时序图数仓AbutionGraph在公安金融场景的应用

问题导读：
1.AbutionGraph的业务背景是什么？
2.AbutionGraph在公安金融有哪些应用场景？
3.文中时序特征有哪些价值？

GraphOLAM时序图数据库-AbutionGraph在公安金融领域的应用案例分享

经侦经典业务举例：
打击she税、洗qian、du-博-q庄等，通过调度数据，发现团伙、资金链条（资金交易行为特征分析），刻画xi钱fan罪、团huo经营轨迹，生成资金链，定位金主。

业务背景
互联网和信息化技术的普及，不仅改变了人们的生活和生产方式，也给犯罪分子提供了更多的犯罪手段和模式，特别是在金钱活跃的经济领域。经济案件中的犯罪活动逐渐与互联网相融合，犯罪份子也逐渐开始使用大数据思维来躲避追踪，使得案件的线索和犯罪的证据容易被淹没在错综复杂的关系网络中，给侦查的情报分析工作提出了巨大挑战。应再犯罪手法变化多端的形式下，我们民警还使用传统的多种数据多张Excel方式对案件进行挖掘分析已经不是一般人力能够应付的了，所以需要更智能化的反诈技术来应对挑战。近年来，随着人工智能技术的深入发展，知识图谱掀起了一个新的研究的热潮。知识图谱作为一个语义网络，具有强大的语义处理能力和开放的数据组织能力，逐渐被应用于各大领域中。而公安业务主要是案件和各种各样的线索搜集、关联碰撞，线索之间的联系就是一张天然的语义网络，叫作社会网络可能更贴切，所谓“法网灰灰，疏而不漏”，所以使用知识图谱技术管理各类案件线索再适合不过了。应用知识图谱等人工智能技术，面向公安实战需求开展数据的深度整合和综合利用，构建一套基于大数据的统一数据采集、存储、分析、挖掘、应用的综合平台，是现代化提高打击犯罪效率的迫切需求。

技术方案

        

我们通过将案j线索知识化，通过对企业和个人银行资金交易明细、通话、出行、住宿、工商、税务等信息构建“资金账户-人-公司“关联知识图谱。从公安案j描述、笔录等非结构化文本中抽取嫌疑人、事件、物品、卡号、时间、地点等信息，补充到知识图谱中，形成完整的证据链，辅助公安刑侦、经侦进行案件线索侦查和挖掘工作。

以前的数据分析方案：

如图所示，历史数据或者以前的数据存储方式都是以表单进行存储和分析，不直观、多种类数据关系无法反映出来，如果关联上工商、税务、通话、出行等数据进行分析，那就是个大工程了，管理和搜索起来相当麻烦耗时。

现在的数据分析方案：

如上图所示，我们通过构建案件知识图谱，打通AJ线索、工商、物流、银行、车房产、通话数据之间的关联，以点线图的形式直观的可视化出来，这更符合人的思维理解。基于知识图谱的经侦情报分析系统，使多种数据的协同分析，辅助梳理AJ脉络，提高公安部门的信息侦查、数据收集、智能分析、经侦调度、精准预测分析能力，构建符合公安实战所需要的智能大数据支撑体系，让工作效率大大提升，进而推进经侦情报分析工作的变革与创新。

时序知识图谱在经济侦察（金融交易）中的应用
在公安知识图谱中，我们了解了图谱技术对于多源异构数据的关联分析能力，但却忽略了所有的犯罪都跟金钱交易相关，我们大多数时候都要分析案件关联人员的资金明细来定义案件性质，这还需要金融的资金交易分析能力。账单的数据量和关联信息要远远高于其它AJ信息，比如一个大型传销组织的关联数据就可能上千万，分析千万级数据一般的数据库系统都能够返回想要的结果，实效性可能得分钟级，更多时候我们还需要频繁的获取这千万帐号中的异常指标。在案件线索分析过程中，每次分析都需要很长得等待事件这效率明显的低，特别是在交易账单的分析时，需要对每一个账户和关联账户进行计算分析，并立即返回结果至前端页面展示，这不仅对数据库系统的实时计算要求非常高，还考验数据关联分析的能力。

技术挑战：实时计算能力恰恰是图数据库的弱项，实时关联分析能力恰恰是传统关系型数据库的弱点，再有，交易都是时间维且时序发生的，时间属性能衍生出许多重要的判别条件，直接作为预警研判的依据，这就需要数据库对时序数据的维度分析能力足够强，能够从年月日，甚至是早中晚等维度中发现异常，因为骗子往往具有一定行为规律。我们需要底层的数据平台满足这些要求的同时，关联上Aj信息，通过一张图、一张关系网，在案件分析时，网页上点击一下，就能查看到所有的历史和明细信息，所以还涉及多维异构数据的存储。从需求上分析，可谓多项技术挑战汇聚一处，面向实施方，降低服务器、技术开发、维护和时间成本等都具有非常大的挑战。

