本文介绍了众安科技资产管理平台是全域的元数据中⼼，它可以对数据资产进行管理监控，解决企业内部的数据孤岛问题，挖掘数据价值并对业务赋能

一文读懂众安科技是如何使用 NebulaGraph 图数据库建设资产管理平台的

本文整理自 Sensoro升哲-产品副总裁-付刘伟 在 NebulaGraph 2022 年度用户大会上的分享。	

Sensoro升哲：图分析在城市治理服务的应用与落地


![中亦安图 & NebulaGraph 智能运维解决方案](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/%E5%90%8C%E8%B7%AF%E4%BA%BA%E7%B3%BB%E5%88%97_%E5%85%AC%E4%BC%97%E5%8F%B7.jpg)

# 智能运维落地中遇到的挑战

随着 IT 基础架构的标准化和自动化水平的提升，智能运维技术开始在越来越多企业落地。但相较于互联网企业，非互联网行业的智能运维还处于初级阶段，特别是金融行业，由于系统组件关系、运维对象、运维部门组织架构等比较复杂，而且监管要求高，运维人员更新与引进速度慢等综合因素，导致智能运维在金融业的落地门槛较高。

目前，专门针对运维场景设计与优化的机器学习算法已经逐渐成熟，智能运维落地的核心难点落在了如何对海量、多维、多模态的运维数据进行持续的数据治理与高效的数据分析。**因此，能处理多维数据统一查询视图的运维数据基座成为众多客户与团队的真实痛点需求**。

# 数据中心运维图谱（KGOPS）解决方案

## 为什么选择图（Graph）

在考虑多维运维数据的关联需求或尝试描述 IT 基础架构时，我们发现图是最符合业务直觉的表达方式。假想一下，故障发生时工程师脑海中最先浮现什么？就是负责系统的整体架构图与组件依赖关系，再结合自身的运维知识进行故障根因定位。

![IT运维架构-网状结构天然适合用图分析](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/1.png)

**因此，为了支持能够灵活、快速地形成多维数据的查询视图，我们选择了 NebulaGraph 的图数据库作为更具优势的存储与计算核心**。通过设计合理的图谱结构，组织起已经自动采集的 CMDB 数据、性能监控指标、应用日志数据，甚至是基于微服务的 Trace 数据，从而构建出真正能满足智能运维的数据基座。

## 图的优势：图查询与图算法

我们知道，变更是引起故障的重要原因之一。每次变更开始时，管理员都需要考虑变更对象、影响面、触发故障的隐患等一系列问题。部分问题可通过持续集成的管理去解决，另一部分问题则可通过对运维图谱进行图查询解决。
在故障场景中，也可以使用图查询的场景，如多告警实体关联查询，我们可通过结果视图寻找多个 IP 之间的关系，故障的根因就能浮出水面。

同时，使用图算法能够帮助企业进行运维数据分析和知识挖掘，从而释放企业长时间积累的运维数据的真实价值。常用的图算法包括：广度优先算法、深度优先算法、所有节点对最短路径、最小生成树算法、随机游走算法、中心性算法、紧密性中心性、社群发现算法等。

## 数据中心运维图谱（KGOPS）架构总览

![KGOPS架构图](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/2.png)

上图展示的就是 KGOPS 解决方案整体架构图。它采用 NebulaGraph 作为图数据存储核心，通过结合动静数据，KGOPS 提供标准的 Schema 定义方案，用户可以根据自身 IT 环境的具体情况，实际需求进行定制化修改。同时，我们在 Server 层封装了大量图计算、图分析的模块，可以组合提供用户进行使用，并在用户层提供统一的工作台，用户可以方便地进行交互查询。

目前图相关技术已成为业界数据分析的热点和重点，诸多头部企业已经拥有多年将图应用于运维业务的经验，我们的智能运维解决方案**依托于图数据库 NebulaGraph 本身的图计算能力与诸多头部金融客户的落地建设经验**，提供开箱即用的图算法，帮助客户在具体的场景中实现智能算法，辅助疏通运维管理的阻滞点，提升运维团队整体效率。

# 使用场景

## 1. 数据流与访问关系

不同的应用之间基于业务逻辑，呈现出各类应用的数据访问关系，这些关系对应用的运行、重要性等都有重要的参考价值。配置管理数据库（ CMDB ）能够将数据流向关系与应用访问关系以可视化方式呈现出来，便于管理人员进行数据分析。

**涉及技术**：路径检索类算法、图谱自动布局算法、图谱交互可视化引擎。

**价值**：可用于性能分析、故障分析、影响分析，为管理者提供应用性能监控、数据链路支持。

![数据流与访问关系](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/3.png)

## 2. 智能配置基线比对

基于应用系统的整体架构配置基线比对。包括对应用、中间件、数据库、服务器等进行配置比对。

**价值**：直观展示配置和架构上的差异，为灾备切换、应用发布等复杂场景提供可行性分析的数据支撑。

![智能配置基线比对](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/4.png)

## 3. 单点隐患发现

应用系统的运行架构中，可自动发现单点运行的环节。

**涉及技术**：图视图切换、自定义图查询

**价值**：快速识别影响应用系统可用性的风险点

![单点隐患发现](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/5.png)

