用户案例
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」，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
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⬆️
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
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
风控利器：BlockSec 用图+标签破解 Crypto 合规难题
NebulaGraph 在 Airwallex 跨境金融风控的应用
✦
