Akulaku：金融可视化欺诈案例分析与深度关联挖掘

本文整理自 Akulaku 反欺诈团队在 nMeetup·深圳场的演讲，详情见 视频

公司简介

Akulaku 是通过电商、消费金融、保险经纪等服务东南亚的金融科技公司，业务覆盖印度尼西亚、菲律宾、越南、马来西亚和欧洲。2020年平台注册用户达到3300万，GMV突破6亿美元。

业务挑战

公司业务需要针对金融实时风控场景，开发一系列的实时图算法，需要能支持规模能达到十亿节点、百亿级别边的图数据库产品。经过几轮技术选型和性能测试，综合考虑了导入速度、可扩展性和查询效率等因素后，最终选择了 NebulaGraph 。

解决方案

Akulaku 的图数据库平台搭建主要做了两件事情：一个是数据导入和高可用。

数据导入是基于离线数仓的批量写入和实时数据源的实时写入。针对实时数据源的图数据库存储有两种模式：一种是双集群的主备，即线上服务由两个主从集群提供，实时数据源会对主从集群做双写；另外一种是单集群的方案，即每个应用可以有单独实例。

场景1：可视化欺诈案例分析

反欺诈的调查人员通过图关系，使用图数据库的可视化的工具，对关联关系进行展开分析，包括图谱的下钻等等操作，去查看关联节点属性。

场景2：设备 ID 关联计算

虽然欺诈分子会通过不停变更这些要素来试图绕过反欺诈策略，但他往往只能变更某一要素，其他要素和该要素还是保持着一定的关联，通过一定的关联规则就能把实际的映射关系找到。

场景3：图模型训练与部署

图分析可以应用在授信环节、下单环节的标签传播 / 图卷积等场景，利用图数据库抽取局部子图进行计算，并根据节点上的标签，比如黑灰产或者特定的业务属性标签，根据一定的规则满足实时团队挖掘、异常结构发现等需求。

使用收益

NebulaGraph 以优异的导入性能以及可扩展性，被广泛应用在 Akulaku 反欺诈领域图学习模型的部署应用中，提高了金融风控业务处理能力。

## 用户评价

“NebulaGraph 对 Akulaku 最大的价值是优异的导入性能，以及可扩展性。它的导入速度非常快而且是异步写入，QPS 能够达到 11 万，这个数据比其他的图数据库好很多。”

—— Akulaku 反欺诈团队

[1] Akulaku 团队对 NebulaGraph 进行了可扩展性和查询性能 Benchmark，测试方法详见：https://github.com/vesoft-inc/nebula-bench