## 4. 重要程度分级

利用应用的类型信息、关系信息，分析应用的重要程度与影响范围，确定应用重要级别。

**涉及技术**：自定义图查询、节点影响力算法

**价值**：对应用系统的定级提供数据支持，便于管理者对应用系统进行更加精细化管理

![重要程度分级](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/6.png)

![重要程度分级-2](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/7.png)

## 5. 风险分摊模型

按应用的重要程度设置风险权重，并根据运行架构，将风险值向下分摊，到物理层时，能够自动计算不同物理节点的风险权重值。

**涉及技术**：节点影响力算法、图传播算法

**价值**：能够帮助管理人员识别出有风险汇聚的资源点，并且准确识别风险级别

![风险分摊模型](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/8.png)

# 合作案例

某大型股份制银行在项目初期面临的问题有：部分数据关联缺失/过多关联直接无法显示/无场景应用指导 / 多数偏向于自主查询。

中亦的团队通过融合该银行的 CMDB 与其他可获得的监控性能数据，配置变更数据、告警数据，采用科学合理的图谱设计方法，构建出统一、全面、可扩展性强，符合该银行自身业务特点的运维知识图谱。解决的具体场景有：

- 多节点关联分析

通过输入多个节点，实时多维度分析节点关联，帮助运维工程师洞悉隐藏于海量监控数据之中的故障机器之间各维度的显隐性关联关系，进而对下一步的排障工作提供指导。

![多节点关联分析](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/9.png)

- 告警事件全景透视

通过输入告警信息，穿透显示一定范围内的告警链路与机器拓扑，及其配置变更等信息，帮助运维工程师迅速了解全局情况，判断告警影响范围，确定关键影响节点，辅助生成排障方案。

![告警事件全景透视](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/10.png)

- 配置变更影响分析

通过输入配置变更工单号，实时穿透历史变更情况与关联机器变更情况，帮助运维工程师分析变更配置的潜在风险。

![配置变更影响分析](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/zhongyi/11.png)

## 项目收益：

1. 构建并完善了全景应用运维图谱，不仅可以支持更复杂的运维管理场景变更影响面分析，并可以对外提供数据查询服务，大幅降低运维管理及外围系统查询对接成本。

2. 将告警粒度从应用监控指标层穿透到资源指标层，明显提升了故障定位的精度。 

3. 将小时级排障缩短至分钟级排障，大幅提升了故障定位的时效性。

# 总结

智能化运维对于不同的角色带来的收益是不同的。
对于**管理层**，智能化运维可实现资产数据化和可视化，实现管理数字化，同时提升企业信息安全。

对于**运维部门**，智能化运维可实现企业动态应用拓扑图、智能基线比对、智能变更审核，同时支持基于 AIOps（人工智能 IT 运营) 的各种提升。

对于**业务团队**，智能化运维可实现部门资产可视化、成本数字化、运维数据采集加业务数据，实现全面提升运营、营销和反欺诈效果。

目前，智能运维解决方案已在**金融行业**进入落地阶段。欢迎相关行业伙伴前来交流，我们也希望为企业数据中心运维数字化转型提供更多支持。

---

交流图数据库技术？加入 Nebula 交流群请先[填写下你的 Nebula 名片](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

本文介绍了中亦安图基于 NebulaGraph 强大的图数据存储和高速运算能力推出的智能运维解决方案（KGOPS），该方案目前已在金融行业中落地并期望在更多实践场景中得到有效运用。

中亦安图 ：以 NebulaGraph 为底座的智能运维解决方案


> 导读：图数据库和知识图谱应用于智能投研，有利于处理海量复杂的信息，提高期货投资研究的质量和效率。本次小普的分享，提出了智能投研领域中知识图谱和图数据库的建设路线、关键点以及应用展望，希望通过本文为大家开拓思路。

![普适智能 & NebulaGraph 期货智能投研平台](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/%E5%90%8C%E8%B7%AF%E4%BA%BA%E7%B3%BB%E5%88%97_%E5%85%AC%E4%BC%97%E5%8F%B7%20%E5%89%AF%E6%9C%AC%204.jpg)

# 背景介绍

资管新规落地后，越来越多的公募基金在“去通道”、“降杠杆”的驱动下向主动管理转型。而期货市场作为投资蓝海，受到大量资管机构的关注。但目前，国内针对期货的投研分析平台还比较少，期货投研普遍会遇到如下问题：

- 分析手段匮乏：市面上的投研平台主要针对证券和基金，针对于期货的很少；现有工具功能也较简单，仅包含基础信息展示以及查询。

- 组合管理工具少：期货分析很复杂，仅基础面就涉及供给，需求，经济波动，政策以及自然等多种因素，仅展示个体的信息和罗列基础指标，难以满足分析需求。

- 投后管理断点多：期货投研分析过程涉及了多角色、多场景、多诉求，现有平台普遍缺少整体分析视角。

# 如何破局：“图”是新时代下企业提升分析决策效率的关键

期货投资和分析中会碰到多种类型的信息，这种信息虽然不是知识孤岛，但信息量过于冗杂。如何进行有效筛选？并提取关键信号？图数据库和知识图谱作为一个新兴的工具和技术，就能很好地解决这样的问题。
本次普适智能与 NebulaGraph 自主研发联合打造的期货智能投研一体化平台，就包含了市场动向、事件分析、指标管理、产业链分析、投研知识沉淀等多个功能模块，可以从投前、投中、投后等多个维度为研究员和基金经理提供智能投研服务。
 
