图数据库在金融领域的应用

数据量和复杂的数据关系，包括客户关系、交易流程、市场等。传统的关系型数据库在处理此类数据时可能会面临性能和效率上的挑战。而金融图数据库正是为了解决这些问题而设计的。金融图数据库的特点：强大的查询能力金融图数据库是一种专门用于处理金融数据的数据库，使用一种被称为图的数据结构来存储和处理数据。与传统的关系型数据库相比，图数据库的主要优势在于其能够高效地处理复杂的数据关系和查询。金融行业具有庞大的：由于金融数据之间存在复杂的关系，传统的查询方式可能效率低下。而图数据库可以利用图的结构来表示和优化数据之间的关系，使得查询变得更加高效。例如，可以通过遍历图中的节点和边来查找特定关系的数据，而无需进行多重联接和复杂的查询语句。灵活性和可扩展性：金融行业的数据往往存在频繁的变动和更新，传统的关系型数据库可能需要进行大量的表结构修改和数据迁移。而图数据库可以更加灵活地处理数据模式的变动，无需修改表结构，只需要添加或删除节点边即可。这样，金融机构可以更快速地响应市场的需求和变化。强大的数据分析和挖掘能力：金融行业需要进行大量的数据分析和建模工作，以支持风险管理、业务决策等方面。利用金融图数据库可以进行

技术在反洗钱(AML)方面有广泛的应用，通过天然的图的复杂网络分析能力和超强算力能力，能够更准确、更高效地识别洗钱交易。图数据库在反洗钱领域中的典型应用包括：实体关系分析、风险评估、异常检测、实时分析、可视化分析等。应用案例1：某全国性股份制银行利用星环科技分布式图数据库StellarDB+知识图谱平台SophonKG，建立了基于企业关联图谱的小微企业风险事件图谱，开展了企业客户风险传播分析。该流分析，利用图结构、图嵌入等技术，整合结构化数据，形成知识图谱，开展金融欺诈检测业务应用。该场景的应用效果显著，如对公客户风险召回和准确率在速度提升百倍，实现了风险传播和风险社团的可视化发现和展示。多样，且洗钱及相关上游犯罪呈上升趋势，在金融机构合规管理之中，是一项非常重要的内容，属于典型的监管科技应用。为了逃避侦查，洗钱分子在进行交易时，往往会制造出错综复杂的关系，使资金网路内节点众多交错，所以图银行基于处罚数据、第三方数据、舆情数据、公告数据、历史事件数据等，利用星环科技的图数据库和知识图谱平台，结合风险预警体系，通过深度分析等技术，分析风险事件对企业/个人事件主体的影响和事件要素，形成

数据量和复杂的数据关系，包括客户关系、交易流程、市场等。传统的关系型数据库在处理此类数据时可能会面临性能和效率上的挑战。而金融图数据库正是为了解决这些问题而设计的。金融图数据库的特点：强大的查询能力金融图数据库是一种专门用于处理金融数据的数据库，使用一种被称为图的数据结构来存储和处理数据。与传统的关系型数据库相比，图数据库的主要优势在于其能够高效地处理复杂的数据关系和查询。金融行业具有庞大的：由于金融数据之间存在复杂的关系，传统的查询方式可能效率低下。而图数据库可以利用图的结构来表示和优化数据之间的关系，使得查询变得更加高效。例如，可以通过遍历图中的节点和边来查找特定关系的数据，而无需进行多重联接和复杂的查询语句。灵活性和可扩展性：金融行业的数据往往存在频繁的变动和更新，传统的关系型数据库可能需要进行大量的表结构修改和数据迁移。而图数据库可以更加灵活地处理数据模式的变动，无需修改表结构，只需要添加或删除节点边即可。这样，金融机构可以更快速地响应市场的需求和变化。强大的数据分析和挖掘能力：金融行业需要进行大量的数据分析和建模工作，以支持风险管理、业务决策等方面。利用金融图数据库可以进行

