為了方便用戶能夠熟悉圖計(jì)算服務(wù)GraphCompute，我們提供一份完整的OneID-黃牛賬號(hào)識(shí)別Demo數(shù)據(jù)、查詢Query和文檔指南，幫助用戶快速搭建一個(gè)圖計(jì)算應(yīng)用，并提供百萬級別數(shù)據(jù)量的黃牛賬號(hào)識(shí)別和挖掘能力。

什么是GraphCompute？

GraphCompute 是一個(gè)分布式的、萬億級數(shù)據(jù)規(guī)模下、高性能、高穩(wěn)定性的圖查詢和計(jì)算解決方案。同時(shí)，搭載智能運(yùn)維和離線系統(tǒng)，實(shí)現(xiàn)湖倉一體化的數(shù)據(jù)打通，支持多版本數(shù)據(jù)快速迭代和管理能力。結(jié)合阿里巴巴在電商、安全和社交等多個(gè)行業(yè)領(lǐng)域的積累，為全球企業(yè)及開發(fā)者提供圖技術(shù)服務(wù)

背景介紹

數(shù)字經(jīng)濟(jì)時(shí)代下，數(shù)據(jù)成為推動(dòng)創(chuàng)新發(fā)展的關(guān)鍵要素。數(shù)據(jù)的開放，推動(dòng)了多行業(yè)、跨行業(yè)、跨組織的協(xié)同與創(chuàng)新，催生出新型的產(chǎn)業(yè)形態(tài)和商業(yè)模式。但隨著數(shù)據(jù)價(jià)值的凸顯，針對數(shù)據(jù)的攻擊、竊取、濫用、劫持等活動(dòng)持續(xù)泛濫，并呈現(xiàn)出產(chǎn)業(yè)化、高科技化等特性。在互聯(lián)網(wǎng)企業(yè)，對于識(shí)別、追蹤用戶身份都有強(qiáng)烈的需求，通過用戶的賬號(hào)、設(shè)備之間信息關(guān)聯(lián)，能夠快速識(shí)別賬戶情況，做出更好的業(yè)務(wù)聯(lián)動(dòng)或者防護(hù)。在該類場景下，我們統(tǒng)一定義為OneID賬戶同人識(shí)別。

什么是OneID？

簡單來說OneID是一套跨屏、跨域的自然人身份識(shí)別、追蹤系統(tǒng)，類似于實(shí)際生活中的身份證號(hào)，對于每個(gè)互聯(lián)網(wǎng)世界的每個(gè)自然人都通過算法賦予一個(gè)穩(wěn)定的虛擬身份ID 

- OneID，并且識(shí)別自然人所擁有的各類身份ID。 身份ID包括三大類： 

- 賬號(hào)類：業(yè)務(wù)賬號(hào)，手機(jī)號(hào)，Email等等 

- 設(shè)備類：設(shè)備IMEI，設(shè)備IMSI，設(shè)備IDFA， 

- cookie類：Acookie等等。

OneID體系能夠?qū)⑾∈璧男畔⑼ㄟ^實(shí)體之間的關(guān)系匯聚起來，聚焦到自然人，譬如從重要設(shè)備ID能夠關(guān)聯(lián)出大量的賬號(hào)ID，說明這些賬號(hào)可以屬于一個(gè)人或者團(tuán)伙共有，并挖掘出業(yè)務(wù)平臺(tái)的黃牛或者非法團(tuán)伙信息。

為什么用“圖”做風(fēng)險(xiǎn)挖掘？

圖能夠高效表達(dá)關(guān)系和行為，業(yè)界通過圖計(jì)算相關(guān)技術(shù)能夠沉淀歸類部分圖模型和關(guān)系。而我們可以通過其中的關(guān)系現(xiàn)象進(jìn)行對應(yīng)的數(shù)據(jù)建模，就能將痕跡歸納總結(jié)，應(yīng)用于欺詐防控。此外，傳統(tǒng)的欺詐檢測通常關(guān)注特征空間中的離群點(diǎn)，而忽略了現(xiàn)實(shí)世界中的關(guān)系數(shù)據(jù)。在現(xiàn)實(shí)生活中，實(shí)體之間有著豐富的關(guān)系，圖結(jié)構(gòu)可以為欺詐檢測提供信息增益。

