交流图数据库技术？加入 Nebula 交流群请先填写下<a href="https://wj.qq.com/s2/8321168/8e2f/">「你的 Nebula 名片」</a>，Nebula 小助手会拉你进群~~
<hr />
<img src="https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/community-star/community-star-2025.jpg" alt="" />
<hr />
交流图数据库技术？加入 Nebula 交流群请先填写下<a href="https://wj.qq.com/s2/8321168/8e2f/">「你的 Nebula 名片」</a>，Nebula 小助手会拉你进群~~
<img src="https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/qrcode-wechat.png" alt="" />

用户案例

周边工具

特性讲解

开发日志

技术分享

产品实践

社区动态

行业科普

新闻资讯

发版说明

安装部署

解决方案

架构系列

源码解读

NUC2022

性能报告

2025 NebulaGraph 社区之星璀璨揭晓！

Nebula 架构剖析系列（零）图数据库的整体架构设计

NebulaGraph发布企业版 v3.4.0，深入探索数据价值

美团：主流图数据库厂商选型报告 NebulaGraph vs Dgraph vs JanusGraph

中国移动：NebulaGraph 图数据库在金融风控中的落地应用

如何用 NebulaGraph 图技术搞定 7 个典型社交网络应用？

交流图数据库技术？**加入 Nebula 交流群**请先填写下[「你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

---

很多技术团队都走过同样的路：先选一个大模型，然后把公司里的文档、手册、报告塞进向量数据库，再搭一个 RAG 问答系统。原型跑起来那天的感觉特别好，问什么答什么，反应快，看起来像模像样。

但系统真正投入业务之后，问题就来了。

一旦问题变得复杂，系统就开始答非所问。有时候它给出的答案看起来头头是道，但细查来源，发现推理过程根本站不住脚。

团队换过更贵的模型，效果有改善，但一到复杂问题就崩的现象，始终没有根除。

后来大家慢慢意识到：问题可能不在模型本身，而在于知识被喂给模型之前的那一步——检索。

# 一、传统 RAG 正在把企业知识切碎

RAG（检索增强生成）是目前企业用大模型的普遍做法。用户提问，系统先从知识库找出相关文字，连问题一起丢给大模型，让模型根据这些文字回答。

传统 RAG 依赖向量检索，做法是：

* 把每篇文档切成文本块（chunk），比如每块 500 字
* 把每个块转化成高维向量
* 用户提问时，把问题也转化成向量，去库里找语义最相似的块

对一般场景中的简单问答，这个方法有效。

但企业里的真实问题，极少是这种点对点查询。因为企业知识的核心是关系。

* 归因关系：如设备故障手册里的故障现象和根本原因
* 传导关系：如产业链分析报告的上游价格和下游需求
* 前后依赖关系：如 SOP 流程文档的不同步骤
* 层级关系：如产品手册的零部件和子系统

**而传统 RAG 的第一步：切文本块，恰恰把这些关系切断了。**

> “客户 A 为什么被判定为高风险？”

背后可能涉及：用户 → 设备 → IP → 联系人 → 黑名单账户 → 历史交易 → 欺诈团伙，这不是一个文本块能回答的问题。

> “某设备关联过哪些异常账号，这些账号之间有没有共同联系人？”

这里需要的是关系推理、多跳遍历、结构化关联，而不是语义相似。

使用传统 RAG，非常可能出现以下几大问题[1]。

## （一）关系缺失

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/1.webp)

文档之间天然存在引用、衍生、对立等复杂关系，向量数据库将文档切分为孤立的片段后，数据的关联随之减弱。

一个因果链条可能跨越三个段落，被切成三个独立文本块后，关系被破坏。一个产品特性可能分散在不同章节，被切碎后，模型再也看不到完整画像。

## （二）语义鸿沟

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/2.webp)