# 期货智能投研平台-整体架构图

![期货智能投研平台-整体架构图](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/1.png)

这个平台的主要功能有：

- 资讯模块：聚合各应用搜索结果数据，并精确定位热点产业、热点公司、新闻、公告和研报等关键信息，提高搜索效率，节省重复基建工作。

- 指标模块：整合企业所有指标数据（克强指数、工业生产指数等），研究人员可以对这些指标进行探索，自定义加工原子指标，生成衍生指标等。

- 产业链上下游分析：利用图数据库计算大规模关联数据时的优势，提供产业链上下游新闻、产品、指标等的快速查询和导出，辅助业务进行深入的市场研究。

- 知识管理模块：把分析人员对上下游划分的经验、分析指标、关键值、价格影响因子留存在平台上，把分析人员的经验和智慧，转化为企业数字资产，帮助企业搭建业务知识体系。

## 优势一：快速挖掘隐藏在数据里的业务价值
在庞杂的资讯中获取有效信息、追踪盘面变化并及时作出判断，是人力所不能及的。普适的期货智能投研平台集合了国内外市场宏观数据、行情、行业经济、商品数据、研报数据以及近期数据有异常波动的指标，可以方便研究人员对研究产业有一个快速的概览。
 
 ![期货智能投研平台-投研产业链页面展示](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/2.png)

以「俄乌冲突事件分析」为例，智能投研平台可快速展开事件相关时间线和报道，让分析人员快速掌握事件涉及的主体信息；事件汇总还能显示事件相关的行业、产品、企业重要指标信息，达到快速掌握全局视角的效果。

 ![利用期货智能投研平台，做俄乌冲突相关事件分析](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/3.png)
 
利用期货智能投研平台，做俄乌冲突相关事件分析另外，这个平台还可以通过机器学习的挖掘，主动定位可能的分析方向，提高摸索的效率；检索算法优化和信息展示交互界面，也形成了更加贴合用户习惯的页面，提升信息获取效率。

## 优势二：多维度数据，增加分析深度和广度

产业链上下游的联动性，对研究投资、规避风险具有重要意义。我们的投研平台可以对上下游产业链信息进行深度探索，打通行业产业链、相关产品（销量、产量、库存量、专利数）、公司和研报等信息，明确应收账款的债务方是否为同一控制下的关联方，以及上下游客户是否有重合等，在走势归因的基础上进行判断，预防欺诈与造假。
产业链研究：展示公司的产品层级、公司不同产品的收入占比、股权关系等维度信息，辅助分析人员方便和清晰地对投资标的进行准确的预判。
 
 ![产业链研究界面展示](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/4.png)

基本面研究：包含当前所选期货产品的现货数据情况、供应量、需求量等相关数据，研究人员可以根据需求增加、修改当前模块所需分析数据维度和指标，构建宏观体系并发掘关键行情驱动指标。
 
 ![基本面分析界面展示](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/5.png)

时序/统计分析：可以帮助快速汇总事件发生时间与期货产品的价格变动趋势，并以可视化图标形式呈现，便于研究人员梳理市场变化的逻辑，辅助研究人员决策分析。
 
 ![时序/统计分析界面展示](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/7.png)

除了以上提到的功能，普适智能也着眼于企业个性化需求，提供针对性的方案和策略，在风险收益比曲线上选择适合客户需求的方案。我们也期望期货智能投研解决方案可以用于监管机构、投行业务部门、银行信贷部门、监管审核部门等，助力企业打造核心竞争优势。

# 为什么选择 NebulaGraph

为了使投研一体化业务能够完美运行起来，经过调研，我们最终选择使用 NebulaGraph v3.0.0，主要原因如下：

1. 适合处理大规模关联数据，呈现形式更直观：在投研一体化场景中需要实时处理大规模的产业链上下游、相关新闻研报、产品、相关指标（期货供应量、需求量、现货量）、公司股权关系和相关政治地理等多维度关联数据，而这正是 NebulaGraph 的强项。

2. 属于国内开源图数据库，社区响应及时：作为一款开源分布式、易扩展的原生图数据库，NebulaGraph 能够承载包含数千亿个点和数万亿条边的超大规模数据集，并且提供毫秒级查询， 其开源社区十分活跃，遇到问题可以在社区中快速得到解决。

3. 原生分布式架构，拓展性能好：支持异构部署，计算端服务和存储端服务支持部署在不同的机器上，几十亿级别的数据量重建索引在一个小时以内就可以完成。

![NebulaGraph产品架构图](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/8.png)
 
**NebulaGraph 是知识中台底座存储、探索图数据的容器**，依托其高性能数据查询能力，保障投研分析人员快速站在全局关联的视角对投研数据进行探索，为分析人员实现市场动向、事件分析、指标管理、产业链分析和投研知识沉淀奠定高效、灵活、敏捷的数据探索基础。

