蚂蚁信贷图风控实践的关键探索

一、信贷图风控业务背景及案例

首先简单介绍我们的业务场景。

1、业务背景

我们的信贷风控主要用于防范反欺诈和反洗钱

• 骗贷是指黑产恶意骗取贷款，无还款意愿。这种情况导致了较高的资金风险，业界来看占整体逾期贷款的30%-40%左右。
• 套现是指用户通过虚假的交易场景，将信贷额度套取成现金。这种行为违反了信用卡、花呗等消费贷的使用规范，无法管控资金使用范围，另外也容易造成多头借贷，引起金融风险。

常见的套现骗贷手法包括：

• 扫码模式：线下店铺开通收款码，保存本地或到店进行扫码的方式，让套现人使用花呗支付，进行套现。
• 淘宝模式：中介在网上开店，上架商品，套现人使用花呗支付完成虚拟网购，从而信用额度。
• 预下单模式：使用三方APP，下单后不支付，然后告诉套现人三方账号密码，由套现人登录后使用花呗支付，完成套现。

基于信贷的业务特色，我们设计了事前、事中到事后的全面防控，各环节的主要内容为：

• 事前：提前感知、认知风险。包括对商户进行风险分析、对用户进行风险等级评级，这部分工作会用到近线的图分析功能。
• 事中：当用户申请贷款、或要用贷款去付钱时，基于交易请求实时分析和计算，进行风险策略和模型应用及图谱的交叉验证。
• 事后：对信贷业务进行全面的风险分析，如分析资金使用、套现可能性、挖掘团伙。

2、业务应用全局视角

我们根据事前、事中、事后的业务体系，设计了相应的技术框架

• 事前：T+1调度进行图跑批计算、由事件驱动的近线计算。
• 事中：基于请求在线实时计算，使用了图数据库的能力，保证查询性能。
• 事后：近线的消息监控、T+1的全量分析，以及交互式图分析。

上述模块会使用到的图技术包括：图的多度关系聚合特征（Traversal&Aggregate）、模式匹配（Pattern Matching）、图社区检测算法（Community Detection）、图学习、图推理等

3、花呗反套现案例

我们将通过一个花呗反套现的案例来说明事后和事中的防控措施

事后

由于风控场景中Y标的稀缺，如果依赖人工专家进行标注，可能会出现无法覆盖专家未识别到的套现模式的情况。因此，我们通过使用T+1的离线数据和实时数据开发了风险大图。基于“近朱者赤近墨者黑”的思想，我们将Pattern Matching中识别到的黑、灰种子在图上进一步扩散传播，以识别更多的风险用户，并将风险从单点转换为社团

事中

传统事中实时风控计算，多使用Flink产出统计型特征，它无法刻画多度关系。另外，如果图Pattern全部依赖专家定义存在效率和覆盖度的问题。所以我们使用了在线子图，包括买家子图、卖家子图、买卖家连通子图，作为神经网络的输入并在线打分，从而进行实时的防控。

二、图风控规模化落地

1、微贷图平台

我们最初只是简单尝试图风控技术规模化的业务落地，但效率较低。由于信贷场景较为严谨，上线需要进行离线测算和旁路验证。这就要求离线和在线数据源头一致，计算语义一致，以实现图仿真功能。否则，只能通过离线表JOIN的方式进行构图，很难支持3-6个月的图回测

我们通过技术验证后，沉淀了一套能力，包括：

• 图建模：离线、近线、在线的图资产统一。
• 图交互式分析：专家使用图交互式分析进行研判。
• 图仿真回测：基于分析的case进行3-6个月的图仿真回测。
• 图计算服务上线：图特征和图算子的一键发布上线。

统一图资产的分析、仿真和上线过程中，语义保持一致，实现了三线一体，从而确保了图风控规模化的高效率

2、规模化效率瓶颈

经过规模化操作后，我们发现业务流程前面的模块都是离线T+1跑批或基于事件触发，都是自动完成的。只有最后一步需要人工分析，这一环节对人工的依赖限制了图的大规模应用。因此，我们下一步的工作是自动挖掘风险