【黃牛賬號(hào)識(shí)別】業(yè)務(wù)落地

業(yè)務(wù)背景

某款科技公司網(wǎng)站，主要售賣各種AI數(shù)字化產(chǎn)品和解決方案，針對活動(dòng)都會(huì)發(fā)放優(yōu)惠券權(quán)益，但是主要希望能對網(wǎng)站的注冊賬戶做OneID風(fēng)控識(shí)別，幫助公司挖掘黃牛賬號(hào)、薅羊毛團(tuán)伙，減少無效資金損失。

通過對黃牛黨或者團(tuán)伙行為分析，普遍的現(xiàn)象是最大程度的利用手上設(shè)備資源，實(shí)現(xiàn)賬號(hào)體系的最大化；針對有部分用戶通過重復(fù)注冊賬號(hào)領(lǐng)取優(yōu)惠券薅羊毛的行為進(jìn)行檢測，需要進(jìn)行用戶到用戶的多度查詢；

根據(jù)業(yè)務(wù)的特點(diǎn)進(jìn)行抽象定義，最終的業(yè)務(wù)邏輯可以理解為：

1）查詢的業(yè)務(wù)場景：賬戶A - 設(shè)備G - 賬號(hào)B 二跳關(guān)系

2）需要獲取多種設(shè)備關(guān)聯(lián)的二跳用戶后，對設(shè)備路徑權(quán)重加分，最終得到

業(yè)務(wù)梳理

基于圖數(shù)據(jù)在交易欺詐、垃圾注冊場景下，我們就能夠OneID快速識(shí)別和定位黃牛賬號(hào)、新人拉新判定，從而進(jìn)一步賦予業(yè)務(wù)更準(zhǔn)確和可解釋的防控手段。

首先從離線算法出發(fā)：探索的路線從圖傳播算法——>圖聚類算法——>圖表征算法，挖掘更大范圍，更深層次的風(fēng)險(xiǎn)。最開始使用圖傳播算法，可以快速地挖掘出少量風(fēng)險(xiǎn)實(shí)例且較高的準(zhǔn)確率效果，但是半監(jiān)督的圖傳播算法只能從局部出發(fā)，挖掘出已知風(fēng)險(xiǎn)實(shí)體附近的少量風(fēng)險(xiǎn)實(shí)體。如何能夠從全局出發(fā)，擴(kuò)大風(fēng)險(xiǎn)實(shí)例的召回，這時(shí)候開始使用圖聚類算法去挖掘風(fēng)險(xiǎn)團(tuán)伙。除了圖結(jié)構(gòu)可以幫助挖掘風(fēng)險(xiǎn)外，實(shí)體的屬性也可以幫助挖掘風(fēng)險(xiǎn)。充分結(jié)合賬號(hào)的違規(guī)、處罰、行為特征以帶來更多的信息增益，幫助挖掘更深層次的風(fēng)險(xiǎn)。

當(dāng)前我們重點(diǎn)講解的「黃牛賬號(hào)識(shí)別」，該類風(fēng)控場景就可以通過下圖第一步【圖傳播算法】，從當(dāng)前已經(jīng)風(fēng)險(xiǎn)的節(jié)點(diǎn)往外傳播影響決策能力，挖掘出高風(fēng)險(xiǎn)節(jié)點(diǎn)，以及對應(yīng)的風(fēng)險(xiǎn)分?jǐn)?shù)。

Step1：日志數(shù)據(jù)梳理

用戶登錄、注冊信息進(jìn)行日志收集，將用戶的登錄記錄進(jìn)行

• 定義數(shù)據(jù)：確認(rèn)數(shù)據(jù)源，定義每個(gè)數(shù)據(jù)源返回的數(shù)據(jù)格式、字段

  • SLS日志收集，原始的數(shù)據(jù)信息包括：

    • 用戶登錄信息

    • 用戶注冊信息

    • cookie信息

• 數(shù)據(jù)標(biāo)準(zhǔn)化及映射：有一個(gè)專門的平臺(tái)可以定義數(shù)據(jù)源數(shù)據(jù)到表中數(shù)據(jù)的映射，并允許對數(shù)據(jù)進(jìn)行腳本化處理