语义相似度 ≠ 上下文相关性 。举个相似但不相关的例子，保温杯与保温大棚，两者在转换成 Embedding 后的向量相似性很高，因为它们在很大比例上共享“保温”这一语义特征。但在一些场景下，想要了解保温杯却召回了保温大棚的信息。一个是喝水的，一个是用于农业种植的，完全不相关。

RAG 在索引阶段即使设置了比较高置信度，也很可能因为其相似性而得到不相关的信息。

## （三）全局推理乏力

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/3.webp)

"所有文档的核心观点是什么？"、"政策中最重要的五点信息是什么？"。这类需要跨文档综合分析、提炼的全局性、社区级问题，恰恰是向量检索的局限之处。

# 二、企业知识天然就是一张图

有没有一种方式，能**完整保留知识之间的关联**？

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/4.webp)

**答案是图数据库（Graph Database）。图数据库由节点和边构成。节点代表事物，边代表关系，每个节点和边都可以定义其属性。**

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/5.webp)

事实上，NebulaGraph 在微软之前就率先提出了 GraphRAG[2]，而且微软在论文中也引用了我们的 GraphRAG 相关工作[3]。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/6.webp)

NebulaGraph 是分布式开源图数据库，主要面向大规模、高性能的应用场景，支持千亿点、万亿边的超大规模数据集。目前，在 DB-Engines 的图数据库排行榜上，我们排名全球第二[4]。

**企业知识本质上就是一张巨大的图**，只是平时藏在文档、表格、邮件里，没有被显式表达出来。

产业研报，变成图：

节点：上游企业、中游厂商、下游需求、价格指标、产能数据
边：上游→中游（供应关系）、中游→下游（需求关系）、价格→产能（影响关系）

设备维护手册，变成图：

节点：设备型号、故障现象、可能原因、检测方法、解决措施
边：现象→可能原因、原因→检测方法、方法→解决措施

这些关系一旦被显式构建出来，企业知识就不再是散乱的文本，而是一个**可以被系统遍历和推理的网络**。这就是 GraphRAG 最简单的出发点。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/7.webp)

GraphRAG 不是简单地给 RAG 加一个图数据库。它的本质是抽取文档中的实体和它们之间的关系，让大模型在关系网络上做路径探索和逻辑推理，而不是在碎片里做相似匹配。

# 三、GraphRAG：从“找相似的”到“找相关的”

图技术如何解决传统 RAG 的三大挑战？

## （一）解决文档切分难题

向量数据库的第一步是切文本块。

图模型提供了完全不同的思路。文档、章节、段落可以作为具有丰富属性的节点存在，并通过边明确表达其间的层级关系和引用关系。语义被结构性地保留下来，不需要靠“切”来牺牲完整性。

## （二）重建上下文关联

一个多级部门文档体系，在向量数据库中，这些文档被切成文本块后是“平权”的——一级和三级的内容混在一起，无法保留层级、来源和引用关系。

在图数据库中，可以清晰地建模“发布”“引用”“归属”等关系。一篇三级报告引用了一级纲领的某条原则，这个关系可以被显式记录下来。当用户问“这份报告的合规依据是什么”，系统可以沿着引用边一路回溯到纲领原文，形成可追溯、可解释的知识链条。

## （三）解锁复杂推理能力

对于关联类问题。图数据库可以通过子图搜索、路径查询轻松找出两个节点之间的连接路径，即使这条路径跨越了多个中间节点。

对于总结推理类问题，图数据库可以利用社区发现、中心性分析等图算法，识别出知识网络中最关键、最聚合的信息群，而不是像向量检索那样简单返回相似度最高的几个段落。

##  （四）小结

保留结构、重建关联、支持推理，这三大核心能力正是 GraphRAG 区别于传统 RAG 的本质所在。并且结果更精确，更重要的是每一步推理路径都可以完整展示给用户。

