Nebula 在 Akulaku 智能风控的实践：图模型的训练与部署

本文整理自 Akulaku 反欺诈团队在 nMeetup·深圳场的演讲，B站视频见：https://www.bilibili.com/video/BV1nQ4y1B7Qd

这次主要来介绍下 Nebula 在 Akulaku 智能风控的实践。分为以下 6 个部分内容：

• 图的基本概念与应用场景概述
• 图数据库选型
• 图数据库平台建设
• Nebula 应用案例
• 图模型的训练与部署
• 总结与展望

先来讲解下图的基本概念，图是由节点和边构成的描述关联关系的集合。图最大的优势就是比较形象，比如上图便是一个脱敏之后的欺诈团伙的图结构，可以看到某个用户和其他节点的关联关系是否存在异常。如果我们使用的是单纯的行式数据库（关系型数据库）是看不出来异常的，但是从图的角度就可以很容易地发现数据的异常。

再来讲解下图的应用场景，在 Akulaku 的场景中主要是图谱关系挖掘和可视化分析，以及图查询替代复杂查询。这里解释下图查询替代复杂查询，你的应用背景可能和图无关，但是涉及的后端操作具有一定的深度，用图的关系进行查询建模，就比较容易理解查询语句和维护操作。

再者是图数据库选型这块，先来讲一下 Akulaku 在图数据库选型上踩过的坑。刚开始我们使用 Neo4j，主要做一些关联性特征，Neo4j 查询效率较高但是可扩展性是短板，分布式的 Neo4j 性能和单机版效率相差不大。我们也尝试过其他图数据库，这里要说下我们的业务需求：

• 良好的可扩展性
• 快速的数据导入
• 良好的查询效率

展开来讲，Neo4j 不具备良好的可扩展性，所以 pass。由于我们的图规模非常大，主要是面向金融风控场景，图的规模能达到十亿节点、百亿级别边，所以需要快速的数据导入来做初始化。这里要说下我们尝试用过 Dgraph，之前我们阅读过它的相关学术论文，论文写得非常的好但是工程实现欠佳。尤其是批量导入这块，当你导入的数据超过一定量级之后会产生类似内存泄漏的问题，所以 Dgraph pass。

最后一点是良好的查询效率，这里要讲下 JanusGraph，它的优点是后端可以集成其他存储引擎，这也是当时测试 JanusGraph 的主要原因。但是当我们导入和初始化数据之后，发现它的查询效率非常的糟糕。

这里看下 Akulaku 团队对 Nebula Graph 做的可扩展性和查询性能测试：

• 图规模：10亿点，100亿边
• 测试方式：nebula-bench https://github.com/vesoft-inc/nebula-bench

• 查询语句：

  • 两个一度查询
  • 两个二度查询
  • 一个三度查询
• 随机源：注册手机号随机抽样 500 W个 phone

压测时从随机源 phone 随机查询其中 1 个数据。横轴为并发，纵轴为 QPS，不同颜色的曲线代表并发节点的个数，这里可以看到整个 Nebula Graph 的查询性能是比较好的。

图上可以看到，可扩展性大概在 12 台机器的时达到较高的性能，后续再添加节点个数，分布式的开销就要开始大于并发带来的效益。所以你会看到这个节点个数提高，查询性能会有所下降。这里说下我们做的查询，随机抽取 500 万个节点，进行多批查询，每一批查询中包含两个一度查询，两个二度查询和一个三度查询。测试过程中，我们还遇到热点问题，上图是最后验证的结果。

压测时，使用的 Nebula 版本是 v1.x，后来 Nebula v2.x 发布之后，Akulaku 团队开始尝试升级。但刚升级尝试 2.0.1 时，发现一些问题：

• Leader change

  • 导入数据的时候频繁出现 leader change，导致写入失败
  • 查询数据的时候没有发现
• 观察到 CPU 负载较高，主要是超大子图导致

第一个问题主要发生在导入数据的时候，会频繁出现 leader change，这个问题会影响到线上调用效率。还有个观察到的现象是，CPU 负载高，这是由部分超大节点导致的负载过高。所以就先回滚到了 v1.2 版本。在 v2.5.0 发布之后，Akulaku 团队又重新做了一个测试，和之前的压测方式差不多。