在此基础之上，普适知识中台基于图算法对图数据进行深入分析，配合交互有好的可视化报表，**实现期货投研的风险感知、识别与监控、政策风险评估、投资标的筛选与挖掘等应用**。

# 关于普适智能 

普适智能（PUSHI AI），是一家为客户提供知识图谱应用落地解决方案和产品服务的人工智能公司。基于知识图谱、图计算、图机器学习和自然语言处理等技术自主研发企业级一站式知识图谱平台（知识中台），可支持百亿级别的图数据管理和分析，将带有业务属性的知识图谱和分析流程封装成金融风控数智化转型解决方案。

![pushi AI介绍](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/Partner%20Program/pushi/9.png)
 
普适智能已经为多家商业股份制银行、基金公司总部、券商、保险、政务等机构提供核心智能业务系统，解决金融风控等问题，客户复购率 100%，其技术能力得到客户的认可。

最后感谢 NebulaGraph 社区，本次的分享就结束了，欢迎各位伙伴和我们进一步沟通。

---

交流图数据库技术？加入 Nebula 交流群请先[填写下你的 Nebula 名片](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

本文介绍了普适智能联合 NebulaGraph 打造的期货投资研究智能一体化平台的主要功能和应用场景，方便大家对图技术在金融分析和投资领域的应用有更全面的了解。

普适智能：基于 NebulaGraph 图数据库的期货智能投研平台


![NebulaGraph use case](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_part1.jpg)

# 背景介绍

邦盛科技是国内科技领域的头部服务商，凭借其出色的解决方案能力服务了众多大客户。邦盛科技是首批 “NebulaGraph 同路人” 计划成员之一。

本文来自于邦盛科技知识图谱业务专家孔庆鑫在 NebulaGraph 金融行业知识图谱解决方案专场上的分享的第二部分：知识图谱平台及应用案例介绍。

# 邦盛知识图谱平台介绍

## 概览：知识图谱平台大图

![知识图谱平台大图](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_06.png) 

本期先介绍下邦盛的知识图谱平台。作为一个中央级的平台，首先要应对的是多业务线的需求，所以我们基于知识图谱的技术，构建了集企业底层的数据源接入、图谱数据管理，再到上层图谱平台化应用的一体化平台。

底层的数据层可以满足不同数据清洗、接入的需求，支持多种数据通过流式或批式接入，然后在图数据库中进行点边结构映射，继而在图谱平台中完成图构建、图分析、图挖掘、图决策等操作。这里还会集成可视化的操作组件以及各类算法，以适应顶层不同业务线的需求，如反欺诈、营销、运管、企业担保等。

我们用的是 NebulaGraph 图数据库，在业务过程中也进行了很多交流，再加上我们的专家经验，所以在点边结构挑选和精简方面经验是非常多的。

## 图谱平台功能1：图构建

![图谱平台功能1：图构建](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_07.png)

图谱平台在应用方面还有很多核心功能，第一个核心功能是图构建。我们有三种构建方式，包括可视化建图、可视化入数，离线批式与实时流式入数。作为一个中央级的平台，肯定不只一个业务部门在用，所以权限隔离和数据共享也是我们在很长一段时间里打磨的重点功能。入数方式上支持大概7种，包含批式、流式的方式，还有数据源，比如常规的关系型数据库入数，中间件 Kafka 入数等都是支持的。
 
## 图谱平台功能2：图分析

![图谱平台功能2：图分析](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_08.png)

第二个应用是图分析，包括交互式分析、智能化分析、还有性能优化。因为我们的平台集成了很多可视化的分析工具来提供简单易用的交流，比如时序分析。这里还会有很多即时算法，还有路径分析、环路查找、异常识别等等。我们在分析的基础上，还根据实际业务经验做了很多数据调优，尤其是对于演变结构的精简，因为知识图谱产生到最后还是要服务于决策，服务于业务，这才是最终目标。

## 图谱平台功能3：图指标

![图谱平台功能3：图指标](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_09.png)

图指标就是我们经过图分析后，直接提取的一些图谱网格特征，并形成的一种计算指标。这个计算指标会和专家规则的指标联动，对上层决策进行调优。

图指标比较简单的一个用法就是用相近的关联关系去触发黑名单，但更多的时候我们习惯把图指标和专家规则类的统计指标、模型特征放一起来做融合决策。需要特别说明的是，我们说的融合，是指在编译层就做了一些融合，最后跑出来的结果是同一批，也就是说融合决策在这个阶段我们就是做在一起的。

图指标主要应用有两个，刚才也说到，第一种是事中的决策，第二种是事后的分析，分别是实时和事后，也是目前在图指标上的两个典型的用法。
 
## 图谱平台功能4：图算法

![图谱平台功能4：图算法](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_10.png)

还有图算法。相比图指标来说，图算法其实就是对于关联动作进行更深的挖掘。像模式匹配，就是经过业务定义之后，去筛选资金链路闭环的一些风险模式，刚才也说了是一种一对多、多对一的模式，还有洗钱也会出现很多闭环的风险模式，在定义好之后都可以放在图谱的数据库中进行跑批，这是模式匹配。