# 四、Fusion GraphRAG：**NebulaGraph 的自我超越**

## （一）Fusion Graph Index（融合图索引）

技术不会止步。随着企业数据越来越复杂——PDF、Excel、PPT、图片、时序数据混在一起，GraphRAG 遇到了新挑战：**如何在一个系统里同时处理文档结构、实体关系、语义相似性？**

**为此，NebulaGraph 提出了原创的 Fusion GraphRAG 架构。**

Fusion GraphRAG 在知识图谱之上，创新地增加了一层 **Fusion Graph Index（融合图索引）**，将非结构化文档解析为层次化目录树结构：文档 → 章节 → 段落 → 文本块 → 图表。

这种树状结构直接置于 LLM 的推理上下文中，成为它可以主动遍历和推理的上下文内索引。

也就是说，Fusion GraphRAG 让文档的层次化结构本身即可作为可推理的索引，让 LLM 根据问题意图动态决定“去哪里找”，而非静态匹配“什么看起来像”，给 LLM 装上了智能导航。

这种能力的本质，是**让检索从静态匹配，开始进入动态结构推理阶段。**

## （二）四大索引能力

因此，在 Fusion GraphRAG 中，实际上**存在四类核心索引能力：**

* 图索引负责实体关系与多跳路径推理；
* 向量索引负责语义相似召回；
* 全文索引负责关键词精准匹配；
* 融合图索引则负责文档结构导航与上下文推理。

四种索引能力各司其职，又动态协同。

* 简单 FAQ 场景下，向量检索可以快速返回结果；
* 复杂关系分析则更多依赖图路径推理；
* 专业术语与法规查询适合全文检索；
* 长文档、多章节、跨引用场景，则由融合图索引主导结构导航。

这一设计带来了显著的效率提升：

* 相比使用大模型抽取知识图谱，索引构建速度提升约 10 倍；
* 在与微软 GraphRAG 的对比中，索引阶段更是快了近 20 倍，同时问答准确率更高。

# 五、NebulaGraph AI 应用平台

Fusion GraphRAG 是技术方案。企业需要的是**可以直接用的产品**。

NebulaGraph AI 应用平台正是基于 Fusion GraphRAG、以 NebulaGraph 图数据库为引擎的完整产品。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/8.webp)

## （一）核心能力

* **零代码搭建智能助手**：通过可视化界面导入知识资产、配置检索策略，不用写代码
* **自然语言直接转换图查询语言**：业务人员能够自主构建算法，无需依赖研发团队，快速将业务规则落地图分析中
* **多类型索引统一存储**：将向量、全文、图和融合图索引建立在一个平台内，系统自动选择最优索引策略
* **多模态解析**：PPT、Word、Excel、PDF、图片可快速解析。
* **企业级权限隔离**：不同部门知识集相互隔离，可按区域、产品线做二级隔离
* **模型无关**：底层大模型可随时更换，支持 GPT、通义、 DeepSeek、 GLM 等大模型。

## （二）生态完整

我们构建了完整的 AI 应用开发生态：

* **Nebula AI Application SDK**：为开发者提供灵活调用的工具包。
* **Nebula AI 应用平台**：零代码开箱即用的端到端平台，用户只需选择知识库，即可创建专属 AI 应用。


# #（三）场景多元

**目前，NebulaGraph AI 应用平台已在以下场景中通过实际业务检验。**

* 金融与数据分析：财报分析与跨文档校对、历史交易文档查询对比、产业链AI研究（如黑色系）；
* 工业与智能制造：故障树处理与排故引导、工业决策辅助；
* 法律合规与合规：法律法规条款查询、合同合规性审核；
* 企业通用智能助手：钉钉/企微机器人问答、网站 AI 搜索、业务流程入库与图查询、新零售企业内部智能助手（员工培训/文档查找/销售数据分析/多国法务合规等）。

