应用案例｜利用图技术重塑金融反欺诈的探索实践

一、企业介绍

蓝象智联为国内隐私计算与数据要素运营服务商，践行“促进数据价值流通，释放数据要素生产力”的使命，实现数据价值的发现、匹配、交易与再创造，构建数据要素可信流通平台，推动数据要素市场健康稳定高速发展。

通过自主研发，蓝象智联目前已形成多个 GAIA 系列产品，基于多方安全计算和联邦学习等技术能力，实现营销、风控、反欺诈、行业数据联盟、数据要素可信流通平台等平台级应用。同时公司资深业务专家和数据科学家，基于丰富的行业数字化转型亲身实践经验，正在帮助金融、互联网、零售等重要行业客户在新型数据要素平台上，推进业务能力升级优化。

二、反欺诈领域图的应用

1、金融反欺诈全流程拆解

金融反欺诈流程可划分为六大核心环节：设备反欺诈、身份核验、信息核验、行为核验、反欺诈模型、人工核查。

现状与挑战： 

• 身份核验、信息核验、行为核验：以单点性规则为主，依赖静态阈值判断（如大额交易预警）。 

• 设备反欺诈、反欺诈模型、人工核查：具备图技术升级潜力，需通过动态关联分析应对复杂风险。 

升级的必要性： 

• 攻防无止境：欺诈会针对防御策略快速迭代攻击手段。 

• 成本压制：通过技术升级提高欺诈成本，为风险压降创造空间。 

• 风险可以被管理：风险无法完全消除，但可通过技术手段实现精准管理。

2. 金融数据资产的图结构转化

传统视角：金融从业者的底层数据仓库通常聚焦于账单、账户、资金等业务域，以线性表结构存储。

新视角：将金融数据转化为拓扑结构（图结构）。

新视角下可形成三类图： 

1. 媒介网络：手机号、银行卡、设备码等媒介关联（如“用户A→银行卡→用户B”）。 

2. 资金网络：交易、转账、提现等资金流动关系（如“卖家→买家→现金回流”）。

3. 人脉网络：亲友、同事、同学等社交关系（如“用户A→同学→用户B”）。

基于金融数据资产图结构转化后的应用方向：

1. 是否可以看一看洗钱的资金闭环?而不是用大额预警、快进快出等单点规则来处理。 

2. 是否可以看一看聚集性风险? 

3. 是否可以看一看每个账户在诞生后的第一笔交易的来源，串联成一个有向无环图? 

4. 是否可以尝试一下 Link Prediction 来预测交易发生的概率? 

5. 是否可以尝试从网络活跃性代替行为活跃性来寻找僵尸账户?

3、聚集性风险识别 

团伙识别的业务目标——群控 

1、中介操控的批量注册与虚假交易：欺诈分子通过中介组织群体注册账户或群控手机，利用虚假身份进行薅羊毛或套利。 

2、欺诈手段演进：从实体设备群控到云端虚拟设备生成，攻防节奏持续升级。

团伙识别的业务目标——中介： 

1. 职业有特点：家政、餐饮、保安等职业进件居多 

2. 时空分散：GPS、IP 等关联性逐渐减弱 

3. 申请不重复：最多不超过3次，线上为主、线下几乎无 

4. 渠道风险大：合作商的团伙窝案发案例不断上升

团伙识别的技术流程：

1. 扩散：LPA 算法（二度/三度扩散）或 Metapath 定向扩散（如“用户-设备-用户”路径）。 

2. 网络智能剪枝：智能识别剔除异常节点。 

3. 团伙识别（社区划分）：
   

• 带惩罚项的 LPA 算法：优化社区划分，逼近真实团伙结构；

• Louvain 算法：基于标签传播，适用于超大规模图的社区发现。 

4. 团伙风险分层：统计团伙内高风险节点（如黑浓度、资金汇聚程度）。

5. 结合图属性与业务特征（如逾期率），判定团伙风险等级。 

6. 实时申请用户团伙识别：由算法搭建数据挖掘的流程，可以实现实时（分钟/秒级）申请用户团伙识别。

实际案例与效果验证 

案例1：现金贷行业 POC 

• 问题：中介操控的账户团伙通过多头借贷薅羊毛，资金最终回流至中介账户。 

• 应用效果：通过团伙识别的技术流程应用识别出3-8倍于大盘风险水平的高风险团伙，可有效拦截业务风险。 

案例2：银行信用卡中心 POC 

• 问题：信贷中介主导的套利团伙。 

• 应用效果：通过团伙识别的技术流程应用识别出信贷中介主导的一群团伙。团伙风险水平为大盘的3倍，直接拦截可避免亏损。

三、图联邦（GraphPSU）平衡业务价值和数据安全 

核心问题与挑战：数据因法规要求或商业信息保密无法直接融合。 

隐私计算的技术路线 

1、联邦学习提供的思路 ：数据不动，模型动，模型在多方之间流转，无需数据集中即可完成建模。 

2、多方安全计算：隐私计算中多方安全计算的常用技术包含同态加密、秘密分享、混淆电路、差分隐私、不经意传输等，其中 GraphPSU 属于秘密分享分支。 

图联邦（GraphPSU）技术流程 

使用 PSU 去实现图逻辑合并，同时图以密态的方式分享在两端。

• 密态图构建：将原始图数据（如用户-设备、交易-账户）通过秘密分享拆分为加密分片，分发至参与方（如银行与运营商）。 

• 密态计算：在加密状态下进行图算法（如路径分析、子图匹配），双方无法窥探中间过程，仅能获取最终结果（如风险名单）。 

• 结果输出：联合解密生成业务可用的输出（如黑名单），保障隐私与合规性。

场景案例 

1、基于联邦学习技术的外汇合规风险联合防控体系：运用隐私计算技术，深度融合监管机构与银行数据，建设客户外汇风险的提前精准预警、由点及面完整追溯、名单信息高效共享的本外币一一 体化外汇合规风险联合防控体系。 

2、贷后资金监控，不暴露用户信息隐匿查询计算贷款资金流向，准确率90% 

·END·

欢迎关注TuGraph代码仓库✨

TuGraph-DB 图数据库

https://github.com/tugraph-family/tugraph-db

GeaFlow 流式图计算引擎

https://github.com/tugraph-family/tugraph-analytics

Chat2Graph 图原生智能体系统

https://github.com/tugraph-family/chat2graph