在现代欺诈及各种类型的金融犯罪中,欺诈者通常是使用改变自身身份等手段,来达到逃避风控规则的欺诈目的。而图数据可通过建立跟踪全局的用户跟踪视角,实时的利用图数据库来分析欺诈行为的离散数据,识别欺诈环,在最大程度上快速防范和解决欺诈行为。

示例

我们以以下几种欺诈场景分别举例:

  • 信用卡欺诈

    信用卡欺诈一般是由诈骗者偷取或复制受害者信用卡,冒充受害者进行消费,可以根据最近的消费记录分析,实际消费是否属于同一个人。

    //用户信用卡基本信息
    gremlin> g.V('jason').valueMap(true)
    ==>[id:jason,label:credit card,address:[jiujiang-NO.1 middler school],birthday:[1990-09-09],cardNum:[1111-2222-3333-4444-5555],password:[xxxxx],phone number:[1234567]]
    //用户最近消费记录
    gremlin> g.E().hasLabel('records').valueMap(true)
    ==>[id:credit card record,label:records,card number:[1111-2222-3333-4444-5555],consumption location:[jiujiang],consumption time:[2019-03-25 14::00],customer:[jason],money:[200RMB],seller:[xinhua bookstore]]
    ==>[id:credit card record1,label:records,card number:[1111-2222-3333-4444-5555],consumption location:[beijing],consumption time:[2019-03-25 19::00],customer:[jason],money:[300RMB],seller:[heaven bar]]
    //用户同一张信用卡相隔5小时内,分别在九江和北京刷卡两笔,根据地点和时间分析,通知持卡人异常消费,并报警协助追踪信用卡盗刷者。
  • 银行欺诈

    银行欺诈者通常使用合成账户来执行预谋的犯罪活动。罪犯可能会从十个不同的人那里窃取身份信息。罪犯然后混合并匹配社会保障号码、地址、电话号码和电子邮件地址,创建“新”合成身份,然后用于开设银行账户。应用这些账户来进行欺诈钱财转移。

    //受骗的用户。
    gremlin> g.V().has('status', 'cheated').valueMap(true)
    ==>[id:lisi,label:accounts,status:[cheated]]
    ==>[id:liuliu,label:accounts,status:[cheated]]
    ==>[id:yangwu,label:accounts,status:[cheated]]
    ==>[id:zhangsan,label:accounts,status:[cheated]]
    //受骗用户的钱都转到了同一个骗子中间账户上。
    gremlin> g.V().has('status', 'cheated').out().valueMap(true)
    ==>[id:fraud,label:accounts,status:[not arrested]]
    ==>[id:fraud,label:accounts,status:[not arrested]]
    ==>[id:fraud,label:accounts,status:[not arrested]]
    ==>[id:fraud,label:accounts,status:[not arrested]]
    //骗子中间账户的资金流向。
    gremlin> g.V('fraud').out().valueMap(true)
    ==>[id:other,label:accounts,status:[get money and run away]]
    //根据银行诈骗账户的资金流向追踪诈骗者。实际情况可能比这复杂,但建立图数据模型可以清晰的追踪骗子卷钱转移的路径。