## （四）正确率显著提高

在开源 KG-RAG 评测集（专门测试多跳推理，问题平均需要2-4跳）上，**召回率和回答正确率比 SOTA 高出 10% 以上。**

在金融类法律法规的真实企业场景中，人工评分正确率达 95%。

# 六、用户案例

## （一）中国船舶集团第七O八研究所：故障树处理与引导排故

**1. 挑战**

客户有大量的非结构化文档， 文档内有故障树描述（树状描述， 或者文字描述）、

引导排查故障的方法（维修记录等），且涉及高端船舶制造，产品设计及排障流程复杂。

**2. 成效**

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/9.webp)

故障平均排查时间大幅缩短。同时，每次成功排故后，工程师的查询路径被系统记录下来，数千个故障场景的推理路径沉淀为企业可复用的数字资产。新工程师遇到类似问题时，系统可以直接推荐历史成功路径。

这是行业首个船舶生成式人工智能驱动的实际应用场景通过实现图驱动的检索增强智能体，优化了信息检索的准确性和速度，提高了系统的灵活性和适应性。

## （二）某期货企业：产业链 AI 研究助手

**1. 挑战**

某期货企业的研究员每天要跟踪黑色系产业链。上游焦煤、焦炭、铁矿石的价格和库存，影响中游钢厂的产能决策，再传导到下游建筑、制造、出口的需求。研究员同时盯着十几个数据源，外加大量历史研报和实时资讯，导致一份日报需要耗时 4-6h。

**2. 成效**

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/ai-application-platform-introduction/10.png)

显著减少人工分析时间，单份日评制作时间降低至 30min 以内，自动化生成专业、及时、准确的黑色系期货日评报告。

# 七、重新定义 AI 如何理解知识

回到开头的困惑，为什么接了模型、建了向量库，复杂问题还是答不好？答案已经清晰了。

你给大模型看的，是被切碎的、断了关系的文字碎片，却指望它能理解那些依赖复杂关系才能回答的问题。

传统 RAG、GraphRAG 与 Fusion GraphRAG 代表了检索增强生成技术从简单语义匹配，到全局结构理解，再到动态推理导航的演进路径。

在这条路上，NebulaGraph 从未缺席。从率先提出 GraphRAG 方案，到推出原创的 Fusion GraphRAG 架构，再到今天的 NebulaGraph AI 应用平台，我们一直在做同一件事：**重新定义 AI 如何理解知识。**

> **填写[咨询问卷](https://wj.qq.com/s2/15344088/w7ei/)，与我们取得联系**

---

✨💡 NebulaGraph AI 应用平台为企业版产品

引用

[1]RAPTOR- RECURSIVE ABSTRACTIVE PROCESSING FOR TREE-ORGANIZED RETRIEVAL， arXiv:2401.18059

[2][Graph RAG: 知识图谱结合 LLM 的检索增强.](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515631&idx=1&sn=5215688c309d84c428b6b770e7c0dfc1&scene=21#wechat_redirect)

[3]From Local to Global: A Graph RAG Approach to Query-Focused Summarization, arXiv:2404.16130

[4][NebulaGraph 全球图数据库排名第二.](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515915&idx=1&sn=4f53647870a1c02566c17504fac516fc&scene=21#wechat_redirect)

NebulaGraph 如何用 Fusion GraphRAG 重新定义企业知识检索

NebulaGraph AI 应用平台：四种索引融合，重新定义 AI 如何理解知识

交流图数据库技术？**加入 Nebula 交流群**请先填写下[「你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

---
> ‌Easycash‌ 是面向印度尼西亚市场的数字金融科技平台，由‌瓴岳科技‌（Fintopia）推出，主要提供消费贷款服务。用户只需填写真实身份信息并完成简单手续，即可在 3 分钟内提交贷款申请，并在 24 小时内完成审核，资金快速到账。月活跃用户超 ‌**200万**‌，在印尼借贷类 App 中位居第一‌‌。