另一个用法是社团发现，用 Louvain 算法进行社团分割，形成一个团给业务去核查分析。除此之外对担保圈还有一些风险传导的算法，这些都是我们根据金融反欺诈的特征模式总结抽象，最后融合到了系统功能中去。我们也支持一些自定义算法，比如业务员通过图语言写一些自定义算法，上传到图平台后给业务人员用，逐渐就形成一个通用化的做法。
 
## 图谱平台功能5：图服务

![图谱平台功能5：图服务](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_11.png)

再进一步就是在这个图的服务能力，我们提供了三种能力，包括图分享、图查询，还有图分析集成。第一种，图分享指的是分析得到的一个子图，给没有出入平台权限的人去看。第二种是图查询，像图中展示的这样，通过看核查单上 URL 的方式去发布图谱分析的一些结果，辅助风险的判别。第三种，是我们在业务系统中嵌入图分析还有图查询的一个全部能力，来构建图谱平台，还有各个业务系统，比如说交易反诈的系统，申请反诈系统或者信贷决策的系统，他们之间数据的全面打通，这就是说服务平台和其他业务需要先进行一些联动，比较简单的是 iFrame，如果需要集成的深度的话，就是全面的数据打通。
 
# 应用架构：整体视图介绍

![应用架构：整体视图介绍](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_12.png)

整个图谱的应用架构上，最左边的是给建模工程师使用的，然后右边是给业务人员用的，结合业务上的各个生产渠道，比如风控面反洗钱安全系统，再聚焦一些业务场景，比如说反欺诈、涉赌涉诈、团伙套现进行一些机器的分析，还有一些离线的分析。下面对应的是我们刚才介绍到的一些功能，然后建模工程师将左侧知识构建的数据源处理好后，定义好这个节点边属性关系，交给业务人员进行一些知识的挖掘知识的分析，这个过程中会用到我们事先定义好的一些功能算法，最后按照说图谱的能力对外进行发布。
 
# 关联图谱平台在某国有银行反欺诈的实践

## 项目背景

这部分来分享一个案例，看一个银行如何通过图谱，解决信用卡申请团伙欺诈的问题。案例背景是在普惠金融背景下，银行线上业务发展越来越快，信贷业务开始线上化迁移，那么风险敞口、以及客群质量都面临着难题。传统反欺诈主要依靠专家规则，但伪造这类的成本很低，对群体性、大批量的欺诈，尤其是团伙欺诈风险，并没有好的管控措施和监测方式，风险识别难度越来越大。
 
## 项目概述

这个项目实施的时候也是引入了图技术。首先，我们去给银行构建了一个可视化的分析平台，业务人员可以去看一些欺诈行为，开展分析调查工作。其次，利用图谱技术还有探索功能，可以开发了针对于团伙欺诈的图规则。再次，在整个分析过程中会产生很多的图特征，我们都融合到了机器学习模型中去，完成了原有机器模型的优化，大概是这三点事情。
 
## 项目过程

然后说这个项目实现过程。我们在这个项目中开发的，其实并不单单是一个图平台或者说一个系统平台，其实是想做出一个实际的业务效果。我们当时做了大体是四个阶段的事情，第一阶段是整体的数据探索，包括数据怎么筛选，欺诈的标签怎么定义。第二阶段是根据实际业务场景定义图谱的点边关系，我们都会根据实际业务场景进行一个设计。

第三阶段是从单维度的图规则到多维度的防伪规则，这里规则如何去设计，其实更多是由数据进行支撑的。前三个阶段所做的所有的工作、关系维度的特征我们会一同带到第四阶段——机器学习建模过程中去，同时初步发现的一些团伙也会给模型做样本学习，这样整体的反诈效果会更加精准。
 
## 如何实现

**step 1：初步探索欺诈数据**

这个项目中我们做了非常多金融反诈图谱的探索，以往大家总是想去定义图谱这个概念，但其实再先进的算法，都要融合业务逻辑进行一个定义。想要出实际业务效果，会涉及到一些问题。在整体数据探索中，尤其是对数据的筛选，欺诈标签的定义，这些都是我们首先要面对的过程。在这个过程中，对每个社团每个团伙的社会属性分析也非常重要。

**step 2：设计关联关系**

这个标准有了之后要在图谱设计出关联关系。我们会精细挑选什么样的节点可以入图，但这些节点不是越多越好。虽然图谱的数据库能力在不断增加，NebulaGraph 的数据库性能也是非常的强悍，但从邦盛科技在对银行的应用实践中发现，数据体量很大的情况下，如果增加节点，边和属性同步也会带来很大的增长，实际应用中展现过多点边以及过多的关系维度，会造成业务人员在图的可视化查询和落地方面使用不便，所以我们认为需要结合金融机构，尤其是银行的实际业务场景去定义图谱的点边关系。

**step 3：建立单维度规则**

这个过程中挑选其实非常考验经验的，在大量的单维度规则中，需要把团伙标签点边关系定义好。我们做了非常多的单维度图规则，主要从共性关联、重合度、集中度、资金流向等几个方面来思考。

**step 4：建立多维度规则**

做出单维图规则之后，我们更多要考虑的是如何建立多维度规则，并服务于我们的业务。这里面挑选合适的指标需要非常强的业务经验，才能做到。通过我们之前建立的单维度规则，结合特征重要性的程度，同时结合业务上的考量因素，我们会做交叉组合及后续的规则分析。