时序图数仓技术的应对方案：从这些挑战中，我们不难发现，如果市场上有一款数据能同时满足这些需求，即：案件数据关联碰撞（图数据库）+个体时序行为指标计算（时序数据库）+个体关联的多种数据-多维异构数据即席分析（数据仓库），集多种先进的刚需技术于一身，那么各方面的成本都能得到明显降低，只需关注以人为中心的数据开发，将数据标签化，即可一体化大数据支撑体系，这恰恰是“时序图数仓”AbutionGraph善于解决的问题。

        

如上图所示，我们可以给定一个时间窗口作为参数，计算出窗口内所有卡号的行为特征，如：平均每天转入/转出金额、转入转出次数、每一天最大一笔交易金额、每一天的最后一笔交易的余额等等。除了节点的维度，在关系上同样可以生成时序的指标，比如：每个月交易次数（判断诱骗规律）、交易频率（组织都有一定的敛财规律）、最大和最小交易差（新卡一般存在小额试卡行为）等。通过这些特征，业务人员可以依据经验快速的作出异常判断。

这些指标计算都是实时的，1秒就可以返回一年时间范围内的数据，我们通常称为“实时图分析”。目前为止，只有AbutionGraph能够满足这样的性能要求，其他图数据库的图计算都是离线的。我们曾经采用JanusGraph做对比测试，在千万级的总数据量和5台分布式集群中，响应是十几分钟级的，如果数据量再大，环路链路的分析就挂了。客户旧平台使用的是IBM的图分析工具i2，是一款离线的客户端软件，功能非常强大，就是很慢，通常分析一下要转3,5分钟，客户吐槽这太难受了。可以想象，民警正在页面上操作，有点线索了还得等几分钟才能探索下一步，等待越久效率越低，也很考验业务人员的耐心。

时序特征的价值
在交易数据中，每个节点都会和时间信息（交易确认时间）相关联，每一个时间步都是一个独立的联通子图，即时间步之间的交易具有相似性和连通性，不同时间步的节点不存在关系。

对于非法交易而言，可以观察到它在1-6和43-49时间步上存在“非法交易消失”的问题。可能的原因是交易费用昂贵导致非法交易成本上升，或监管问题等，最终原因还需结合更多的数据指标进行支持分析，可以扩展更多的时间维作为指标。

  （案件线索中的时间先后顺序也很有用）

关于交易时间得出的相关特征还有：
时间维度：年月日等维度的聚合指标；
出入度：当前交易节点出/入边数量，结合年月日等维度扩增指标效果更好；
交易费用：每一笔交易产生的交易费用，如果交易费用高也可能影响交易成本，可以记录Min/Max/Avg等；
邻居关联指标：除了自身特征，交易对方的所有人的行为指标也很有用，可以记录在每个节点上；
关系关联指标：计算每个交易对手的行为，很多人不只交易一次，可以存在边上做同比和环比。
这些聚合指标不仅可用来行为监控，对上百亿实体实时监测，进一步可以作为机器学习和深度学习模型的特征，识别异常的分类和聚类。

总结
        知识图谱技术已经在公安刑侦、经侦工作中广泛应用，但都是孤立的、零星的应用（也有很多是停留在概念上的），没有形成一体化的联勤平台。知识图谱的落地不仅仅是把数据串联起来，更要从时间和空间上分析和探索其中的行为，挖掘更多的指标，真正实现一张网办案。从技术架构的角度，单一依靠一款图数据库只能将线索串联成知识，解决不了资金数据的及时分析，如果采用数据仓库分析行为指标，则难以关联数据进行分析（join操作的性能是臭名昭著的），时序的指标计算可以借助时序数据库做实时监控，但又无法关联数据。总之，我们想要完成这样一个基于知识图谱的经侦情报分析系统，在效率、易用性和资源开销的三极能效上，基于一款图数据库是办不到的，那么还得引入其他技术体系，资源成本和开发成本无疑都至少上升一倍。为了解决大数据中的交叉性（存储+计算+分析+检索）问题，我们花了5年的时间进行时序图数仓AbutionGraph的研发，并在中国科学院计算机网络信息中心做了大规模的项目验证。现在，您可以只使用一款数据库即可解决复杂的大数据问题，模型的实现不再局限于技术，而是用户的idea，您甚至可以把一整套运算逻辑交给数据库自动完成计算和更新，或是把音视频关联存储到知识网络里，采用人脸识别比对图片数据，再与其他数据关联分析。

最新经典文章，欢迎关注公众号

原文链接：https://blog.csdn.net/lovebyz/article/details/123234121