印尼头部金融科技平台 EasyCash 面向中小企业与个人用户提供数字金融服务，通过 AI、大数据风控模型以及核心信贷系统，支撑线上贷款业务持续增长。截至 2025 年，公司已服务全球超 114 家金融机构，拥有逾 1.81 亿注册用户，累计交易额突破 5400 亿元。

随着业务规模扩大，传统风控架构开始暴露明显瓶颈。EasyCash 使用 NebulaGraph 企业版后，实现欺诈拦截率提升 240%，审核压力下降 70% 的业务收益。

# 一、从规则风控到关系风控

在互联网信贷场景中，欺诈行为往往并不是孤立存在的。黑产会通过设备共享、身份复用、联系人关联、团伙协作等方式构建复杂关系网络。

例如：

* 一个设备对应多个账号

* 一个身份证关联多个借款人

* 多个申请人共享紧急联系人

* 欺诈资金在不同账户之间循环流转

这些问题的核心是数据关系复杂，如何识别这些关系后的幕后黑手，对黑产团伙进行溯源，成为重中之重。

EasyCash 早期主要依赖传统关系型数据库与静态规则引擎完成风险识别，但随着并发规模提升，系统逐渐无法满足实时风控需求。

在高并发场景下，关键风控查询响应时间超过 3 秒，导致高风险申请存在约 30% 的漏判率。

与此同时，原有离线数据架构生成图特征需要超过 8 小时，严重影响 AI 风控模型的实时性。

因此，EasyCash 开始重新思考风控系统底层的数据组织方式。

# 二、为什么图数据库更适合实时风控

## （一）图数据库

传统数据库擅长存储结构化记录，但在多跳关系分析场景中，复杂 JOIN 会带来极高的查询成本。

而风控系统真正关心的问题，本质上是关系计算。

例如：

* 某申请人 3 跳范围内是否存在黑名单联系人

* 同一设备是否关联超过 5 个身份

* 某资金流路径是否与历史欺诈团伙重叠

* 某用户是否处于高风险社区网络中

这些问题天然适合通过图结构建模。

## （二）NebulaGraph

此外，对于实时风控场景，EasyCash 更关注的是系统在生产环境中的稳定性与扩展能力。

NebulaGraph 的三大核心能力，正与其业务需求高度契合。

**1. 分布式架构**

NebulaGraph 采用分布式设计，支持在线横向扩展，能够持续承载不断增长的关系数据规模。对于金融业务而言，这意味着风险图谱无需频繁重构即可持续扩容。

**2. 高并发低延迟**

风控系统需要在大量请求同时到来时依然保持稳定响应。NebulaGraph 能够在高吞吐场景下保持毫秒级查询能力，适用于实时授信、反欺诈、关系分析等场景。

**3. 与大数据生态深度集成**

EasyCash 同时使用 Spark、Flink、Kafka 等数据基础设施。NebulaGraph 提供了完善的数据连接能力，使实时数据流、图计算以及机器学习流程能够形成统一架构。

基于这一思路，EasyCash 引入 NebulaGraph 以构建实时风控图谱系统。

# 三、构建百亿级实时风险关系图

EasyCash 基于 NebulaGraph 搭建了一套实时风险图谱，覆盖用户、设备、手机号、联系人、借贷关系等多种实体与关系，整个风险图规模超 10 亿个节点，190 亿条边。

* 用户、设备、手机号、银行卡，可以被建模为不同类型的点（Vertex）

* 登录、绑定、借款、联系人关系，则被建模为边（Edge）

* 每个点和边都可以携带属性，例如设备型号、手机号归属地、借款时间、交易金额等信息

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/%20financial%E2%80%8C-risk-%20management-easycash/1.png)

用 Graph 来建模⬆️

在这种图结构中，系统可以直接沿关系链路进行多跳关联分析，例如快速识别“一个设备关联多个身份”或“某用户与黑名单存在间接关系”等复杂风险模式。

> 查询用户 3 跳内所有关联路径

```
use financial_risk_graph match p=(n@user{user_id:"u067"})-[]-{1,3}(e) return p
```