**step 5：数据建模**

与传统的反欺诈不同，传统反欺诈主要考虑统计类指标，如金额、时间等特征，我们通过引入关联图谱，增加了关系维度，这是传统反欺诈所很少考虑的因素，从效果上看，明显优于传统反欺诈效果。对银行而言，核查人员通过可视化的分析手段分析业务中的团伙欺诈手法，从而来总结出关键特征，不仅分析了最新的欺诈手法，还可以对一些专业规则做调优。

我们讲这些比较宽泛，但在银行实践过程中，我们还会使用很多模型和决策方式，这是我们整个项目做的一些事情。
 
## 项目效果

从这家银行最终的项目效果上来看，我们最终是帮助行方欺诈率显著降低，辅助业务有了创新发展，黑样本发现也在出现了几倍的效果提升。

通过这个项目我们也更多地去考量图谱怎么和专家经验结合开发图规则，继而丰富模型——这也是目前服务这个行业，考虑客户体验的同时，满足监管要求，达到行方欺诈风险监控的一种较好的办法。

# 邦盛公司简介

## 公司背景

最后简单介绍一下我们公司——邦盛是成立于 2010 年，将近 12 年间一直专注于做技术的研发和实践。当时在 2010 年到 2015 年时，国内自主研发的实时计算领域其实是一个空白，很多的银行、支付公司，包括一些大型的互联网金融公司，都会使用一种国外的风控系统。这时候我们也是通过底层的技术研发，走了一条自主创新的道路，然后像实时指标的计算引擎——流立方，也是获得过几个比较重磅的奖项，像中国电子学会的特等奖，还有教育部的科技进步一等奖；机器学习、关联图谱、智能决策平台，都是沿着这条道路展开的。

![邦盛科技简介](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_13.png)

其实邦盛这个名字也是取自于国邦昌盛，为自己国内的金融风控安全贡献力量的意思。目前服务的客户群体也不局限于银行或三方支付等金融机构，也涉及智慧交通、信息通讯，还有政府服务部门，比如公积金机构和一些铁路、政务等民生平台。

## 荣誉&客户

公司的荣誉和资质——包括 50 多项发明、100 多项软著，还有目前在 CMMI5 国际上最高等级的认证，在项目交付和方案研发这几个方面做到了最高的等级。
今天分享的主题是关联图谱，但其实我们在中央级反诈、大数据智能案防、涉赌涉诈账户防控等领域都有解决方案，每个解决方案会有产品技术和业务规则模型来组成，关联图谱平台作为一个很关键的组件，在各套解决方案中都扮演着一个很重要的角色。

![邦盛智能风控产品运营体系](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_14.png)

目前，包括 4 家国有行、12 家股份制银行中的 11 家，还有全国头部排名前 10 的城商行以及 70% 以上的三方支付风控市场都是我们的客户。一些政府机构也跟我们进行了深度合作，如中国移动、中国铁路 12306、各地公积金机构等都是我们服务的客群。

作为以技术起家的公司，目前我们各个核心组件也在不断迭代和更新，业务专家驻场过程中也会不断总结欺诈手法，迭代反欺诈策略——今天因为时间的关系就分享这么多，也欢迎各位老师跟我们进一步沟通交流。

最后再次感谢 NebulaGraph 的社区，我的分享就结束了，谢谢大家。


本文来自于邦盛科技知识图谱业务专家孔庆鑫在 NebulaGraph 金融行业知识图谱解决方案专场上的分享的第二部分：知识图谱平台及应用案例介绍。

以NebulaGraph为数据库的关联图谱在某国有银行反欺诈项目中的实践


![NebulaGraph use case](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_part2.jpg)

大家好，我是来自邦盛科技的孔庆鑫，很高兴 NebulaGraph 社区提供了这次机会——今天我分享的题目是《关联图谱在金融反欺诈领域的应用和实践》

# 业务背景：传统反欺诈的难点

目前金融反欺诈是一个很火热的问题，而且呈现出一种组织化、团伙化的新趋势。这里有个很重要的问题就是信息不对称，我们很难去验证信贷客户信息哪些是真实的，哪些是经过包装的，这就导致很多问题。比如银行立项申请时，因为不知道客群真实情况，可能会通过提高要求来控制通过率，虽然有效，但是一把双刃剑。

2022 年政府工作报告中也说过，普惠金融会进一步扩展，客群也会进一步下沉到一些农村地区，可能面临的都是没有往期征信记录的“白户”。还有一些比较传统的欺诈手段像信用包装、中介代办、内外勾结等，一些中介在包装信用卡或者信贷进件时，就针对某几家银行，因为他知道那几家银行的底线和红线是什么，只要不去触碰就能贷得出来；时间再久一点的话，他可能还会知道怎样做贷款额度会高一些。

传统反欺诈主要依靠专家规则，但像身份证号、银行卡流水这些东西其实伪造成本很低，对于一种群体性的、大批量的欺诈并没有一个很好的管控手段。

# 图谱赋能：智能反欺诈的实现路径

![图谱赋能：智能反欺诈的实现路径](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_01.png)