• 图规模：10亿点，100亿边
• 机器配置：7 台，256G，32 核
• 测试方式：nebula-bench https://github.com/vesoft-inc/nebula-bench

• 查询语句：

  • 两个一度查询
  • 两个二度查询
  • 一个三度查询
• 随机源：注册手机号随机抽样 500 W个 phone

在这个版本中，之前遇到的 leader change 和 CPU 负载过高的问题解决了。所以 Akulaku 团队尝试将 v2.5.0 应用到业务中。

上图右侧是并发数，左侧是 QPS。

下面来讲下图分析平台，主要围绕两块引擎：图数据库平台 Nebula Graph 和实时图计算引擎。因为 Akulaku 这边主要对接的应用场景为反欺诈，对实效性要求高，所以需要一系列的实时图算法。为了开发图算法，图分析平台需要一个实时图计算引擎。这些引擎依赖于离线调度，比如：landsat 任务调度平台、离线数仓、实时数仓的监控和任务监控等等模块。这块内容底层又依赖于大数据集群，比如常见的 Spark、Hive、Hadoop、Flink、HBase 等等。

所以这张图从上到下就是应用-平台-基础设施。

如果我们单独看一个图数据库平台：

图数据库平台搭建这块，Akulaku 团队主要做了两件事情：一个是数据导入和高可用，数据导入的话它是基于离线数仓，它既有批量写入，也有基于实时数据源的实时写入。实时的数据源这块，图数据库存储有两种模式：

一种是双集群的主备，即线上服务由两个主从集群提供，实时数据源会对主从集群做双写；

另外一种是单集群的方案，即每个应用可以有单独实例。

这样构建图数据库存储，支撑平台需要监控（服务和数据）、敏感数据沙箱、集群扩缩容、调度系统等等这些支撑模块。

从业务角度，整个平台的建设是为了基于图关系进行探索和可视化展示，上图只是个示意图并非业务中实际使用的图。

上文说到应用场景，现在来具体讲下 Nebula 在 Akulaku 的具体应用案例。

首先，主要应用在可视化欺诈案例分析与深度关联挖掘。第二，设备 ID 关联计算。最后也是最常见的一个应用，用于各种图模型的部署，包括标签传播等等。下面详细来讲解下。

上图是图可视化的欺诈案例的分析，上图依旧是个示意图并非真实数据图。反欺诈的调查人员通过图关系，使用图数据库的可视化的工具，对关联关系进行展开分析，包括图谱的下段等等操作，去查看的节点属性。

第二个案例，是设备 ID 关联计算，这属于刚才图概念部分说到的，它可能本身跟图没什么关系，只是用图来表示比较自然，而且也更加容易维护。具体展开来说，设备的 ID 需要通过一系列的要素来计算，但是欺诈分子会通过不停变更这些要素来试图绕过反欺诈策略。但其实变更要素时，它只能变更某一要素，其他要素和该要素还是保持着一定的关联。通过一定规则，用关联关系就能把它实际的映射关系找到。这个查询深度并不深，就是个一度的查询，其主要的难度并不在于逻辑，而是数据的一致性。举个例子，并发地操作计算设备的 ID 的话，那就会有数据一致性的问题。比如，删了一条不该删的边，加了一个不该加的数据，所以这个过程就需要对数据加锁。

具体加锁的方法，就是加锁某批涉及计算设备 ID 信息的节点，等计算完成后再释放节点，然后其他进程才能够对这个数据进行修改。

第三大类应用是图模型训练与部署，比如像部署子图展开类的图模型。这里来解释下图模型，就是这个模型的结果是抽取的子图经过计算得到，这里的子图一般由中心节点展开得到。具体的子图展开的图模型有哪些？比如，以当前节点为中心的子图特征，基于当前子图的标签传播的结果，或者是图卷积的模型。下面说下这里的难点在哪？

第一，回测上逻辑复杂。回测，主要指的是数据回溯，根据场景要求需获取事件发生时的图关系，进行特征抽取和模型构建， 逻辑相对复杂。此外，在图模型的部署上时效性要求也很高。如果这个模型是反欺诈场景的话，一般要将模型部署在授信或者是下单环节，时效性要求较高。根据图模型训练与部署应用场景的不同特点，会有下列 4 个思考的角度：

