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？

![](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/share/community-star/community-star-2025.jpg)

12 月 22 日晚，快手直播遭遇大规模黑产攻击。

**超过 1.7 万个僵尸账号同时开播，海量违规内容绕过审核系统，露骨画面、擦边直播及诱导转账的“密码房福利”层出不穷**。多名网友描述"点开直播全是黄色内容"，甚至调侃“十个直播七个在放片”，部分直播间观众达数十万人。**用户举报按钮形同虚设，即便违规内容下架，新违规账号却持续涌现**。

最终迫使快手在 2 小时后，采取全平台截断直播的极端措施终止这场充斥淫秽与血腥的 P0 级事故。12 月 23 日快手股价盘中一度下探超 5.7%，较前一交易日蒸发约 164 亿港元。

这一夜，被不少从业者称为快手的“至暗时刻”。

但更值得警惕的是：

这并非某一家平台的偶发事故，而是整个行业风控体系的一次系统性失效暴露。

风控安全，不进则退。在 AI 驱动的自动化攻击面前，依赖 IP 黑名单、静态规则、预计算指标、事后审核的传统风控体系，已经难以支撑现代互联网业务的安全底座。

# 一、黑产击溃传统风控范式

快手 12.22 直播事故，真正击穿的，不是审核能力，而是风控范式。

从公开信息来看，快手并非没有健全的审核机制与风控体系，而是风控系统在黑产攻击方式升级后力不从心。

传统平台风控体系，大多建立在以下逻辑之上：

-   将账号、设备、IP、行为等关联指标提前计算
    
-   将结果写入 Redis / ClickHouse
    
-   通过规则引擎 \+ 阈值判断做风险决策
    ![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/traditional-risk-control.webp)

这套“预计算 \+ 静态规则”的体系，在过去多年行之有效，但在黑产迈入自动化攻击后便暴露出致命短板。

## 1\. 关联关系是“活的”，而预计算是“死的”

黑产并非单账号违规，而是：

-   多账号
    
-   多设备
    
-   多 IP
    
-   实时变换组合
    
-   同步协同攻击
    
关联网络在分钟级甚至秒级重构，而 T+1 或分钟级预计算指标天然滞后。

## 2\. 单点看似正常，整体却是异常

在传统风控视角下：

-   每个账号行为“合规”
    
-   每个 IP 访问“正常”
    
-   每次开播“合法”
    
真正的风险隐藏在多跳关系与群体结构中，而不是任何一个孤立指标。

## 3\. 高并发场景下，规则系统被压垮

当 1.7 万账号同时触发检测时：

-   AI 识别模型排队
    
-   人工复核失效
    
-   规则系统被放大流量拖垮
    

最终只能通过“全量截断”这种业务级熔断止血。

这场事故揭示了一个残酷现实：黑产的攻击是动态、协同、结构化的，而传统风控系统仍停留在静态、割裂、事后响应的阶段。

# 二、风控的本质在于“关系”

无论是直播黑产、支付欺诈，还是稳定币洗钱，本质都不是某个行为异常，而是：一张不断变化的关系网络，在协同掩盖真实意图。

-   一个设备控制上百账号
    
-   多个地址将资金归集至同一黑洞
    
-   多个看似无关的行为，构成完整攻击链路
    

这类问题，天然属于图问题。而这，正是传统预计算风控体系无法解决的核心原因。

在传统风控系统中，引入图数据库后，风险被可视化地展示为图谱。

![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/cluster-graph.webp)

NebulaGraph x 奇富科技（原 360 数科）群体关系图

上图是奇富科技生产环境的一个图，不同颜色的点分别表示不同的意义，红色是风险点，黄色是疑似风险，灰色是普通用户。

# 三、NebulaGraph 的实时图风控

## 1\. NebulaGraph

NebulaGraph 是一款开源分布式图数据库，擅长处理千亿节点万亿条边的超大数据集，同时保持毫秒级查询延时的图数据库解决方案。

![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/test.webp)