我们可以看一下智能反欺诈手段的发展路径：最底层的是专家规则，即风控专家通过经验设置一批规则，然后调整触发条件，在通过率和拒绝率之间找到一个业务上的平衡点。

但专家经验很难覆盖所有风险，所以通常会做一个机器学习建模去防控整体风险，然后再用专家规则去补充，即专家规则加上机器学习模型搭配互补。但就目前的经验来看，由专家过渡到机器学习模型，建模这一步会面临很多的问题，第一是样本量不足。第二是样本空间增长有限，后面也会有一个案例，因为贷款或信用卡申请大概都会有那么 6~7 种方式，落到最后都是需要人工检验的，所以说增长空间很有限。

因此，我们需要运用关联图谱去破解信息不对称的问题。因为无论是团伙还是中介欺诈，都会有一个批量进件的行为，图的可视化手段可以去抓取团伙样本，而且很可能一抓就是几十个到上百个进件——这样其实对于样本补充是个非常有效的手段。而且图谱还可以进行一致性的检验，比如说多方面的信息来源可以打破信息的不对称性，图做出来后还会从关系图的维度去展示，等于帮我们做二次校验。举个实际的例子，比如说多个申请共用相同的信息、相同的手机、相同的 IP，这就属于团伙的情况。

为了解决这种情况，我们引入图谱，并从中抽象出一些关系维度的图规则，对于原有的专家规则体系做补充。另一方面我们也在抽取图特征，对既定的机器学习模型做一个补充，提升机器学习模型识别团伙欺诈的能力，同时进一步去丰富黑样本的标签。所以说专家规则、机器学习模型、图谱这三者具备之后，就能够构造一个有效的生态闭环，可以实现反欺诈效能上的互补。

就目前关联图谱在反欺诈的具体应用，我列了大概这几个方面：

- **申请图谱:** 比如如何在信贷、信用卡申请中去识别团伙欺诈性进件。组团有一个特点就是信息会被团队成员共享，那在图谱的可视化查询上，就会发现出很多关联关系。较常见的可能就是从身份证、手机号，设备指纹、邮箱地址等这些维度去做一个关联，先去看这些数据有多少个共性，再就是结合一些可视化手段去分析具体的欺诈手法。

- **交易图谱:** 涉及到多层次的转账关系，主要是看资金最后的流向、受益人是谁。现在比较火热、监管也比较关注的是涉赌涉诈的问题，也是我们主抓的一个方向。我们这方面有很多客户案例，通过监管下发的名单或内部的规则模型识别出可疑交易，这个过程中可能还会结合历史流水，把一些归集的账户扩散到n层，过程中可能会使用一些图探索手段，也会基于图谱平台，去做一些存量排查，比如说增量防控。

- **企业图谱/内控图谱：** 现在企业业务会存在一些交叉，外部风险对企业的影响也越来越大，用图谱可以勾勒出一个企业风险的全貌，结合外部风险点的引入，就能尽早预判外部风险对企业的影响。内控图谱更多是涉及员工的道德或操作风险，比如误操作或没有按照规章制度做某些业务。道德风险更多发生在员工和企业的异常资金往来，比如非法集资或资金挪用。做这个防控核心是用图谱去查看员工的实际控制账户，因为就像银行员工都很熟知银行的业务，很少有员工拿自己的户头进行一些犯罪。对这些控制账户的识别可以通过图谱的一些探索手段，比如说亲属的账户。我们有个股份制银行的案例，这个案例最后定位到了员工女朋友的账户，因为我们在图探索中发现，很多资金实际都流向了女朋友的账户。如果用传统手段来看的话，是很难去发现的。

- **洗钱图谱：** 这个问题比较久了，不同时期也会衍生很多手段，现在比较流行的地下钱庄还有跑单平台，它会把用户拉进来，把涉案资金隐藏在跑单用户每天正常的消费交易流水上，但这其实是有一个固定模式的。怎么在图谱上刻画和获取业务经验、制定图规则来进行实时的监控和筛查，也是邦盛作为图技术平台对业务的关键赋能方向，我们后面会说到。

- **车险/运维图谱：** 一般我们分析这些领域时会结合初始化网络，进行点边结构的设计，之后找到一个数量相对合适、联系比较紧密的子图，再结合业务专家经验，进行一些探索性分析性的工作。
 
# 应用场景1：贷后资金流向

![应用场景1：贷后资金流向](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_02.png)

这里也简单列举了一些具体的应用场景，第一个就是贷后资金流向问题。

我们可以通过图谱重点筛查这些经营类、消费类的贷款，追踪它是否违规流入房市、股市等。这个过程中我们会利用图谱的穿透能力去计算转出资金的金额还有比例，这些确定后就能很方便地去敲定风险和违规性质，提供排查依据。监管部门目前对于互联网信贷都遵循图上说的“三个办法一个指引”这个原则，所以通过图谱建立实时风控，关注贷后放款这些关键环节和资金流入的重点领域是我们主要做的一个事情。

