技术分享行业科普
得物风控：风控常用图算法及应用
图算法的小白级科普⬇️
（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。
图源「得物风控」公众号
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
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
NebulaGraph + LLM 处理风控知识图谱的探索和实践
