1. 课程导论：团伙识别图谱评分模型Serving的背景、业务价值与课程目标
1.1 业务背景：从单点规则到图谱智能
在金融风控、电商反欺诈、社交网络治理等领域，团伙识别一直是攻防对抗的焦点。传统的单点规则（如IP聚集、设备指纹碰撞）在面对有组织的黑产团伙时，往往存在以下瓶颈：
- 特征孤岛：仅关注单用户属性，无法捕捉用户之间的关联关系。
- 规则静态：规则阈值固定，黑产团伙一旦摸清规则即可绕过。
- 时效滞后：团伙作案周期短，离线分析无法满足实时拦截需求。
知识图谱技术的引入，将用户、设备、账户、IP等实体构建为关联网络，通过图算法（如社区发现、标签传播、图神经网络）挖掘隐蔽的团伙结构。然而，算法产出的团伙评分模型如何高效、稳定地部署到生产环境（Serving），成为落地过程中的关键挑战。
核心痛点：图谱模型Serving不仅要解决“算得准”的问题，更要解决“算得快”和“接得住”的工程难题。
1.2 图谱评分模型Serving的业务价值
将团伙识别图谱评分模型从离线实验环境迁移到在线Serving系统，能够为业务带来以下直接价值：
| 价值维度 | 具体表现 | 量化指标参考 |
|---|---|---|
| 实时拦截 | 在交易、登录、注册等环节毫秒级输出团伙风险评分 | P99延迟 < 200ms |
| 精准打击 | 从单点风险升级为团伙关联风险，降低误杀率 | 团伙召回率提升 30%+ |
| 动态对抗 | 图谱结构实时更新，模型可快速适应黑产手法变化 | 模型更新周期从周级降至小时级 |
| 成本优化 | 减少人工审核量，将有限资源聚焦在高危团伙 | 审核人力成本降低 40% |
1.3 课程目标与学习路径
本课程旨在帮助学员掌握从图谱算法模型到生产Serving的全链路实践技能。通过本课程的学习，你将能够：
- 理解图谱评分模型Serving的架构设计：掌握在线图特征计算、模型推理、结果回写等核心模块。
- 掌握工程化落地关键技术：包括图存储选型（JanusGraph/Neo4j）、特征缓存策略、模型热加载等。
- 具备性能调优与监控能力：学会设计Serving系统的压测方案、监控指标与告警策略。
- 完成一个可运行的Serving原型：基于开源组件搭建端到端的团伙评分服务。
课程适用人群：算法工程师、后端开发工程师、AI平台架构师、风控技术负责人。
1.4 图谱评分模型Serving整体架构
下图展示了本课程将要构建的团伙识别图谱评分模型Serving系统的核心架构，涵盖数据流入、图特征计算、模型推理与结果输出四个层次：
1.5 课程内容概览
本课程共分为六个模块，从基础概念到实战部署，逐步深入：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 一、基础篇 | 第1-5章 | 团伙识别图谱基础、图算法选型、评分模型设计 |
| 二、工程篇 | 第6-12章 | 图存储选型、特征工程管道、Serving框架搭建 |
| 三、优化篇 | 第13-18章 | 性能压测、缓存策略、模型热加载、容错设计 |
| 四、监控篇 | 第19-23章 | 监控指标体系、日志采集、告警策略、A/B测试 |
| 五、实战篇 | 第24-28章 | 端到端项目实战：从数据接入到上线部署 |
| 六、总结篇 | 第29-30章 | 最佳实践总结、常见避坑指南、未来演进方向 |
学习建议：建议学员在开始本课程前，具备基础的图算法知识（如社区发现、PageRank）和Python/Java编程能力。每章末尾的实践练习请务必动手完成，以加深对Serving工程细节的理解。