欺诈 图数据库

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

识别出团伙欺诈的蛛丝马迹。即使偶尔发现个别异常行为，也难以将其与整个团伙的欺诈活动联系起来，从而无法做到连根拔起，导致欺诈行为屡禁不止。图数据库：反欺诈的“秘密武器”在传统反欺诈手段陷入困境之时，图数据库宛如一位横空出世的超级英雄，为反欺诈领域带来了新的曙光。那么，图数据库究竟是什么呢？从本质上讲，图数据库是一种非关系型数据库，它以图形结构来存储和管理数据，其核心构成要素是节点、边和属性。节点，就如推荐服务。在反欺诈场景中，图数据库的优势同样显著。它能够将各类数据，如用户信息、交易记录、设备信息、IP地址等，以节点和边的形式有机地整合在一起，构建出一个庞大而复杂的关系网络。在这个网络中，任何一个节点或边的变化都可能引发连锁反应，从而为反欺诈分析提供丰富的线索。当一笔交易发生时，图数据库可以迅速关联到该交易对应的用户节点、账户节点、设备节点以及与之相关的其他交易节点，通过分析这些节点之间的关系，快速识别出这可能是一笔欺诈交易，及时发出预警，为金融机构和用户挽回损失。图数据库之所以能够在反欺诈领域发挥如此重要的作用，还得益于其高效的查询性能。与传统数据库不同，图数据库采用了独特的索引自由邻接技术

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

图数据库：风控反欺诈的智能新护盾金融欺诈的新挑战在金融行业蓬勃发展的当下，欺诈问题如影随形，传统的反欺诈手段在应对这些复杂多变的欺诈行为时，逐渐暴露出其局限性。规则引擎作为传统反欺诈的重要工具，主要行为，往往难以察觉。图数据库登场（一）何为图数据库在应对金融欺诈这一复杂挑战时，图数据库应运而生，成为金融机构的有力武器。那么，究竟什么是图数据库呢？从概念上讲，图数据库是一种专门用于存储和处理图数据的数据库系统，它以图论为理论基础，使用图模型来表示和存储数据。在图数据库中，数据被抽象为节点（也称为顶点）和边。节点代表各种实体，比如在金融场景中，节点可以是用户、账户、交易记录等；边则表示节点之间的关系，像用户与账户之间的归属关系，账户与交易记录之间的操作关系等。每个节点和边都可以拥有多个属性，用来描述它们的特性。（二）独特优势图数据库在处理复杂关系数据时，展现出了诸多传统数据库无可比拟的优势。在存储方面，传统数据库通常采用表格形式存储数据，当数据之间的关系复杂时，需要通过外键等方式来建立关联，这不仅增加了数据存储的复杂性，还可能导致数据冗余。而图数据库直接以节点和边的形式存储数据关系，能够更

建立的关联等。边可以带有权重，如交易金额、交易频率等属性。二、图数据存储存储选型图数据库选择：根据数据规模、性能要求和应用场景选择合适的图数据库。分布式存储考虑：对于海量的图数据，可能需要采用分布式存储解决方案。分布式图数据库可以将数据分布在多个节点上，提高存储容量和处理能力，同时保证数据的一致性和可用性。存储架构设计数据分区：根据业务需求和数据特点对图数据进行分区存储。例如，可以按照地域、业务类型反欺诈图数据解决方案是利用图数据技术来识别和防范欺诈行为的一套综合策略，以下是详细内容：一、数据收集与整合数据源确定内部数据源：包括企业或机构自身的交易系统、客户关系管理系统、账户管理系统等。从这索引。三、图数据分析与建模关联分析实体关联挖掘：通过图遍历算法（如深度优先搜索、广度优先搜索）来挖掘实体之间的潜在关联。交易链路分析：分析资金的流动链路，识别异常的交易路径。模式识别欺诈模式定义：根据历史欺诈案例和行业经验，定义常见的欺诈模式。如团伙欺诈模式（多个关联账户协同作案）、虚假身份欺诈模式（使用伪造身份开设账户进行交易）等。基于图算法的模式匹配：利用图匹配算法（如子图同构算法）在图数据中

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

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

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。...

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•...

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

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。

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"}...