  • 【用戶信息表】

    • 注冊賬號(hào)、時(shí)間等有效信息

  • 【設(shè)備信息表】

    • 設(shè)備類型：手機(jī)、IP地址、email 等信息

• 事件觸發(fā)增量寫入：當(dāng)事件發(fā)生，觸發(fā)一個(gè)向?qū)?yīng)表內(nèi)寫的增量信息

  • 新用戶注冊登錄后，進(jìn)行數(shù)據(jù)輸出，最終將進(jìn)行【用戶信息表】和【設(shè)備信息表】對應(yīng)信息更新

• 持久化：引入MaxCompute，存儲(chǔ)離線全量

Step2：離線算法選擇

Community Search根據(jù)網(wǎng)絡(luò)中給出的已知種子節(jié)點(diǎn)的局部信息出發(fā)，去發(fā)現(xiàn)給定種子節(jié)點(diǎn)所在的局部社區(qū)，具有更強(qiáng)的社區(qū)針對性，是一種圖傳播的方法。可以使用半監(jiān)督方法，基于已有的有標(biāo)記的節(jié)點(diǎn)，為附近的無標(biāo)記的節(jié)點(diǎn)打上偽標(biāo)簽，并不斷迭代預(yù)測更多的無標(biāo)記節(jié)點(diǎn)。

在反作弊時(shí)，通常只獲取到少量有標(biāo)簽數(shù)據(jù)。同時(shí)，需要大量的無標(biāo)簽數(shù)據(jù)，這些無標(biāo)簽數(shù)據(jù)中存在著大量的風(fēng)險(xiǎn)實(shí)例，如何從大量的無標(biāo)簽數(shù)據(jù)中，挖掘風(fēng)險(xiǎn)實(shí)例，是該場景需要解決的問題。這里構(gòu)建半監(jiān)督學(xué)習(xí)的流程，基于業(yè)務(wù)提供的風(fēng)險(xiǎn)數(shù)據(jù)作為原始輸入，挖掘風(fēng)險(xiǎn)數(shù)據(jù)周邊的高風(fēng)險(xiǎn)實(shí)例，并將挖掘的實(shí)例反饋給業(yè)務(wù)校驗(yàn)，接下來將業(yè)務(wù)校驗(yàn)認(rèn)為有風(fēng)險(xiǎn)的實(shí)例添加到原始輸入中，繼續(xù)迭代，從而召回更多的風(fēng)險(xiǎn)數(shù)據(jù)。半監(jiān)督方法只能挖掘有限有標(biāo)簽附近的樣例，無法發(fā)現(xiàn)特定結(jié)構(gòu)的團(tuán)伙.

工業(yè)界比較知名的基于半監(jiān)督關(guān)系網(wǎng)絡(luò)圖上的風(fēng)險(xiǎn)實(shí)體挖掘方法有亞馬遜在2018年提出的GraphRAD方法和螞蟻集團(tuán)在2021年提出的Risk-alike方法，這兩種方法都是基于黑種子節(jié)點(diǎn)的輸入在圖上挖掘風(fēng)險(xiǎn)。也可以使用鏈接分析的方法，如PageRank，從已有的有標(biāo)記的節(jié)點(diǎn)出發(fā)，計(jì)算網(wǎng)絡(luò)中其他節(jié)點(diǎn)的重要程度。

例如：

Risk_alike

輸入：黑種子節(jié)點(diǎn)，所有的邊關(guān)系

step1：構(gòu)圖：基于與黑種子點(diǎn)有2跳以內(nèi)關(guān)聯(lián)關(guān)系的節(jié)點(diǎn)構(gòu)圖；

step2：用louvain做社區(qū)發(fā)現(xiàn)得到風(fēng)險(xiǎn)團(tuán)伙，并對跟團(tuán)伙有兩跳以內(nèi)關(guān)聯(lián)的節(jié)點(diǎn)做召回；然后用規(guī)則篩選黑節(jié)點(diǎn)占比>=40%且節(jié)點(diǎn)數(shù)量<=200的團(tuán)伙；

step3：基于pageRank計(jì)算每個(gè)節(jié)點(diǎn)的風(fēng)險(xiǎn)分并排序。從黑種子節(jié)點(diǎn)出發(fā)，計(jì)算每個(gè)節(jié)點(diǎn)對黑種子節(jié)點(diǎn)的重要程度，作為風(fēng)險(xiǎn)分；

step4：提純Purify：基于louvain社區(qū)發(fā)現(xiàn)的結(jié)果和pageRank的結(jié)果篩選并輸出挖掘的高風(fēng)險(xiǎn)節(jié)點(diǎn)。