三、子图挖掘

我们之前的业务分析测算，都基于专家给出了明确的风险模式后进行处置，但其实这样的流程周期很长，效率较低。所以我们目前正在自动挖掘风险模式，然后推荐给专家分析。

1、总体技术方案

整体技术方案分为以下几个步骤：

• 基于离线T+1及实时数据构建底图。
• 计算图中每个节点的表征向量，然后计算p-value值及各种业务指标
• 筛选节点，并基于种子节点进行扩散，获得重要风险子图
• 在子图中进行风险模式的挖掘，获得风险模式（Pattern）的候选集，并进行回测
• 回测结果符合预期指标的风险模式，交由业务方进行交互分析，并决定是否采用上线
• 通过这一套流程，我们把挖掘风险模式，结合算法和算力做到了自动化。

在这个过程中，存在两个较大的挑战：

• 信息混杂问题：底图数据庞大，噪声较多。
• 算力复杂问题：子图同构算法复杂度为指数级。

2、信息混杂问题

对于信息混杂问题，当我们基于原始大图进行挖掘时，首先图的规模比较大，难以进行挖掘。另外，图中有许多噪音，比如我们每天购买咖啡、早餐，当我们基于频繁度进行挖掘时，这种模式很容易被挖掘出来，但没有提供风险信息，应该被剔除。

我们的做法是基于完整的底图，计算节点表征向量。然后根据节点p-value和业务指标，计算节点的重要度，最后裁剪低于一点重要度的节点，我们目前通常挖掘的图在10亿规模左右。这样做可以剔除噪声，并且提升挖掘的效率。

3、算力复杂问题

计算量非常大的原因主要是因为组合爆炸，例如某种边的类型只有10万条，但它对应的模式可能有11亿个。而我们的挖掘过程中，每增加一度都需要反复验证相应的业务指标。因此，算力复杂度主要来源于这些方面

对于这个问题，我们有两种解决方案。第一种是基于业务语义，对不合理的模式进行修剪。从业务应用的角度来修剪图，取得了很好的效果。第二种是从技术角度，引入图的外部存储，缓解了大规模图挖掘的内存压力

4、子图自同构问题

子图自同构，原本需要遍历所有子图进行对比，是一个np问题，比较难找到最优解。我们与高校合作，使用了数学的思路，将子图映射成一个数学函数，然后通过数学函数可以比较快速的对比。这个方法不能解决所有问题，但是能解决大部分问题。我们基于这个思路进行了分布式的实现，从而更好地做图挖掘，以及图模式的匹配。

四、回顾总结

我们的信贷风险控制建设始于2018年，基于专家总结的风险模式，转化为图模式匹配进行风险挖掘。这种方法具有高准确性，但风险覆盖范围相对较低。因此，在2019年，我们引入了团伙算法来解决聚集性风险。2020年，我们从图的静态切面分析图的当前信息，推进到分析图的时序演进状态，进一步捕捉团伙的发展和变化信息。2021年，我们实现了图平台规模化落地，实现了三线一体。在2022年和2023年，我们的主要工作是图的自动挖掘和分析

五、问答环节

Q1. 刚刚提到事中阶段会在线进行拦截，时延是120毫秒，线上用了什么样算法，还是用专家系统进行模式匹配？怎么做到120毫秒？

A：模式匹配和团伙发现是事后做的，社团的计算需要几十秒。事中主要是在图数据库中查了买家子图、卖家子图、买家卖家连通子图，主要做Traversal&Aggregate，进行表征向量抽取，然后进行深度学习模型的打分，这个过程大概消耗20毫秒左右。当然我们也在风控链路上做了许多优化，整套流程大概在70-80毫秒。

Q2. 20毫秒的查询会涉及到几度邻居查询？

A：买家和卖家子图往外扩两度，买家卖家连通子图则是各扩两度，并且各扩充两度后可以连通。

Q3. 事中查询时，图的切片如何选取？

A：图中有多个线程持续更新写入数据，当有访问请求时，会实时对被访问节点进行遍历和聚合

Q4. 图中节点表征的更新频率是什么？

图节点的表征是通过实时抽取计算得出的

Q5. 子图挖掘整体方案中，蓝色模块的评估任务，是自动化评估还是有业务专家介入评估？

这部分的评估是使用自动化评估方法进行的。我们会根据风险的候选集，在历时3-6个月的图表上进行回测。然后，根据历史数据中匹配到的模式，计算用户和商户的各种风险和业务指标。最后，根据业务要求进行自动化评估