在百亿级数据量下的测试中：

-   传统关系型数据库：4 度关联查询，154 秒
    
-   NebulaGraph：4 度关联查询，0.14 秒
    

性能提升 1000 倍以上，这正是实时风控在高并发场景下的基础能力。

目前，NebulaGraph 已在以下场景中落地：

-   金融反欺诈与反洗钱
    
-   Web3 合规与资金追踪
    
-   交易平台黑产识别
    
-   实时风险图谱构建
    

NebulaGraph 的用户包括 Airwallex、众安保险、BlockSec、得物、携程集团等，构建了从千亿节点到万亿关系的实时风控图系统。

## 2.实时动态风控体系
![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/risk-control-nebula.webp)

以 NebulaGraph 为代表的实时图风控体系，并不是在优化规则，而是在重构风控的底层认知方式。

**（1）不再预计算关系，而是实时构图**

![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/dynamic-analysis.webp)

-   用户、账号、设备、IP、交易、行为
    
-   实时写入图中
    
-   关系随业务发生即时变化
    

风控系统不再依赖算好的结果，而是直接读取真实世界的当前关系状态。

**（2） 多跳穿透，识别群体型风险**
![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/graph-algorithm.webp)

通过图查询和图算法，可以在毫秒级完成：

-   N 度关联穿透
    
-   账号–设备–IP–账号的闭环识别
    
-   团伙结构、控制中心、扩散路径识别
    

从「看单点」升级为「看结构」。

**（3）实时规则 + 图算法双引擎**

![](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/kuaishou-risk-control/graph-algorithm-2.webp)

-   实时规则：
    
-   “5 分钟内同一设备登录 10+ 账号”
    
-   “同一 IP 批量开播”
    
-   图算法：
    
-   社区发现
    
-   中心性分析
    
-   异常子图识别
    

规则负责即时拦截，图算法负责结构洞察。

**（4）在快手中引入图数据库**

如果在快手的场景中，引入实时图风控会发生什么？

在类似直播平台的业务中，实时图风控可以前置到多个关键入口：

-   注册
    
-   登录
    
-   开播
    
-   内容发布
    

当黑产设备开始批量注册或登录时：

-   关联关系已在图中显现
    
-   风险结构在规模化前被识别
    
-   攻击在“发起之前”即被阻断
    

这意味着：

-   审核系统不再被洪水冲垮
    
-   业务无需通过全量截断自伤止血
    
-   风控从被动救火转为主动拦截
    
    # 四、结语
    

这次事故，并不是开始，也不会是结束。随着 AI 攻击工具、自动化脚本、Web3 与跨境业务的普及，黑产只会更加动态、隐蔽、系统化。

企业必须重新认知风控：

-   风控不是一套产品，而是一种能力
    
-   防线不是静态规则，而是动态关系网络
    

只有具备实时构图、动态感知、结构洞察能力的图风控体系，才能在这场长期对抗中掌握主动权。

NebulaGraph 将持续作为实时风控的底座，帮助企业在复杂关系网络中构建真正可进化的风控能力。

迎接动态风险，从拥抱实时图开始。

---
🔥推荐阅读

[《稳定币条例》强监管，图技术如何抢占风控主动权？](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515838&idx=1&sn=4301cd1dce294f75f13bac03bc13e647&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)

[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)

[NebulaGraph + LLM 处理风控知识图谱的探索和实践](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515771&idx=1&sn=4c8c1c729b01ddc9eca5bf0f0ad60156&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)



以图为底座的实时动态风控系统

快手直播事故，传统风控为何被黑产击溃？


> 图算法的小白级科普⬇️

[技术科普｜图算法是什么？何时用、怎么用？](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515839&idx=1&sn=046e14a224c3f47e2a97748916d366be&scene=21#wechat_redirect)

（文章结尾有 NebulaGraph 在风控领域的用户案例合集哦～）

在电商风控战场中，黑产的手段正变得越来越隐蔽——批量注册的“垃圾账号”用不同设备登录、分散地址下单，通过“断链伪装”规避规则拦截；恶意商家联合多个账号刷单，制造虚假热销假象......传统的“单维度规则校验”（如仅判断IP是否异常、账号是否新注册）早已难以应对这种“跨主体关联作弊”。