輸出：挖掘出的高風(fēng)險(xiǎn)節(jié)點(diǎn)，以及對應(yīng)的風(fēng)險(xiǎn)分?jǐn)?shù)。

阿里云訓(xùn)練平臺(tái)PAI中已內(nèi)置了Risk-alike、Louvain、LPA、PageRank等反作弊算法，可直接調(diào)用即可。最終結(jié)果產(chǎn)出：【用戶信息表】注冊賬號(hào)、時(shí)間等有效信息、【新增】用戶團(tuán)伙標(biāo)簽 isbad = true | false

Step3：業(yè)務(wù)模型的梳理和沉淀    

根據(jù)對前面業(yè)務(wù)邏輯的了解，我們設(shè)計(jì)了多種圖配置的業(yè)務(wù)模型來做相應(yīng)的圖構(gòu)建；

Step4：業(yè)務(wù)模型優(yōu)化方案

基于業(yè)務(wù)考量，最終業(yè)務(wù)配置模型選擇了【方案三】來支持，主要的考慮如下：

總結(jié)一：進(jìn)行起點(diǎn)為指定medium類型的快速檢索，通過type類型進(jìn)行過濾和統(tǒng)計(jì)計(jì)算更方便

總結(jié)二：插入性能優(yōu)；對于插入一個(gè)新用戶，設(shè)計(jì)1、2需要先進(jìn)行一（多）次查詢找到相關(guān)的用戶關(guān)系才能進(jìn)行插入，設(shè)計(jì)3不需要這個(gè)步驟；設(shè)計(jì)1、2需要進(jìn)行一次點(diǎn)插入和多次邊插入，設(shè)計(jì)3只需1次點(diǎn)插入和2次邊插入。對于某些熱門的IP，一個(gè)使用熱門IP的新用戶插入需要插入數(shù)萬條邊，對系統(tǒng)的開銷會(huì)很大。考慮以下case：插入用戶D，已有3位用戶ABC使用與D相同的IP

• 方案1、2：插入用戶點(diǎn)D，查詢與D使用同IP的所有用戶，插入邊。插入前，3條點(diǎn)數(shù)據(jù)，6條邊數(shù)據(jù)；插入后4個(gè)點(diǎn)，12條邊數(shù)據(jù)

• 方案3：插入用戶點(diǎn)D，如果該IP不存在表中，插入IP點(diǎn)192.168.1.1，插入用戶D到IP點(diǎn)之間的正反向邊。插入前，4條點(diǎn)數(shù)據(jù)，6條邊數(shù)據(jù)；插入后4（5）個(gè)點(diǎn)，8條邊數(shù)據(jù)。

主要問題在于犧牲查詢性能：用戶到用戶的跳數(shù)從1跳增加到2跳，綜合考慮總結(jié)如下：通過【方案三】可以更好的簡化離線更新鏈路的邏輯，同時(shí)對于性能影響不會(huì)太大。

GraphCompute搭建

Step1：圖模型確定

根據(jù)前面的業(yè)務(wù)梳理和沉淀，我們最終按照【方案三】進(jìn)行圖配置，包括節(jié)點(diǎn)表User、medium設(shè)備表、relation 用戶設(shè)備關(guān)系表。

Step2：選擇適合自己的數(shù)據(jù)源方式

請根據(jù)自己的業(yè)務(wù)特點(diǎn)進(jìn)行選擇：

• 已是或者未來需要MaxCompute，源數(shù)據(jù)托管到MaxCompute，同時(shí)業(yè)務(wù)數(shù)據(jù)需要做24小時(shí)實(shí)時(shí)計(jì)算更新圖數(shù)據(jù) - 請參考【方案一：MaxCompute數(shù)據(jù)源 + API數(shù)據(jù)】 --- 最佳推薦方式

• 數(shù)據(jù)直接托管到圖計(jì)算GraphCompute，支持業(yè)務(wù)數(shù)據(jù)通過API方式，支持24小時(shí)實(shí)時(shí)數(shù)據(jù)更新 - 請參考【方案二：API數(shù)據(jù)源】

• 已是MaxCompute資深用戶，源數(shù)據(jù)托管到MaxCompute，每天定時(shí)產(chǎn)出MaxCompute分區(qū)，無需對圖數(shù)據(jù)做24小時(shí)增量更新 - 可選擇【MaxCompute數(shù)據(jù)源】