交易关系、金融机构之间的合作关系等。每条边同样可以具备属性，用来描述关系的具体细节，比如交易关系的边可能包含交易时间、交易金额、交易渠道等属性。二、亿级金融图数据库的优势（一）高效处理复杂金融关系在金融领域，各种实体之间存在着错综复杂的关系。而亿级金融图数据库通过节点和边的结构，能够清晰地表示这些复杂关系。只需从代表投资者的节点出发，沿着交易关系的边进行遍历，就能快速获取到其所有交易记录，以及与之数据量呈现出爆发式增长。亿级金融图数据库采用分布式架构，具备强大的横向扩展能力。它可以通过添加更多的服务器节点，将数据分布存储在多个节点上，从而实现系统性能和存储容量的线性扩展。当数据量增加时，只需大数据，都能游刃有余。（三）灵活的数据模型金融业务具有高度的动态性和复杂性，业务规则和需求经常发生变化。而亿级金融图数据库的数据模型非常灵活，它不需要预先定义严格的数据模式。在图数据库中，节点和边的属性要求极高。亿级金融图数据库凭借其独特的数据结构和查询算法，能够实现毫秒级的查询响应速度。在处理实时交易数据时，它可以快速定位到相关的交易记录、账户信息等，为交易决策提供及时的数据支持。在欺诈检测方面，图

风控、反欺诈、投资和信贷决策等众多场景。通过在图中存储和分析不同实体之间的关系，可以准确识别欺诈，降低风险。物流和运输：物流和运输领域也是图数据库的应用场景之一。例如，通过在图中存储城市、仓库、货物。政企领域：在国家推行智慧城市项目的背景下，图数据库技术可在智能交通、智能电网、数字政务等场景应用，打通政、企、民三端，服务政企，惠及民生。零售领域：图数据库技术通过整合用户的浏览习惯和购买历史，可以图数据库（GraphDatabase）是一种基于图形模型的数据库，适用于存储、管理和查询关联数据。在图数据库中，数据以节点和边形式表示，其中节点表示实体，边表示实体之间的关系。图数据库的应用场景图数据库的应用场景非常广泛，包括但不限于以下几个方面：社交媒体：社交媒体中的用户和关系可以建模为图结构，使用图数据库可以更方便地管理和查询这些社交数据，实现更精确的社交关系分析。金融：图数据库可以用于合规分析出各类商品的潜在用户群体，实现智能推荐和精准营销，为买家提供良好购物体验的同时，也使商家利益大化。图数据库适用于处理具有复杂关联度数据的场景，这些场景包括但不限于社交媒体、金融、物流、医疗、政企和

数据量和复杂的数据关系，包括客户关系、交易流程、市场等。传统的关系型数据库在处理此类数据时可能会面临性能和效率上的挑战。而金融图数据库正是为了解决这些问题而设计的。金融图数据库的特点：强大的查询能力金融图数据库是一种专门用于处理金融数据的数据库，使用一种被称为图的数据结构来存储和处理数据。与传统的关系型数据库相比，图数据库的主要优势在于其能够高效地处理复杂的数据关系和查询。金融行业具有庞大的：由于金融数据之间存在复杂的关系，传统的查询方式可能效率低下。而图数据库可以利用图的结构来表示和优化数据之间的关系，使得查询变得更加高效。例如，可以通过遍历图中的节点和边来查找特定关系的数据，而无需进行多重联接和复杂的查询语句。灵活性和可扩展性：金融行业的数据往往存在频繁的变动和更新，传统的关系型数据库可能需要进行大量的表结构修改和数据迁移。而图数据库可以更加灵活地处理数据模式的变动，无需修改表结构，只需要添加或删除节点边即可。这样，金融机构可以更快速地响应市场的需求和变化。强大的数据分析和挖掘能力：金融行业需要进行大量的数据分析和建模工作，以支持风险管理、业务决策等方面。利用金融图数据库可以进行

