4. 增量更新核心概念
在金融风控、反欺诈、资金链路追踪等场景中，图结构几乎从不静止：新账户注册、新交易发生、新设备指纹出现、旧关系失效，都会让节点与边持续变化。如果每次变化都触发一次全图重算，计算成本会随图规模迅速膨胀，延迟也无法满足实时决策需求。因此，理解动态图、时间切片、增量计算，并厘清全量重算与增量更新的边界，是构建可持续图计算系统的第一道门槛。
一、核心原理：动态图与时间切片
动态图指节点集合、边集合或属性随时间演化的图。金融图模型中的动态性通常来自三类事件：实体新增（开户、绑卡）、关系新增（转账、担保、共用设备）、状态变更（销户、解绑、风险等级调整）。与静态图不同，动态图不仅要表达“当前是什么样”，还要表达“如何变成这样”。
时间切片是把连续演化过程离散化为一系列快照或窗口的建模方式。常见形式包括：
- 快照切片：按固定周期（如每日 0 点）保存全图状态，适合离线特征回溯与审计。
- 滑动窗口：只保留最近 N 天或 N 小时的边，用于刻画近期行为强度。
- 事件流切片：不物化全图，只按事件顺序增量消费，适合实时链路。
时间切片决定了“增量”的粒度：切片越细，更新越及时，但状态管理与去重成本越高；切片越粗，吞吐更好，但风险信号可能滞后。
二、方法流程：增量计算如何落地
增量计算的核心是变化捕获 → 影响传播 → 局部重算 → 状态合并。以金融图上的社区发现或风险传播为例，流程可拆解为：
- 变化捕获：从消息队列或 CDC 日志中提取节点/边的新增、删除、属性更新事件。
- 影响范围分析：根据算法类型确定受影响的子图。例如 PageRank 类算法中，一条新边会影响其两端节点及其多跳邻居的分数。
- 局部重算：仅对受影响子图执行迭代或聚合，避免全图扫描。
- 状态合并与版本管理：将新结果写回图存储，并记录版本或时间戳，支持回溯与一致性校验。
下面是一个简化的增量更新伪代码，展示如何按事件批次处理边新增：
for batch in event_stream:
changed_nodes = set()
for e in batch:
if e.op == "ADD_EDGE":
graph.add_edge(e.src, e.dst, e.attrs)
changed_nodes.add(e.src)
changed_nodes.add(e.dst)
elif e.op == "DEL_EDGE":
graph.remove_edge(e.src, e.dst)
changed_nodes.add(e.src)
changed_nodes.add(e.dst)
affected = expand_neighbors(graph, changed_nodes, hops=2)
scores = local_recompute(graph, affected, algorithm="risk_propagation")
graph.update_scores(scores, version=batch.version)
该流程的关键参数包括：影响跳数、批处理窗口、重算触发阈值。跳数越大，结果越接近全量，但成本越高；批处理窗口越大，吞吐越高，但延迟越大。
三、全量重算与增量更新的对比
两者并非替代关系，而是适用于不同阶段与不同算法。下表从多个维度进行对比：
| 维度 | 全量重算 | 增量更新 |
|---|---|---|
| 计算范围 | 整张图或整个分区 | 受变化影响的子图 |
| 延迟 | 高，随规模增长 | 低，与变化量相关 |
| 实现复杂度 | 低，逻辑直观 | 高，需影响分析与状态管理 |
| 结果一致性 | 天然一致 | 需校验，可能累积误差 |
| 适用场景 | 离线训练、周期对账、算法变更 | 实时风控、在线决策、高频事件 |
| 资源特征 | 峰值高、可调度 | 持续低负载、弹性好 |
实践中常见混合策略：实时链路走增量更新，每日凌晨做一次全量重算作为“基准校正”，两者结果差异超过阈值时触发告警或回滚。
四、案例与误区复盘
某支付机构在反欺诈图中使用增量更新计算“团伙风险分”。初期只更新直接邻居，导致多跳传播路径上的风险分滞后，欺诈团伙通过多层转账绕过监控。复盘后调整为：
- 对高风险边采用3 跳影响传播，普通边保持 1 跳；
- 每 5 分钟做一次小范围全量校验，覆盖最近活跃子图；
- 对删除边引入衰减因子，避免历史风险分残留。
理解动态图与时间切片，是设计增量策略的起点；掌握影响传播与局部重算，是保证结果可用的关键；而清楚全量重算与增量更新的适用边界，才能在实际系统中做出成本与时效的平衡决策。