Step3：【黃牛賬號(hào)識(shí)別】- 創(chuàng)建數(shù)據(jù)源

當(dāng)前我們的快速接入采用【方案一：MaxCompute源數(shù)據(jù)表 + API數(shù)據(jù)】、【方案二：API數(shù)據(jù)源】

【方案一：MaxCompute源數(shù)據(jù)表 + API數(shù)據(jù)】

該方案依靠MaxCompute已有項(xiàng)目和源表數(shù)據(jù)。

如果沒有現(xiàn)成的數(shù)據(jù)，可以選擇直接使用我們提供的Demo數(shù)據(jù)源（已經(jīng)定義好了節(jié)點(diǎn)和關(guān)系數(shù)據(jù)）。

如果業(yè)務(wù)數(shù)據(jù)已經(jīng)存在CSV或者M(jìn)axCompute中，可以選擇自己的MaxCompute源數(shù)據(jù)。

用戶源表：

使用【igraph_mock.anti_cheating_demo_user_vertex】，節(jié)點(diǎn)表中包括100000個(gè)用戶，其中有1%的風(fēng)險(xiǎn)賬戶（isbad=TRUE）

可參考的MaxCompute建表語句：

• isbad字段可以根據(jù)需要添加，用于標(biāo)示一些已知的黃牛用戶。

• 根據(jù)需要可以加入更多的用戶信息字段，例如名字、性別、注冊時(shí)間等以滿足其他業(yè)務(wù)邏輯的需要。

  CREATE TABLE IF NOT EXISTS anti_cheating_demo_user_vertex
  (
      user_id BIGINT COMMENT '用戶賬號(hào)id'
      ,isbad BOOLEAN  COMMENT '是否為風(fēng)險(xiǎn)賬號(hào)'
  )
  COMMENT '用戶頂點(diǎn)表'
  PARTITIONED BY (ds STRING COMMENT '日期分區(qū)');

媒介表

使用【igraph_mock.anti_cheating_demo_medium_vertex】，關(guān)系表中包括100000個(gè)媒介，其中0.3%的媒介被超過1個(gè)用戶使用。

可參考的MaxCompute建表語句：

• 常見的medium_type包括電話號(hào)碼、郵箱、IP、設(shè)備等，本例中只包括電話號(hào)碼和郵箱。

• weight用于表示媒介的重要性，一般來說同一種設(shè)備的weight可以使用同樣的值。例如：多個(gè)用戶使用同一IP不需要特定區(qū)分。

  CREATE TABLE IF NOT EXISTS anti_cheating_demo_medium_vertex
  (
      medium_id BIGINT COMMENT '媒介id'
      ,medium_type STRING COMMENT '媒介類型'
      ,weight double  COMMENT '權(quán)重'
  )
  COMMENT '媒介頂點(diǎn)表'
  PARTITIONED BY (ds STRING COMMENT '日期分區(qū)');

用戶媒介關(guān)系表

使用【igraph_mock.anti_cheating_demo_medium_edge】，關(guān)系表中包括100000個(gè)媒介，其中0.3%的媒介被超過1個(gè)用戶使用

可參考的MaxCompute建表語句：

score主要用于表示用戶使用媒介的頻繁程度/重要性，可以根據(jù)業(yè)務(wù)邏輯進(jìn)行賦值，如沒有特殊業(yè)務(wù)邏輯可以默認(rèn)設(shè)置為1。

CREATE TABLE IF NOT EXISTS anti_cheating_demo_user_medium_edge
(
    user_id BIGINT COMMENT '用戶賬號(hào)id'
    ,medium_id BIGINT COMMENT '媒介id'
    ,score double  COMMENT '權(quán)重'
)
COMMENT '用戶媒介關(guān)系邊表'
PARTITIONED BY (ds STRING COMMENT '日期分區(qū)');

【方案二：API數(shù)據(jù)源】

該方案依靠用戶服務(wù)端SDK或者控制臺(tái)寫入窗口進(jìn)行數(shù)據(jù)寫入和更新。

控制臺(tái)寫入窗口可參考：【圖運(yùn)維 - 選擇User、Relation后右鍵 - 增量數(shù)據(jù)寫入】。

【MaxCompute源表操作指南】

業(yè)務(wù)可參看如下步驟自行創(chuàng)建MaxCompute數(shù)據(jù)表：

在DataWorks創(chuàng)建數(shù)據(jù)表，每一種點(diǎn)表和邊表需要有一張自己單獨(dú)的數(shù)據(jù)表。

1. 進(jìn)入DataWorks，左上角選擇數(shù)據(jù)開發(fā)。

2. 進(jìn)入業(yè)務(wù)流程->MaxCompute->表，右鍵新建表，并輸入表的名字。

   