而图算法的核心优势，正是把分散的“点”（账号、IP、设备、地址等）通过“边”（关联关系）连接成网，从“关系视角”识破黑产的集体作弊行为。

2023 年，得物风控对比了 Neo4j、Dgraph、JanusGraph、NebulaGraph，最终选择将 NebulaGraph 作为风控解决方案。

![图片](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/dewu-risk-control/choose-graph-database.webp)

图源「得物风控」公众号

![图片](https://nebula-cdn.nebula-graph.com.cn/nebula-website-5.0/share/dewu-risk-control/risk-control-system.webp)

图源「得物风控」公众号

今天就带大家拆解风控领域最常用的3类图算法，结合电商场景讲清算法思路和落地应用。通俗易懂无门槛～

# 一、风控里的“图”是什么？

在风控场景中，图的构成非常简单，无需复杂的数学基础就能理解：

-   节点：就是风控中的“参与主体”，比如账号、IP地址、设备ID、收货地址、手机号、银行卡号等；
    
-   边：就是主体之间的“关联关系”，比如账号A登录过IP地址B、账号C绑定了手机号D、账号E用地址F下单、账号G和H共用设备I等；
    
-   属性：节点或边的补充信息，比如账号的“注册时间”“是否实名认证”、IP的“归属地”“是否为代理IP”、关联关系的“发生时间”“频次”等。
    

举个例子：黑产用1个IP注册10个账号，这10个账号都绑定了不同的虚拟手机号，且都往同一个超市地址下单。这里的“1个IP+10个账号+10个手机号+1个地址”是节点，“注册”“绑定”“下单”是边，构成了一张典型的“黑产作弊图”。

图算法的作用，就是从这张网中找到“异常的关联模式”，比如“一个国内IP关联上百个注册账号且都是海外手机号”“多个账号共用一个设备且都有恶意下单行为”。

# 二、风控常用三大图算法及应用场景

## （一）连通分量算法：找到作弊团伙

**算法思路**

简单说就是“找圈子”——在图中找到所有相互连通的节点集合（即“连通分量”），同一个集合里的节点无论通过多少层边关联，都属于同一个“团伙”。

比如：账号A → IP → 账号B → 设备 → 账号C**，**这3个账号通过IP和设备间接连通，就会被划分为同一个连通分量，认定为“关联账号团伙”。

算法的核心价值：**把分散的作弊主体“聚合成团”，避免单个账号漏判**——黑产单个账号可能看起来“正常”（如注册时间长、有少量真实下单），但整个团伙的行为特征（如集中下单、共用资源）会暴露作弊本质。

**电商应用场景：识别“批量关联作弊”**

-   场景1：垃圾注册团伙识别

    黑产用同一IP（或代理IP池）批量注册账号，这些账号可能绑定不同手机号，但都共用某几个设备。通过连通分量算法，将“IP-账号-设备-手机号”关联的所有节点划分为一个团伙，只要团伙中部分账号被标记为“垃圾注册”，整个团伙的其他账号都会被纳入风控视野，提前拦截恶意行为（如领券、下单）。

-   场景2：刷单团伙识别
    
     恶意商家组织100个账号刷单，这些账号可能来自不同IP，但都往商家的固定商品下单，且部分账号共用支付设备。连通分量算法会将这些“账号-商品-支付设备-收货地址”关联的节点聚合成团，结合“团伙下单时间集中、收货地址相似”等特征，判定为刷单团伙，以此及时落罚恶意商家和刷单账号。
    