NebulaGraph 5.x 图查询⬆️

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/%20financial%E2%80%8C-risk-%20management-easycash/2.png)

对应的 Graph⬆️

系统还能通过实时更新机制持续写入最新行为数据，使风控模型能够动态感知风险变化。

同时，NebulaGraph 的分布式架构，使 EasyCash 可以在横向扩展过程中持续提升图存储与查询能力，同时保证高可用与低延迟，实现金融风控的实时极速查询。

> 欢迎体验 NebulaGraph 5.x 金融风控 Demo⬇️
> https://www.nebula-graph.com.cn/posts/financial-risk-management

# （一）授信阶段：毫秒级风险决策

在用户提交贷款申请时，风控系统会实时查询申请人的 1 到 3 跳关系网络。

系统重点检测：

* 紧急联系人是否存在黑名单关联

* 当前设备是否绑定多个身份

* 关联网络中是否存在异常聚集行为

* 是否命中历史欺诈路径

* ……

基于动态图规则与关系计算，系统能够在单次查询 8ms 内完成风险评分，即使在 300+ 高并发请求场景下，依然保持稳定响应。

这意味着风险判断已经从传统的事后审核，前移到实时决策。高风险用户可以在授信阶段被直接识别，从源头降低坏账与欺诈损失。

#（二）放款阶段：识别隐藏团伙网络

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/%20financial%E2%80%8C-risk-%20management-easycash/3.png)

相比单点规则，真正复杂的金融欺诈往往具有明显的团伙化特征。

在放款阶段，EasyCash 将 NebulaGraph 生成的实时图特征，与机器学习模型进一步结合，包括：

* 社区风险密度

* 资金流路径

* 关系传播特征

* 子图结构 embedding

通过系统曾通过子图分析识别出一个由 20 台设备，100 个手机号构成的蜘蛛网式欺诈网络。从而精准拦截贷款欺诈行为。

# 四、拦截率提升 240%，审核压力下降 70%

基于 NebulaGraph 重构风控体系后，EasyCash 获得了明显的业务收益。

* 60% 的高风险申请在授信阶段即被拦截

* 人工审核工作量下降 70%

* 整体欺诈拦截率提升 240%

* 用户通过率反而提升 15%

这意味着风控能力提升，并没有以牺牲用户体验为代价。

与此同时，自动审批系统将传统融资门槛降低约 40%，平均贷款处理时间缩短至 8 分钟以内，更好地满足了印尼市场对普惠金融与高效数字服务的需求。

# 五、图数据库正在成为新一代风控基础设施

金融风控的核心问题，正在从数据是否足够，转向关系是否可计算。

当黑产行为越来越网络化、组织化，传统规则系统已经难以应对复杂关系风险。而图数据库能够将用户、设备、身份、联系人、资金流等信息连接成完整关系网络，并在实时计算中持续发现隐藏风险。

对于 EasyCash 而言，使用 NebulaGraph 不只是一次数据库升级，更是整个风控体系从离线规则模式向实时关系智能的转变。

> 填写咨询问卷，与我们取得联系⬇️
> https://wj.qq.com/s2/15344088/w7ei/

---

💡风控案例

[每月风控止损超百万元：携程酒店业务基于 NebulaGraph 的风控实践](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247516504&idx=1&sn=ff450f9d2479e8218df632b198307008&scene=21#wechat_redirect)

[基于知识图谱的 Web3 风控：普适智能一站式知识中台](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515978&idx=1&sn=079d22d3bf3f06b5d13e70598a081dd4&scene=21#wechat_redirect)

[风控利器：BlockSec 用图+标签破解 Crypto 合规难题](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247516261&idx=1&sn=f3e91388b2a0e796801bea67bd6f9517&scene=21#wechat_redirect)