   

3. 設(shè)置表的屬性。

   項(xiàng)目名及表名（重要）：

   不可更改，記下項(xiàng)目名（MaxCompute引擎實(shí)例）及表名，需要給圖計(jì)算賬號(hào)授權(quán)。

   基本屬性中文名：可以設(shè)置表的中文名字和描述。

   物理模型設(shè)計(jì)：

   分區(qū)類型：請選擇分區(qū)表。

   生命周期：設(shè)置生命周期意味著表的每個(gè)分區(qū)會(huì)保留xx天后被自動(dòng)刪除，請按照需要勾選 。

   表結(jié)構(gòu)設(shè)計(jì)：請逐列添加表的列屬性，主要包括列名、類型和是否為主鍵。字段類型的選擇請盡量貼合字段本身的屬性（例如：在精度要求不高的情況下使用float代替double類型、對于數(shù)字類型的ID使用int類型代替string類型），這樣有助于減少數(shù)據(jù)表構(gòu)建索引的大小，節(jié)約數(shù)據(jù)回流生效的時(shí)間。

   警告

   注意：圖計(jì)算目前字段類型有所限制，僅支持MaxCompute 1.0、2.0的基礎(chǔ)數(shù)據(jù)類型，不支持復(fù)雜類型（ARRAY、MAP、STRUCT），具體字段類型定義及取值范圍請參考2.0數(shù)據(jù)類型版本。

Step4：【黃牛賬號(hào)識(shí)別】- 創(chuàng)建圖計(jì)算服務(wù)

Step4-1：購買實(shí)例鏈接

• 地域：為了減少網(wǎng)絡(luò)延遲，請盡可能選擇靠近您的位置。

• 用戶名/密碼：用于請求時(shí)的訪問驗(yàn)證。

• 規(guī)格：請根據(jù)您的數(shù)據(jù)量及請求的復(fù)雜程度選擇規(guī)格。

  • 推薦選擇獨(dú)享通用型

  • 如果您的業(yè)務(wù)計(jì)算需求較為復(fù)雜或?qū)Ψ祷匦阅艿囊筝^高，建議增加分片數(shù)

  • 規(guī)格參考：

    • 一般百萬級數(shù)據(jù)量級，可參考如下配置即可。

      

    • 如果數(shù)據(jù)量過大，可增加【分片數(shù)】。

    • 如果線上查詢流量加大，可以增加【副本數(shù)】。

購買完畢之后需要等待【15分鐘】實(shí)例初始化完畢。

Step4-2： 創(chuàng)建業(yè)務(wù)的圖模型

根據(jù)前面【Step1】中已總結(jié)完該場景的業(yè)務(wù)圖模型，我們這里就可以直接創(chuàng)建；在右側(cè)列表選擇“圖列表”，并點(diǎn)擊新增，輸入圖的名字及描述。

Step4-3： 創(chuàng)建節(jié)點(diǎn)表

創(chuàng)建節(jié)點(diǎn)表【User】

1. 左上角選擇“新增點(diǎn)”并輸入點(diǎn)的名稱。

   

2. 選擇數(shù)據(jù)來源為【MaxCompute數(shù)據(jù)源+API更新】

3. 輸入MaxCompute項(xiàng)目名和表名

   用戶源表：使用【項(xiàng)目名：igraph_mock，表名：anti_cheating_demo_user_vertex】

4. 點(diǎn)擊【導(dǎo)入字段】會(huì)自動(dòng)為您導(dǎo)入MaxCompute中的對應(yīng)表字段名及類型映射。

5. 選擇您的pkey并根據(jù)字段內(nèi)的數(shù)據(jù)調(diào)整字段類型，請注意GraphCompute的表類型與MaxCompute有些不同。請盡可能選擇合適的類型int取值范圍（例如：INT8 INT32 INT64），這將大大加速您的請求響應(yīng)速度。

   索引類型：一般直接選擇【KV】

   如果您有倒排需求請選擇【inverted INDEX】，并使用"添加索引"增加索引字段，可以提供全局統(tǒng)計(jì)和查詢能力，比如需要按照一些屬性做全局查詢：例如「查詢所有風(fēng)險(xiǎn)用戶」等場景。