交易关系、金融机构之间的合作关系等。每条边同样可以具备属性，用来描述关系的具体细节，比如交易关系的边可能包含交易时间、交易金额、交易渠道等属性。二、亿级金融图数据库的优势（一）高效处理复杂金融关系在金融领域，各种实体之间存在着错综复杂的关系。而亿级金融图数据库通过节点和边的结构，能够清晰地表示这些复杂关系。只需从代表投资者的节点出发，沿着交易关系的边进行遍历，就能快速获取到其所有交易记录，以及与之数据量呈现出爆发式增长。亿级金融图数据库采用分布式架构，具备强大的横向扩展能力。它可以通过添加更多的服务器节点，将数据分布存储在多个节点上，从而实现系统性能和存储容量的线性扩展。当数据量增加时，只需大数据，都能游刃有余。（三）灵活的数据模型金融业务具有高度的动态性和复杂性，业务规则和需求经常发生变化。而亿级金融图数据库的数据模型非常灵活，它不需要预先定义严格的数据模式。在图数据库中，节点和边的属性要求极高。亿级金融图数据库凭借其独特的数据结构和查询算法，能够实现毫秒级的查询响应速度。在处理实时交易数据时，它可以快速定位到相关的交易记录、账户信息等，为交易决策提供及时的数据支持。在欺诈检测方面，图

技术在反洗钱(AML)方面有广泛的应用，通过天然的图的复杂网络分析能力和超强算力能力，能够更准确、更高效地识别洗钱交易。图数据库在反洗钱领域中的典型应用包括：实体关系分析、风险评估、异常检测、实时分析、可视化分析等。应用案例1：某全国性股份制银行利用星环科技分布式图数据库StellarDB+知识图谱平台SophonKG，建立了基于企业关联图谱的小微企业风险事件图谱，开展了企业客户风险传播分析。该流分析，利用图结构、图嵌入等技术，整合结构化数据，形成知识图谱，开展金融欺诈检测业务应用。该场景的应用效果显著，如对公客户风险召回和准确率在速度提升百倍，实现了风险传播和风险社团的可视化发现和展示。多样，且洗钱及相关上游犯罪呈上升趋势，在金融机构合规管理之中，是一项非常重要的内容，属于典型的监管科技应用。为了逃避侦查，洗钱分子在进行交易时，往往会制造出错综复杂的关系，使资金网路内节点众多交错，所以图银行基于处罚数据、第三方数据、舆情数据、公告数据、历史事件数据等，利用星环科技的图数据库和知识图谱平台，结合风险预警体系，通过深度分析等技术，分析风险事件对企业/个人事件主体的影响和事件要素，形成

关系的技术趋势。当前，对图数据库的需求应用场景不断增多。从计算和分析数据的角度来看，图数据库的性能比传统数据库提升了百倍以上。在金融、电信等多个领域都面临着巨大的需求。基于数据关联特征和问题相似性图数据库的应用原理是通过查询和分析连接数据，建立关联并对海量数据进行分析和挖掘。与其他类型的数据库相比，图数据库具有操作便捷、数据直观、存储模式灵活和应用场景丰富等优势。因此，图数据库是未来处理复杂数据，典型的图数据库应用场景包括：反欺诈、推荐引擎、知识图谱、主数据管理、地理空间分析和社交网络等。星环分布式图数据库-TranswarpStellarDBTranswarpStellarDB是星环科技自主研发的企业级分布式图数据库，提供高性能的图存储、计算、分析、查询和展示服务。StellarDB支持原生图存储,千亿点、万亿边、PB级大规模图数据存储;具备10+层的深度链路分析能力，提供丰富的图分析表现，StellarDB获得了多家行业权威机构认可，中国信通院重磅发布的2022大数据十大关键词，星环科技作为图计算平台国内代表厂商入选信通院“图计算平台”关键词图谱。此前更是通过了中国信通院图数据库和图计算平台基础能力两项专项测评。

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。