[NebulaGraph 在 Airwallex 跨境金融风控的应用](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515804&idx=1&sn=82973a9f946708468e9fddfd52243ebd&scene=21#wechat_redirect)

✦

EasyCash 使用 NebulaGraph 企业版后，实现欺诈拦截率提升 240%，审核压力下降 70% 的业务收益。

欺诈拦截率提升 240%：EasyCash 基于 NebulaGraph 构建金融智能风控系统

交流图数据库技术？**加入 Nebula 交流群**请先填写下[「你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

---

> 远景智能（Envision）是专注于智能风电、智慧储能系统及绿氢解决方案的能源系统公司。远景全球风电装机突破 100GW，订单量连续四年全球第一，全球业务布局覆盖中国、欧洲、美国、南美、东南亚等地，在丹麦建立了中国风电企业最大规模的研发机构。

新能源的快速发展，风电、储能、分布式能源以及负荷侧的高度动态化，使电力系统向跨空间、跨时间、多主体耦合的动态复杂网络演变。

作为全球领先的能源技术企业，远景智能业务横跨智能风电、储能系统以及 AIoT 操作系统，管理着规模庞大、结构复杂的全球能源资产网络。

当系统复杂度跨越临界点，问题不再是数据够不够，而是**如何理解这些数据之间的关系，并在实时条件下做出决策。**

这正是 NebulaGraph 在远景智能技术体系中的核心价值所在。

#  一、业务挑战：传统架构面临的三大挑战

随着新能源比例提升，电网运行呈现出更强的不确定性与动态性，原有系统开始暴露出结构性问题，主要集中在三个方面。

## 1. 关系复杂度爆炸，传统架构失效

电网本质是一个高度拓扑化的系统：

* 设备之间存在多层级连接关系
* 电气关系与物理连接并不完全一致
* 影响传播具有多跳特性

在传统关系型数据库中，这类问题通常依赖多表 JOIN 实现。例如：

> 从某个变电站故障出发，计算影响范围内的线路与用户

随着网络规模扩大，JOIN 数量指数级增长，查询性能迅速退化，无法支撑实时分析。

##  2. 实时性要求从分钟级跃迁到秒级

传统电网分析系统普遍运行在分钟级，但在新能源占比不断提升后，系统状态变化速度显著加快：

* 风电、光伏具备强波动性
* 负荷侧更加动态
* 调度窗口被压缩

新一代电网要求核心分析能力，能与 SCADA（数据采集与监视控制系统）秒级数据刷新频率保持同步，这对底层数据平台提出了更高要求：

* 高吞吐写入
* 低延迟查询
* 计算与存储协同

## 3. 多源数据割裂，难以形成全局认知

电网数据天然分散在多个系统中：

* SCADA（实时数据）
* 资产管理系统（静态模型）
* 气象系统（外部环境）
* 调度系统

同时，配电网存在可观测性不足的问题，如实时测量点稀疏，数据粒度不一致。

这导致一个关键瓶颈——无法构建完整、统一的全网运行视图，进而限制了输配协同优化、风险预测、动态调度等高级能力。

# 二、技术选型：为什么是 NebulaGraph

远景智能最终选择 NebulaGraph，核心原因并不只是性能，而是其与电网问题形态的匹配度。

电网本身就是典型的图结构系统。设备之间通过物理连接和电气关系构成网络，用图模型表达可以直接还原其真实结构。相比之下，关系型模型需要通过拆分与重组才能间接表达，复杂度更高。

NebulaGraph 在这一基础上提供了几个关键能力：

* 分布式架构，支持横向扩展
* 存储与计算协同，降低数据搬移成本
* 原生图存储，支持大规模复杂关系建模
* 高效的多跳遍历查询，适用于拓扑分析场景

这些能力使其不仅能存关系，还能在关系之上完成高性能计算、分析。

# 三、方案落地：构建全图数据体系
![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/power-grid%E2%80%8C-envision/envision-1.png)

基于 NebulaGraph，远景智能构建了覆盖“源-网-荷-储”的一体化图模型，将原本分散的数据整合为一个可计算的整体。

* **源（Source）**：发电侧——电从哪里来（火电、风电、光伏等）
* **网（Grid）**：电网——电怎么走（输电、变电、配电）
* **荷（Load）**：用电侧——电被谁用（企业、家庭、设备等）
* **储（Storage）**：储能——电如何调节（储能用于削峰填谷、平衡波动）