   如果您需要添加額外字段，可以使用“添加字段”。

   如果您需要啟用done分區(qū)自動(dòng)回流，請打開掃描DONE分區(qū)開關(guān)，具體用法詳見done分區(qū)指南。

創(chuàng)建節(jié)點(diǎn)表【medium】

Step4-4：創(chuàng)建關(guān)系表

創(chuàng)建用戶到媒介的正向邊

1. 選中user點(diǎn)，鼠標(biāo)右鍵-彈出【新增邊】，選擇邊的入點(diǎn)并輸入邊的名稱。

2. 選擇數(shù)據(jù)來源“MaxCompute數(shù)據(jù)源+API更新”.

3. 輸入項(xiàng)目名+表名并導(dǎo)入字段。

   關(guān)系源表：使用【項(xiàng)目名：igraph_mock，表名：anti_cheating_demo_user_medium_edge】。

4. 選擇起點(diǎn)字段及終點(diǎn)字段并根據(jù)字段內(nèi)的數(shù)據(jù)調(diào)整字段類型。

   pkey起點(diǎn)字段：user_id

   skey終點(diǎn)字段：medium_id

   如果您需要添加額外字段，可以使用“添加字段”。

   如果您需要啟用done分區(qū)自動(dòng)回流，請打開掃描DONE分區(qū)開關(guān)，具體用法詳見done分區(qū)指南。

   

5. 單擊提交。

創(chuàng)建媒介到用戶的反向邊

1. 選擇數(shù)據(jù)來源“MaxCompute數(shù)據(jù)源+API更新”。

2. 輸入項(xiàng)目名+表名并導(dǎo)入字段。

   關(guān)系源表：使用【項(xiàng)目名：igraph_mock，表名：anti_cheating_demo_user_medium_edge】。

3. 選擇起點(diǎn)字段及終點(diǎn)字段并根據(jù)字段內(nèi)的數(shù)據(jù)調(diào)整字段類型。

   pkey起點(diǎn)字段：medium_id

   skey終點(diǎn)字段：user_id

   

Step4-5：圖模型發(fā)布

節(jié)點(diǎn)User表 、設(shè)備medium 和關(guān)系Relation表創(chuàng)建號(hào)，即可依次點(diǎn)擊【保存】、【發(fā)布】。

Step4-6： 數(shù)據(jù)索引構(gòu)建

圖模型發(fā)布完成后就可以進(jìn)行圖計(jì)算的索引構(gòu)建工作，點(diǎn)擊【一鍵回流】功能即可觸發(fā)海量數(shù)據(jù)的索引構(gòu)建。

• 分區(qū)選擇：根據(jù)業(yè)務(wù)數(shù)據(jù)需要，自行選擇一個(gè)可用分區(qū)。

• 增量時(shí)間戳：數(shù)據(jù)切換上線時(shí)，回追增量數(shù)據(jù)的起始時(shí)間。

數(shù)據(jù)索引構(gòu)建的耗時(shí)主要決定于數(shù)據(jù)量級的大小，一般百萬級數(shù)據(jù)量，需要等待15-20分鐘即可完成。通過【圖運(yùn)維】中圖模型的節(jié)點(diǎn)和關(guān)系都綠色即可進(jìn)行判斷。

Step4-7： 判定賬戶風(fēng)險(xiǎn)

通過團(tuán)伙大小等相關(guān)業(yè)務(wù)邏輯進(jìn)行判定。

GraphCompute查詢

通過前面的步驟，圖計(jì)算應(yīng)用及數(shù)據(jù)已經(jīng)準(zhǔn)備完成，下面就可以進(jìn)行圖數(shù)據(jù)的查詢和分析；可以通過【圖探索】-進(jìn)行探索式交互或者控制臺(tái)Gremlin語句查詢。

查詢用例

直接查詢
//查詢某個(gè)用戶的信息判斷是否為風(fēng)險(xiǎn)用戶
g("anti_cheating").V("-889411487137524591").hasLabel("user")

間接查詢
//查詢某個(gè)媒介關(guān)聯(lián)到風(fēng)險(xiǎn)用戶的個(gè)數(shù)
g("anti_cheating").V("-3161643561846490971").hasLabel("medium")
.outE().inV()
.filter("isbad=\"true\"").count()