落地小技巧

-   对连通分量进行“大小筛选”：比如仅关注节点数≥5的团伙（避免正常用户的少量关联被误判）；
    
-   给边设置“权重”：比如“账号-设备”的关联权重高于“账号-IP”（设备唯一性更强），权重越高的边对“团伙聚合”的影响越大。
    

## （二）度中心性算法：揪出核心作弊算法思路

**算法思路**

“度”是指一个节点连接的边的数量——度中心性越高，说明这个节点和其他节点的关联越密集，越可能是“核心枢纽”。

在风控中，我们重点关注“入度”（其他节点主动关联它的次数）和“出度”（它主动关联其他节点的次数）：

-   比如一个IP的“出度”是100（关联100个账号登录），说明这个IP是批量注册/登录的核心；
    
-   一个设备的“入度”是50（50个账号共用它），说明这个设备是黑产的“共用工具”。
    

算法的核心价值：**快速定位作弊网络中的“关键节点”，精准打击黑产的“基础设施”**——查封一个核心IP/设备，可能连带阻断几十个作弊账号的操作。

**电商应用场景：打击“黑产核心资源”**

-   **场景1：识别恶意IP/设备**
    
    正常用户的IP通常只关联1-2个账号，若某IP的度中心性（关联账号数）达到50+，且关联的账号多为新注册、无实名认证，可判定为“黑产专用IP”，酌情考虑拉黑或升级管控该IP的所有后续注册/登录请求；同理，某设备关联几十个账号且都有恶意下单行为，可判定为“黑产共用设备”，酌情考虑封禁设备对应的所有账号。
    
-   **场景2：识别“养号中介”账号**
    
    部分黑产账号的核心作用是“关联其他作弊账号”（如作为“主账号”邀请新账号注册、共享优惠券），这类账号的度中心性极高（关联上百个下级账号）。通过度中心性算法识别出这类“核心中介账号”，封禁后可切断黑产的账号扩散链路。
    

**落地小技巧**

-   分维度计算度中心性：比如单独计算“IP-账号”“设备-账号”“手机号-账号”的度，避免不同维度的关联相互干扰；
    
-   结合时间窗口：比如统计“近7天”的关联度，避免长期积累的正常关联（如家庭共用IP、企业IP等）被误判。
    

##（三）密集子图挖掘算法：精准拆分隐蔽作弊小团体

**算法思路**

比连通分量算法更精细的“团伙拆分工具”——核心是在一张大范围连通的关联图中，精准定位“内部关联极密集、与外部关联极稀疏”的子图（也就是黑产实际运作的“小团体”）。

简单说：连通分量算法是“只要沾边就归为一类”（比如一个IP关联的100个账号全算一个大团伙），而密集子图挖掘是“关系够近才凑一组”——同样是100个账号关联同一个IP，其中30个账号之间还存在“互相转账、共用收货地址、交叉助力”等多重紧密关联，这30个账号就会被挖掘成一个密集子图；剩下70个账号若仅和IP有关联、彼此无交集，可能拆成多个独立的密集子图，对应不同的作弊小团体。

算法的核心价值：**打破“大团伙”的笼统判定，拆分出黑产实际运作的“作战单元”**——同一个黑产资源（如代理IP池、共用设备）可能被多个独立团伙共用，密集子图能精准区分不同团伙的作弊链路，避免对正常用户的关联误判，也为针对性打击提供依据。

**电商应用场景：精准打击“细分作弊团伙”**

-   **场景1：拆分多团伙共用资源的作弊行为**
    
    某代理IP池被3个独立黑产团伙共用，A团伙专注刷单、B团伙专注薅平台优惠券、C团伙专注恶意注册。虽然所有团伙账号都关联该IP池（属于同一个连通分量），但A团伙内部账号会频繁交叉下单、B团伙内部账号会领同一类优惠券，彼此无关联。通过密集子图挖掘，可将3个团伙拆分为3个独立的密集子图，针对A团伙封禁下单权限、B团伙限制领券、C团伙直接拦截注册，避免“一刀切”导致的误判或漏判。
    
-   **场景2：识别“跨平台协同作弊小团体”**
    
    黑产为规避单平台风控，会在电商APP、小程序、H5端分别注册账号，但这些账号会共用同一台设备、绑定同一组手机号，且存在跨平台交叉操作（如APP端领券、小程序端下单）。密集子图挖掘能跨平台聚合这些“设备-手机号-账号”关联紧密的节点，形成“跨端作弊密集子图”——即便某端账号未表现出恶意（如APP端账号仅浏览未下单），但因属于作弊密集子图，可提前限制其核心行为（如限额下单、需实名认证），阻断跨平台作弊链路。
    

**落地小技巧**

-   常用算法选择：风控场景无需复杂模型，Louvain算法（效率高、适合大规模图数据，能自动平衡子图规模）或LPA（标签传播算法，无监督、易落地、计算快）完全够用；
    