## 1. 图建模：让电网结构自然表达

在 NebulaGraph 中：

* 顶点（Vertex），表示设备与实体
* 母线、变压器、开关
* 用户、组织单元
* 边（Edge），表示关系
* 电气连接
* 拓扑关系
* 归属关系

## 2. 多源数据融合：构建统一数据底座

远景智能将多类数据整合进同一张图中：

* SCADA 实时数据
* CIM/E 静态模型
* 气象数据
* 运行状态数据

最终形成一个，跨时间 + 跨空间的统一的全图电网，以关系为核心将数据进行有序组织。

## 3. 自动拓扑构建机制

为保证模型可持续更新，远景智能构建了自动化转换机制：

* 将传统关系型模型自动转化为图模型
* 实现拓扑的动态更新
* 保证数据一致性

# 四、关键能力：

NebulaGraph Analytics 更快更灵活

在图结构之上，计算方式发生了明显变化。NebulaGraph 的存算一体架构，使计算尽可能在数据本地完成，减少 I/O 开销。同时，图遍历具备天然的并行性，可以在多节点环境中高效执行。

此外，NebulaGraph Analytics 图分析平台相较于 Apache Spark GraphX，资源消耗降低至约 20%，计算性能提升约 5–10 倍。

在更快的基础上，还支持在超大规模图上灵活自定义复杂算法，远景智能不仅可以调整参数适配数据特征，更能基于业务需求编写专属算法。

针对电网中的典型问题，如潮流传播路径、故障影响范围、连通性分析等，基于 GQL 的自定义算法能力，可直接定义计算逻辑，业务人员能够自主构建算法，无需依赖研发与产品团队，将业务规则更智能、更贴合实际地落地到图分析中。

# 五、应用成效：从分钟级到毫秒级

图架构带来的变化，最终体现在核心业务指标上。

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/power-grid%E2%80%8C-envision/envision-2.png)

更重要的是，这种提升改变了系统的工作方式。电网分析可以与实时数据同步运行，支撑动态调度与风险预判。

远景智能基于 NebulaGraph 图计算，还创新性地打造了时空演化图（Temporal Evolution and Spatial Evolution Graph）加速机制，通过对历史结果的复用，减少重复计算开销，实现：

* 实时分析速度提升 15–20 倍
* N-1 分析提升 10 倍以上

# 六、总结：从数据管理走向关系计算

这一实践的关键，并不只是引入了一套新数据库，而是完成了一次建模方式的转变。这种架构不仅适用于电力系统，也适用于所有复杂关系网络场景：

* 风控关系网络
* 知识图谱
* 实时推荐系统
* 供应链网络
* ……

当系统复杂度不断上升时，如何表达关系、如何在关系之上计算，决定了系统的上限。

NebulaGraph 提供的能力，使电网从数据驱动走向关系驱动，也为实时感知和智能决策提供了基础。

如果你正在构建类似复杂系统，欢迎深入了解 NebulaGraph，探索如何构建属于你的智能关系网络。

> 填写咨询问卷，与我们取得联系⬇️
> https://wj.qq.com/s2/15344088/w7ei/


---

交流图数据库技术？**加入 Nebula 交流群**请先填写下[「你的 Nebula 名片」](https://wj.qq.com/s2/8321168/8e2f/)，Nebula 小助手会拉你进群~~

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/qrcode-wechat.png)

远景智能使用 NebulaGraph 打造新电网系统，性能提升15-20倍