接下来可以展示一下具体手法，比如放贷后直接流入黑名单账户，或者解除关联后从自己账户转移到非自己名下，但可能是实际控制的一个账户，再往楼市、股市这些敏感行业投资理财。这些都是可以通过图谱，结合资金的具体形态来分析的，因为这些行为在图谱上会展示出一个非常明显的发散或归集。

这种模式用以往的专家规则是很难进行刻画的，因为最多的情况下就只能做到一维，最多也就到二维关系，而图谱更善于进行多维度关系的筛查。在海量的交易结构里面，我们也能发现一些模式化的结构，比如上图可以看到大概 4-5 个端，里面涉及一些集中转入、分散转出，还有类似树枝、蚂蚁巢穴一样的链式交易结构，这都是贷后异常的资金模式。通过图谱的展现化手段，结合业务知识，很多情况下我们一眼就看出它是有问题的。至于具体问题在哪里则可以通过图谱提供的一些功能，比如说k度查询或重要节点的发现算法去查看。 

# 应用场景2：涉赌涉诈场景

![应用场景2：涉赌涉诈场景](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_03.jpg)

第二个大家比较关心的就是涉赌涉诈场景。这个场景下，我们用图谱做了很多资金量的分析，还有甄别资金转移过程中的手法。当然，我们还会结合账户自身的特征，在图谱上观察有没有分散的转出和转入，或者交易对手成批地更换。结合这些特征，就可以分析账户在整张交易网络中的作用。

以上涉赌涉诈和贷后资金流向这两个案例，都存在一种大量的转账关系图谱。其实，图谱可视化最大的价值就在于还原真实的交易场景，这些是以往在核查单观察，或者在系统上一步一步点击流水不容易观察到的。

左边那幅图其实就是涉赌涉诈资金的转移过程，最左边是赌徒的充值，一种是充到代收企业，另一种比较多的是充到跑分平台，平台拿一份佣金再把剩余的绝大部分的钱转给团长。上游这几步可能会重复多个层级，到了中游，各种空壳企业会进行各种各样的资金搬运，夹杂着一些空壳企业的分批启用，或者跨行转账行为，造成资金链路的进一步模糊；之后就是资金洗牌的最后一步，钱会转移到一些个人账户进行分散提现，或者直接就在游戏/直播平台进行一些打赏，还有买房置业，总之，下游洗白的方式也是多种多样的，但通过图谱再结合一些特征，还是能够监控到的。

# 应用场景3：保险团伙反欺诈

![应用场景3：保险团伙反欺诈](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_04.png)

第三个应用方向是保险排查，比如车险或医保反欺诈。车险主要是串谋式的索赔欺诈，通过监测还有关联共享的身份信息等，就能比较好地跨越数据孤岛，发现他们的团伙。再有就是医保欺诈，我们一般会更多地关注医患或供应商不正当的关系，一旦在某个药品或疾病上出现了大量的离散值，就代表是欺诈行为——这是以往判断个体欺诈的常用办法，但现在团伙欺诈问题非常严重，那它首先会有一个思路上的转变，比如几十个人都通过个别支付账户去买相同的药品；还有账户层面的聚集以及很多其他的共性。结合图分析和算法，都可以识别这些团伙案件行为。

# 总结：用图谱反欺诈的优势

![总结：用图谱反欺诈的优势](https://nebula-website-cn.oss-cn-hangzhou.aliyuncs.com/nebula-blog/case-bangsheng/bangsheng_05.png)

刚才分享完三个应用场景，接下来我们总结下图谱反欺诈的优势点，主要列举了四点。

1. 关联分析：就是指人为主动去探索发现这些可疑的特征，然后利用图谱进行一些可视化的关联。这就是我们业务人员主动去使用图谱工具进行可视化的探索，然后结合不同的业务领域，比如洗钱、信用卡申请、信贷申请等在业务图谱上展示的可疑链路去发现一些可疑点，当然，不同领域可疑点肯定是不同的，但经常使用的业务人员一定会带有行业敏感性。

2. 图规则：这点更多是用于增量的监控。和以往专家规则不同，图规则是用图探索的手段关联知识对比后得出一些结论，这个过程就是我们从关系的维度去判定图规则，然后系统主动实时地去排查风险。

3. 模式分析：我们近来叫做同模型，因为很多欺诈模式都有一个固化的模式，比如信用卡套现。这些固化的模式，完成分析之后就可以用图语言写到图库里进行一个遍历查询。相对于上面介绍的图规则，它是一种存量的筛查方式。

4. 社团分析：因为之前说要想建模，很可能会缺少一些黑样本、黑标签的数据，社团分析其实是一个非常好的功能，它可以通过算法，结合样本标签，发现欺诈团伙。

关联分析、图规则、模式分析，还有社团分析，这 4 点是覆盖了实时、准实时还有事后的三个方式，既是图谱用于反欺诈的主要功能，也是我们目前的优势能力，我们大概几十家客户目前都在应用。

_文章篇幅有限，今天的内容就先到这里！更多精彩内容（邦盛知识图谱平台介绍+国有银行实践案例），敬请期待下期分享～_

邦盛科技是首批"NebulaGraph 同路人"计划的成员之一，本文来自于邦盛科技知识图谱业务专家孔庆鑫在 NebulaGraph 金融行业知识图谱解决方案专场上分享的第一部分。