-   结合行为特征打标：挖掘出密集子图后，可根据子图内账号的核心行为（如高频下单、批量领券、恶意注册），给每个子图打上“刷单团”“薅券团”“注册机团”等标签，后续针对标签制定差异化拦截策略；
    
-   设定密度阈值：可通过“子图内实际关联数/最大可能关联数”计算密度，仅关注密度≥0.3的子图（避免正常用户的少量交叉关联被误判为作弊小团体）。
    

# 三、图算法落地关键

很多同学会问：“算法识别出团伙后，怎么落地到风控策略里？” 分享3个实战中常用的闭环逻辑：

1.分级拦截：根据连通分量大小、度中心性高低、子团伙风险概率，给节点打风险等级（高/中/低）——高风险直接封禁，中风险限制行为（如权益限制、发垃圾券等），低风险持续监控；

2.传导处罚：若一个节点被判定为恶意（如账号被封禁），其关联的节点（如登录IP、绑定设备）同步提升风险等级，实现“打一个、带一片”；

3.实时+离线结合：离线用图算法（如连通分量、密集子图发现）挖掘团伙，生成“风险团伙名单”；实时风控时，校验当前账号是否在名单中，或是否关联高风险节点，实现快速拦截。

举个落地示例：

-   离线：每天用连通分量算法聚合“账号-IP-设备-地址”强关联图，识别出节点数≥10的团伙，若团伙中恶意账号占比≥30%，标记为“高风险团伙”；
    
-   实时：用户下单时，校验该账号是否属于“高风险团伙”，或是否关联团伙中的IP/设备，若是则权益隐藏或拦截订单，提示“账号存在XX异常风险”。
    

# 四、总结经验

黑产作弊的核心本质，从来不是 “单个账号的孤立行为”，而是 “团伙化、批量化的协同操作”—— 他们通过换 IP、换设备、买号养号等手段切断单点关联，让传统规则难以追踪。而图算法的核心价值，正是**穿透这些 “断链伪装”，看透账号、IP、设备、地址背后的隐性关联**。

相较于传统规则 “头痛医头、脚痛医脚” 的单点防控，图算法实现了三大突破：

1.打破维度壁垒：不再局限于单一维度校验，而是将 “账号 - IP - 设备 - 地址 - 手机号” 等多主体联动分析，让分散的作弊行为 “串成线、聚成团”；

2.前移风控关口：即便单个账号未表现出任何恶意特征，也能通过其所属团伙的集体作弊痕迹（如共用黑产设备、关联恶意账号）提前预判风险，实现 “未发先防”；

3.直击黑产核心：精准锁定团伙的核心资源（如共用设备、批量注册 IP），避免黑产通过 “换号换 IP” 规避拦截，实现 “打一个、断一片” 的高效打击。

对风控从业者而言，图算法绝非高深莫测的数学工具，而是人人可落地的实战基操—— 只要理清 “节点（参与主体）\- 边（关联关系）” 的核心逻辑，就能快速应用于反作弊、反欺诈等核心场景，让风控从 “被动响应拦截” 升级为 “主动前置防御”。

---

NebulaGraph 风控案例

[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=2247515844&idx=1&sn=3a216c55323488cb5235f5194fa47ddd&scene=21#wechat_redirect)

[《稳定币条例》强监管，图技术如何抢占风控主动权？](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515838&idx=1&sn=4301cd1dce294f75f13bac03bc13e647&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)

[NebulaGraph + LLM 处理风控知识图谱的探索和实践](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515771&idx=1&sn=4c8c1c729b01ddc9eca5bf0f0ad60156&scene=21#wechat_redirect)

[携程 x NebulaGraph｜业务增益 32%，NebulaGraph 在携程风控场景下的落地实践](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515729&idx=1&sn=dca2ad05d8a6ec3554c1111486d88154&scene=21#wechat_redirect)

[中国移动：如何用 NebulaGraph 图数据库解决金融风控中的问题？](https://mp.weixin.qq.com/s?__biz=MzE5ODg1MDA1NQ==&mid=2247515545&idx=1&sn=eb0187e3b42fa355e19c81bf8f0de593&scene=21#wechat_redirect)



拆解风控领域最常用的3类图算法，结合电商场景讲清算法思路和落地应用。

得物风控：风控常用图算法及应用