360 数科：基于 NebulaGraph 打造金融反欺诈利器

本文整理自 360 数科大数据工程师 在 nMeetup 深圳场的演讲，详情见 视频

公司简介

360数科（原名：360 金融）是国内互联网安全公司 360 集团孵化的一家数据驱动、AI赋能的第三方金融科技平台，致力于成为连接用户与金融合作伙伴的科技平台，2018年12月14日登陆美国纳斯达克股票交易所。

公司核心业务是个人和小微企业贷款，由于审核到放款都是在互联网上进行的，所以对反欺诈的要求非常高。接入 NebulaGraph 主要是为了解决之前使用的数据库性能不足、业务限制较多的问题。

业务挑战

1、原有的数据库性能遇到瓶颈：原有数据库只能支持分批或单次查询的方式，结果返回速度慢，造成线上审核等待时间也较长，影响用户体验

2、非分布式系统使用有很大限制：业务扩展成本高，在处理大规模数据集时系统占用很高且容易出错，难以支撑金融业务场景下复杂的搜索场景

3、团伙欺诈频发对业务提出更高挑战：金融欺诈逐渐呈现出团体化的特征，传统关系型数据查询很难发现，希望通过图探索、多度查询来锁定这种欺诈社区

解决方案

经过多轮选型对比后，360数科选择将原有的数据库产品全面切换为 NebulaGraph 的分布式图数据库版本，通过导入关联数据集来处理金融欺诈问题——具体应用在包括群体关系分析、风险节点预警、风险社区发现、客户关系网查询、多层关系统计等多个场景。

应用场景1：团伙欺诈识别

网络欺诈案件逐渐呈现团伙化、聚集化作案的趋势，使用图数据库系统对关联特征（如：共用设备以及 WiFi 使用情况）进行分析可以快速、有效地发现这些欺诈团体。

在真实业务场景中的一个风险社区，中间 WiFi 的标志说明这些用户是通过相同的 WiFi 关联出来的。而通过顶点的属性状态，就可以筛选出在「360 借钱」 App 上获得授信并已有借款用户的分布情况，通过这种分布展现出的聚集中心就可以很好地发现团伙作案。

应用场景2：风险节点预警

基于大数据分析不断优化反欺诈模型，只要发现某个申请用户极其符合模型特征，系统就会自动开始预警并提示风险点，帮助业务人员做出判断，避免不必要的损失。

如图所示不同颜色的点分别表示不同的意义，比如红色的是风险点，黄色的是疑似风险，灰色的就是普通用户——当群体数据导入图数据库后，大数据模型就已经帮我们做了分类，是否出现大面积风险一目了然。

应用场景3：客户关系网查询

针对一些高危疑似用户，可以通过 NebulaGraph 的图探索功能来实时搜索对应用户的关系网。通过风险关联度的分析，特别是跟一些风险节点的关联以及一、二层关系网的情况，业务人员能够很快判断出疑似用户的风险特征。

使用收益

1、数据查询速度明显提升

使用 NebulaGraph 后解决了大数据量（20亿+点，500亿+边）快速导入的问题，查询性能相较原来有近 20 倍的提升，确保贷款征信查询速度和用户体验。

2、系统消耗大幅度下降：

NebulaGraph 支持原生分布式系统，仅用 6台机器就达到了原有数据库 26台集群的功效，不仅节省大笔部署费用，而且系统稳定性还更好。

3、业务反欺诈能力显著提升：

NebulaGraph 发现需要预警的风险节点大概 94 万个，发现疑似欺诈社区 91 万个，通过提前风险预警减少平台损失。