1. 业务环节的时效性要求。比如说，授信环节相对来说它的时效性要求会比下单环节要低一些；
2. 子图规模。看部署模型涉及到的子图规模是多大，如果很大的话，允不允许取样？如果取样不允许的话，我们用什么方法处理？
3. 图更新频率和模型调用量相比，谁比较多？
4. 回测复杂度，它的数据量是大还是比较小？

下面举几个例子。

第一个例子，授信环节的子图特征。

具体来说，授信环节时，需要获得一个 uid 所属的子图的特征计算，比如说，N 度子图节点的占比或者是拓扑特征。这个业务环节的时效性要求相对低一些，这是第一个特点。第二个特点，子图规模可能大，可能会遇到爆炸节点的情况，但又不允许取样。第三个特点，子图更新数据量是远远大于模型的调用量。这代表什么呢？就是单位时间授信申请的授信额度申请量，是远小于图更新的频率。第四个特点，回测比较小。

针对上面的 4 个特点，采取什么方案呢？因为它更新的数据量远远大于模型的调用量，所以最好是在模型调用的时候直接去计算它的特征，而分数回测是可以基于图数据库的，就是说直接按照历史模型调用的事件来做分数的回测。由于模型计算是在业务环节调用时去做查询，所以需要确保这个图数据库集群的可用性。

第二个例子是下单环节的标签传播。

具体来说，标签传播是从节点上的一个标签，比如黑灰标签或者特定的业务属性标签，根据一定的规则做传播。那么，标签传播场景有什么特点？

第一点，业务环节的时效性要求会比较高，因为它是下单环节，不能有很大的延迟，否则就会卡单。第二点，子图规模和上面一样，存在爆炸子图的可能。比如说，三度子图可能是几百万的数量级，而且这个子图不能采样。为什么不能采样呢？因为标签传播涉及业务规则，采样可能会影响分数的稳定性，所以一般来说不允许采样。第三点，更新的数据量是远小于模型的调用量，即图更新的频率小，但是调用的次数多。那，什么时候做子图计算呢？在数据更新的时候进行计算，这样需要计算的数据量比较小。而下单环节的标签传播回测的数据量会比较大，单纯从数量来说，下单的数量会远大于授信申请的数量。

针对上述特点，更新数据量小于模型调用量（在业务环节调用分数的数量）的话，在图更新时去计算模型的结果。这样做有个好处，就是你调用结果和模型计算的过程，和调用分数的过程是解耦的。也就是说，业务环节直接调用分数，计算又不是实际环节的调用，只是这里需要允许一定的延迟。这样处理，相当于有两个流程，一个是离线流程，T+1 做分数校正；一个是实时流程，上图右侧实时图模型的部署。实时数据源的数据一更新，系统便去更新标签传播的值，而业务环节的分数调用是通过模型结果的查询服务来调取，而不是直接去查图数据库，这样就分离了查询和计算，甚至能做到无痛升级图数据库，也不影响线上服务。

上面的处理方案因为有两个数据流（离线数据流和实时数据流），所以系统复杂度较高，而且需要保持数据的同步。

第三个例子，下单环节的图卷积。

具体来说，基于属性图的节点属性计算图卷积，下单环节调用图卷积结果。它的特点和上一个例子有点相似，业务环节的时效性要求高。子图规模也可能存在爆炸子图，同样也不允许取样。这个场景下，它和前面第二个例子一样，更新的数据量会小于模型的调用量，下单环节下单量比较大，回测的数据量也是比较大。所有我们有一个上图右侧的架构处理，就是系统有一个 T+1 的校正。即每天有个整体的 T+1 的图卷积过程去更新图卷积结果，并且实时地通过实时数据源去驱动分数的局部更新。所以，它是一个 T+1 的全量刷新，加一个实时的局部刷新。

以上为 Nebula 在 Akulaku 团队的三个应用。

总的来说，Nebula 对 Akulaku 最大的价值是优异的导入性能，以及可扩展性。这里说下它的导入速度，非常的快，QPS 能够达到 11 万，当然是异步写入。这个数据比其他的图数据库好很多，当然可扩展性也非常好。具体应用上，Nebula Graph 其实应用到 Akulaku 图学习模型的部署的很多场景中，后续我们会着力于提高这个平台的稳定性，持续地反馈建议到社区来共建产品。此外，会进一步优化图分析的平台，降低图模型、回测和模型部署的难度。