跟着互联网金融的成长，传统金融机构一边享受着金融科技带来的效率提升和处事界限的扩大，另一边黑产的打击手段也在不停升级，金融机构遭遇的欺诈情况越来越庞大，基于常识图谱的关联反欺诈也应运而生。
风控就是攻守双方技术的进化史
跟着互联网金融的成长，传统金融机构一边享受着金融科技带来的效率提升和处事界限的扩大，另一边跟着科技的成长，“黑产”也从盗号演酿成了操作大规模打击、通过IP池等技术绕过风控法则，金融机构遭遇的欺诈情况越来越庞大，主要有四点的变革：
第一，专业化。目前的“黑产”团队已经非常专业，不只有专业的风控人员、专业黑客，甚至还有AI专家，因此金融机构或者金融处事机构如果没有掌握更先进的技术已经无法在技术上获得一个对照优势。
第二，财富化。金融欺诈已经从单个作案成长成了团伙作案，因此“黑产”团伙需要通过大量账号进行大规模打击以期获得更大的收益。这种方法导致虽然他们的欺诈模式不停变革，但是在短时间内会有行为惯性，也给了风控人员抓住这种行为陈迹的可乘之机。
第三，隐蔽化。目前“黑产”集团跨境犯法已经非常遍及，这些跨境犯法集团的手段越发隐蔽包孕操作猫池、IP池对身份进行洗牌，暗藏时间较长，交易链路越发庞大等，因此对数据的笼罩范畴提出了更高的要求，同时需要风控人员做更深条理的数据挖掘探索。
第四，突发化。因为黑号一旦进入征信系统后号码将无法再次骗贷，因此“黑产”行业主要从两种方法榨取黑号的最大价值，第一他们会用一个号码再很短的时间内对多个平台进行骗贷申请，第二是很多账号同一时间内对一个缝隙进行大规模突击性的打击，这两种突发式的打击要求反欺诈监测系统具备高实时性的能力。
因此，回首近年来金融的成长可以看到，风控就是攻守双方技术的进化史。
基于图关系的金融解决方案
截止目前，反欺诈也经历了传统反欺诈、基于大数据反欺诈以及此刻的基于常识图谱（关系网络）反欺诈三次进化，此中，基于常识图谱反欺诈依赖的底层技术就是图数据库技术。
上图是美国一个老少皆知的小游戏“connect the dots”，它的玩法就是把所有线索连在一起，即可得知事件全貌。其实图中的点就相当于此刻的很大都据，在系统里是零散的，因此如何把这些零散的点凭据规律快速地连接起来，就是实时图数据库要做的工作。
如上图所示，点是用户数据，而用户数据是图数据库的根本，因此如何遵循法令规则和监管要求，凭据用户授权收集数据是关系网络反欺诈的关键，本文中就不同错误数据收罗这块进行展开了。除了内部数据外，加上其他的外部数据收集之后，风控人员就可以操感化户的客户社会关系、交易模式关联、互联网行为、移动设备等数据对客户的行为模式进行匹配分析，最后通过反欺诈法则引擎和机器学习加以帮助，以此判断客户存在欺诈的可能性。
TigerGraph实时图数据库反欺诈应用简介
TigerGraph实时图数据库的整体架构示意图
接下来介绍一下基于TigerGraph的反欺诈系统架构。
首先，TigerGraph实时图数据库能够在付出措置惩罚惩罚前识别欺诈。基于图灵活的Schema特性，TigerGraph撑持将差别来源的数据汇集，基于数据之间的关系构成类似宽表一样的全局Graph。
其次，TigerGraph通过机器学习+图数据库识别欺诈，目前机器学习技术面临着特征值不够多、不够有效的问题，TigerGraph图数据库能够通过对用户的关系特征进行建模，然后基于图数据库进行毫秒级实时甄别。因此，对付系统内已符号人群，通过图数据库能够快速通过他的人群特征，进行欺诈判定，而对付系统内未符号或符号过期人群来说，TigerGraph图数据库在系统里能够毫秒级生成百余项关系特征，并且基于决策树或逻辑回归等方法进行分类和数据分析。
最重要的一点是，TigerGraph图数据库给与的无论是基于关系得到的特征还是基于决策树或者是基于逻辑回归的判断方法都长短常好理解，这为企业存眷的“可解释的AI”供给了解决方案。
TigerGraph实时图数据库反洗钱应用简介
反欺诈的例子展示了TigerGraph图数据库如何和机器学习结合的，接下来通过两个反洗钱的应用场景来了解TigerGraph图数据库的此外一个优势——深度链接分析。