//查詢與某用戶使用相同媒介的風(fēng)險(xiǎn)用戶個(gè)數(shù)
g("anti_cheating").V("-189711352665847917").hasLabel("user").
.outE().outE().inV()
.filter("isbad=\"true\"").count()

使用權(quán)重進(jìn)行枝剪
//對于部分超級媒介可能同時(shí)有數(shù)十萬用戶使用，例如某高校的ip，
//此時(shí)建議使用sample(n).by("score"),隨機(jī)選擇n條關(guān)聯(lián)用戶進(jìn)行檢查，按照score字段分越高，越有可能被選取到
g("anti_cheating").V("-189711352665847917").hasLabel("user").
.outE().sample(10).by("score").outE().inV()
.filter("isbad=\"true\"").count()

使用權(quán)重計(jì)算風(fēng)險(xiǎn)得分
g("anti_cheating").withSack(supplier(normal,"0.0"),Splitter.identity,Operator.sum).
V("2532895489060363835").hasLabel("user").outE().sack(Operator.assign).by("to_double(score)").
inV().sack(Operator.mult).by("to_double(weight)").outE().inV()
.filter("isbad=\"true\"").barrier().sack()

【GraphCompute】技術(shù)價(jià)值

當(dāng)前市面上有很多不同類型的圖產(chǎn)品可以選擇，而且每種產(chǎn)品都有獨(dú)特的優(yōu)勢；根據(jù)各個(gè)行業(yè)的企業(yè)和場景不一樣，業(yè)務(wù)需要了解產(chǎn)品的差異能力，這樣對于選擇性更有目的性；GraphCompute超強(qiáng)的實(shí)時(shí)寫性能，專攻海量圖數(shù)據(jù)存儲(chǔ)和快速查詢；通過引擎索引和算子優(yōu)化邏輯，極好的保障圖查詢的穩(wěn)定性；數(shù)據(jù)限制邏輯、自研算子、數(shù)據(jù)導(dǎo)入有極強(qiáng)的容錯(cuò)機(jī)制，重復(fù)輸入做最新數(shù)據(jù)的覆蓋；一站式智能運(yùn)維能力，既提供復(fù)雜分布式圖引擎能力，也簡化了用戶的運(yùn)維成本。

圖計(jì)算服務(wù)的方案優(yōu)勢：

1、低成本

圖計(jì)算Proxy-Search多行架構(gòu)讓集群負(fù)載更高，提高資源利用率，節(jié)省機(jī)器資源50%；同時(shí)集群負(fù)載QPS更高1倍。

2、高性能

節(jié)點(diǎn)拆分、多種kkv類型，在數(shù)據(jù)構(gòu)建時(shí)已經(jīng)將數(shù)據(jù)進(jìn)行分類、同時(shí)提供可定制的截?cái)噙壿嫳ＷC查詢性能；iGraph在熱點(diǎn)key的處理經(jīng)驗(yàn)豐富，多級cache 能夠比較好的防御這類問題，同時(shí)可以支持動(dòng)態(tài)擴(kuò)容等；相比開源方案，查詢耗時(shí)性能RT降低100%～500%

3、秒級百萬更新能力

在風(fēng)控領(lǐng)域中，OneID- 同人防控能力是通常金融、互聯(lián)網(wǎng)企業(yè)都需要和建設(shè)的風(fēng)控規(guī)則，需要實(shí)時(shí)判定用戶是否違規(guī)。該類場景需要：整體數(shù)據(jù)更新量龐大，同時(shí)對圖數(shù)據(jù)的查詢性能要求較高，聚焦OLTP能力；GraphCompute通過最終一致性方案能夠保證單節(jié)點(diǎn)百萬QPS更新量，生效時(shí)間在1-2s，保證風(fēng)控?cái)?shù)據(jù)的實(shí)效性到秒級，從而提升識(shí)別準(zhǔn)確率；

4、數(shù)倉一體化對接能力

離線處理平臺(tái)對接，風(fēng)控安全業(yè)務(wù)都會(huì)由算法、數(shù)據(jù)團(tuán)隊(duì)建設(shè)完整的大數(shù)據(jù)分析，基于阿里云MaxCompute數(shù)倉，我們能夠無縫對接數(shù)據(jù)源，同時(shí)支持?jǐn)?shù)倉快速迭代，將數(shù)倉全量數(shù)據(jù)的迭代周期最快從T天級到小時(shí)級別。