsearch.bulk-refresh=true，否者可能会导致查询不到当前插入的点，导致数据丢失。（[x] 表示用户名称，也就是配置 index.search.backend 中的 search）

 案例二：同一设备号近 30 天内有过申请授信的 IP 数

这场景下需要通过进件用户的设备号，相同设备号关联出最近 30 天内有过申请授信的用户，这些用户对应的 IP 数量。通过对 IP 数量的分析可以获知是否是团伙作案的可能。传统实现下我们需要通过设备表关联出用户，然后用户表关联授信表，再关联 IP 表才能获取到数据，这需要关联四张表，关联的数据量已经爆炸。解决方案：通过设备号查出入边的用户顶点，筛选出其中有过进件的用户顶点，再而统计用户顶点出边对应的 IP 顶点数。

具体代码如下：

g.V(userKey).out(GraphConstants.E_DEVICE_TOKEN).in(GraphConstants.E_DEVICE_TOKEN)
.as('x').out(GraphConstants.E_APPLICATION_ID).select('x').out(GraphConstants.E_IP).count();

欺诈团伙进行挖掘

 案例一：团伙发现

正所谓“近朱者赤近墨者黑”、“人以类聚，物以群分”，通过已有黑名单系统，在关系网络中的染黑计算，我们可以得知坏人推荐坏人来，好人推荐好人。根据用户 wifi 实体是否关联多个高风险用户、黑名单用户之间是否有公共联系人、黑名单客户之间的公共路径和节点等，我们可以快速的定位到欺诈团体，对其进行快速封杀。

由此可见在图数据库中业务实现逻辑清晰，无需额外维护 Elasticsearch 中的索引数据，对于多维度的关联关系可以很自然的关联起来，减少关联的复杂度，无需耗时耗内存的 join 操作，相对应查询性能上也可以有很大的提升。目前图数据库中存放了近 20 亿条边和 1.8 亿个顶点，为线上提供 1800+ 特征计算支持 ；挖掘出 26w 个短号和 15w 个公共服务电话；拦截发现欺诈团伙一千多次。

四、未来规划

1、图实时计算服务和特征挖掘：完善目前的关系网，打通与数仓的屏障，搭建一站式平台实现图数据查询和分析，图模型管理对接功能。开发自动化特征挖掘以及风险预测功能，实现规则引擎自动化预警拦截。

2、构建图形推理功能：基于逻辑推理和概率推理两种方式，结合现有的推理算法，开发推理功能减少人审带来的误判、漏判行为，保证风控的精准度，为分析人员提供更多的参考。

非结构化数据 NLP 处理：包含自然语言的消歧分析以及针对目前公司所有数据进行分类，搭建数据清洗平台，使非结构化的数据能够被快速筛选、保存和利用起来。

Graph3.0 架构探索：在高性能、高扩展、运算快、智能化等方面进一步突破。

风控和黑产的对抗一直都在，未来也将持续下去，只有不断的提升攻防水平，才能将各种风险降到最低。

编辑：于腾凯

校对：龚力