前言
携程作为在线旅游代理（OTA）行业中的一家头部企业，处理着海量的在线实时交易订单。然而，随着订单数量的增加，潜在的欺诈风险也随之上升。为了更有效地识别团伙欺诈和黑产攻击，同时确保实时风控系统的高响应性，携程风控研发团队对多个图数据库进行了调研和试用，最终选择了 NebulaGraph 数据库，并成功将其投入线上使用，从而显著提升了业务效益
背景
在某些业务场景中，风控系统需要对业务事件进行补充，以丰富其风险画像，从而更有效地识别风险和防范欺诈。然而，常规技术手段 在识别新客的业务行为时存在一定的局限性。主要原因在于，新客的历史数据较少 ，其业务风险的背景信息往往不够完善，这增加了欺诈的可能性。统计数据显示，相较于存量用户的业务行为，新客业务行为的欺诈风险高达数倍 。为应对这一挑战，携程风控团队提出了利用图数据库构建实时动态图 的设想，以丰富新客业务行为的风险画像，从而提高欺诈识别率。
业务建模
一笔新客的业务行为通常包含多个维度的信息 ，如下图中的U，V，W这3种元素。通过这些相同的元素 ，我们可以关联出一阶邻居和二阶邻居。如下图的例子所示，通过相同的元素V1可以关联出当前业务事件的一阶邻居，再通过相同的元素U3可以关联到二阶邻居的W2。这样，我们可以从新客业务的单一信息中关联出其多阶邻居，并综合这些关联信息，更好地识别该业务行为的风险。
基于上述业务模型，我们将每个元素构建为一个节点，并使用该节点的维度作为其标签（tag）。节点的唯一标识符（vid）设置为具体的元素值。为了便于追溯，点上添加了该元素所属的业务事件号和请求时间。对于同一个业务事件中的元素，我们会创建边将这些代表元素的节点关联起来，表示它们之间存在关联关系。
在当前的业务场景中，还有个需求是保持一年内的实时关联图，对于超过一年时间的数据，将不再参与图的关联。因此，我们利用了NebulaGraph图数据库的一个特性，即它允许为时间戳类型的属性设置有效期（TTL）。根据业务要求，我们为所有节点的请求时间设置了一年的TTL。一年之后，这些节点将自动过期，不再参与实时图的关联。这样可以确保当前订单的关联数据仅限于一年内的时间窗口。
查询逻辑
在实际的构建关联过程中，我们遇到了两个问题。第一个问题是查询存在热点问题。如下图所示，例如从U1元素开始，它关联查询到N个W元素的节点，然后每个W元素又各自关联到N个V元素。这样会导致关联查询的数量急剧膨胀，甚至可能导致超时和服务器宕机。
对于这样的热点问题，我们需要加以排除，因为其数据价值不高，并且会因为查询超时而降低整体的关联率，进而影响风险识别的最终结果。
第二个问题是，如下图所示。当某笔业务事件刚进入风控系统时，由于图数据的写入是通过消息队列推送的方式进行的，可能会出现以下情况：当该业务事件中包含的3个元素（U1、W1、V1）尚未被写入图数据库时，系统就要求查询U1的关联信息。这时，系统无法查询到V2和U2的信息。
为了解决这个问题，我们提出了一个解决方案，即将单个关联改为群组关联 。这样，即使这些元素尚未被关联写入图数据库，也能在同一笔业务事件中查找到这些元素的二阶关联邻居。
解决方案
以下是我们的解决方案。首先，对于第一个热点问题，我们会根据节点的**标签类型（tag）**查询其关联节点。如果某类关联数据（例如U关联W）**超过了规定的阈值，**我们将其舍弃，以确保实时风控的高响应速度。
如下图所示，如果U1查询到的W元素数量超过了规定的阈值X，我们将这些W节点剔除，不再参与下一阶的关联过程。然后，我们将符合要求的一阶关联结果节点进行合并和去重，作为二阶关联的起始点。接下来，使用同样的策略查询二阶邻居，最后进行数据的整理和合并。这样可以用较小的代价剔除热点干扰。
针对上一节提到的第二个问题，即同一订单中的多个元素因关联写入延迟导致无法查询的情况，我们也提出了解决方案。具体而言，我们将同一订单中的多个元素（如U1、W1、V1）作为一个整体，并行查询它们的关联邻居，然后将各自的结果去重合并，最终返回综合结果。此方案在下图中有所体现。
在上图所示的流程中，我们使用了一个关键的nGQL查询语句，如下图所示。该语句的作用是从一组起始点开始，根据它们的关联点的标签（tag）类别进行关联查询。对于超过热点阈值的某类关联数据，我们会进行过滤和剔除。
例如，在下图的例子中，起始点关联到的W元素数量已经超过了热点阈值，形成了一个热点，符合剔除过滤的条件。因此，W元素将返回一个空列表，表示不再参与下一阶的关联查询过程，从而避免了热点对风控系统性能的影响。
最终效果
我们借助 NebulaGraph 在对此风控业务场景进行落地实践的过程中，构建了一个实时图特征平台的应用逻辑闭环，结构如下图所示。
当一笔业务行为事件进入风控系统时，会同时异步写入到图特征平台和大数据平台。 风控系统在对当笔事件进行风险评估时，会实时调用图特征平台进行关联信息的补充，从而提高资质评估的准确性。
大数据平台则会定期对图特征平台进行补数操作，确保图库数据的完整性和一致性。 同时提升图特征平台的健壮性，可以在较短时间内快速恢复缺失的数据。
业务上线后，我们额外获取了 55% 的关联业务信息，通过这些新增的特征信息，使得该场景下的覆盖率相对提升了32% ，获得了良好的业务增益。
未来规划
图数据库是一个新兴的技术领域，因其天然的关联属性和查询优势，十分适合于风控场景，尤其是挖掘互联网用户的特征。携程集团在调研了多个图库之后，选定 NebulaGraph 作为主流支持的图数据库。
携程风控研发团队目前正在积极地挖掘 NebulaGraph 的使用场景，后续会探索在血缘关系，欺诈团伙识别等场景的落地实践。
在此特别感谢 NebulaGraph 团队和开源社区的技术赋能，愿未来一路同行！
作者周伟诚，来自携程风控研发团队，专注于风控系统及特征平台领域。 2021年开始深入探索图数据，并在风控场景下进行多次落地实践，取得了显著的业务增益。
在图数据库的技术选型过程中，携程风控团队对多款产品进行了深入调研和实际使用。经过反复比较和严格测试，我们最终选择了NebulaGraph，原因在于其卓越的性能和完善的社区支持。
PS: 携程内推季火热进行中，诚意邀请各类英才投递简历，岗位包括开发、产品、运维等，详情参见https://job.ctrip.com/#/ ，内推简历可投递作者邮箱zhwchex@qq.com。
，感谢分享！