1. 课程导论：反欺诈图谱模型看板漂移检测的背景、课程目标与学习路径

1.1 为什么需要关注图谱模型看板漂移？

在金融反欺诈、电商风控、社交网络黑产识别等场景中，基于图神经网络（GNN）的图谱模型已成为核心引擎。然而，生产环境中的图谱模型并非一成不变——随着时间推移，用户行为模式、团伙结构、特征分布均会发生渐进或突变，导致模型预测能力下降。这种“模型性能衰退”现象，在监控看板上直观表现为关键指标（如 AUC、KS、PSI、节点分类准确率）的异常波动，即看板漂移。

看板漂移的根源可归纳为三类：

• 数据分布漂移（Data Drift）：节点特征、边权重或图结构统计量发生变化，例如新注册用户的行为模式与历史样本不一致。
• 概念漂移（Concept Drift）：特征与标签之间的映射关系改变，例如黑产团伙从“高密度子图”演变为“分散式星型结构”。
• 图结构漂移（Graph Structure Drift）：图的拓扑属性（度分布、聚类系数、连通分量）发生系统性偏移，导致消息传递路径失效。

1.2 课程目标

本课程旨在培养学员构建端到端反欺诈图谱模型看板漂移检测体系的能力。完成本课程后，学员将能够：

1. 理解漂移检测的理论基础：掌握数据漂移、概念漂移、图结构漂移的数学定义与统计检验方法。
2. 设计图级与节点级漂移指标：包括图核距离、谱分布差异、节点嵌入的 MMD（最大均值差异）等。
3. 搭建实时看板监控流水线：基于 Flink + Kafka 实现图特征窗口聚合与漂移告警。
4. 实施漂移根因定位：通过 Shapley 值分解、子图匹配、异常子图挖掘定位漂移源头。
5. 制定模型自适应策略：包括增量学习、图结构重采样、模型回滚与集成调整。

1.3 学习路径与前置要求

本课程采用“理论 → 指标 → 工程 → 分析 → 策略”的递进式结构。建议学员按以下路径学习：

• 第 1-3 章：漂移检测基础与图数据特性（适合所有学员）。
• 第 4-7 章：图级与节点级漂移指标设计与实现（需具备 Python 与 PyTorch Geometric 基础）。
• 第 8-12 章：实时看板架构与 Flink 开发（需了解流处理概念）。
• 第 13-18 章：根因定位与归因算法（需掌握图论与 Shapley 值基础）。
• 第 19-22 章：自适应策略与模型治理（适合架构师与风控负责人）。
• 第 23-30 章：实战案例与综合项目（端到端交付）。

1.4 图谱模型看板漂移检测全景架构

下图展示了反欺诈图谱模型看板漂移检测的完整技术栈与数据流。该架构分为数据层、指标层、监控层、分析层与策略层五个层级。

1.5 漂移检测与传统方法的对比

传统表格数据的漂移检测（如 PSI、KS 检验）无法直接迁移到图数据，原因在于图数据具有非独立同分布特性——节点之间存在依赖关系。下表对比了传统方法与图专用方法的差异：

1.6 课程使用的工具与数据集

本课程所有代码与实验均基于以下环境：

• 图计算框架：PyTorch Geometric 2.3+、DGL 1.0+
• 流处理引擎：Apache Flink 1.17+（PyFlink）
• 看板可视化：Grafana 9.0+ + Prometheus
• 图数据库：Neo4j 5.0+（用于离线图特征提取）
• 数据集：公开反欺诈图数据集（Elliptic、YelpChi、Amazon Fraud）及自研模拟漂移生成器

以下是一个简单的漂移检测指标计算代码片段（使用 PyTorch Geometric 计算图核距离）：

import torch
from torch_geometric.utils import to_dense_adj
from scipy.spatial.distance import jensenshannon

def graph_kernel_distance(adj_ref, adj_cur):
    """
    计算参考图与当前图之间的图核距离（基于邻接矩阵谱分布）
    adj_ref, adj_cur: [N, N] 稠密邻接矩阵
    """
    # 计算拉普拉斯矩阵的特征值
    L_ref = torch.eye(adj_ref.size(0)) - adj_ref / adj_ref.sum(dim=1, keepdim=True).clamp(min=1)
    L_cur = torch.eye(adj_cur.size(0)) - adj_cur / adj_cur.sum(dim=1, keepdim=True).clamp(min=1)

    eig_ref = torch.linalg.eigvalsh(L_ref).numpy()
    eig_cur = torch.linalg.eigvalsh(L_cur).numpy()

    # 归一化为概率分布
    p_ref = eig_ref / eig_ref.sum()
    p_cur = eig_cur / eig_cur.sum()

    # Jensen-Shannon 散度
    jsd = jensenshannon(p_ref, p_cur)
    return jsd

# 示例：参考图与当前图
adj_ref = to_dense_adj(edge_index_ref).squeeze(0)
adj_cur = to_dense_adj(edge_index_cur).squeeze(0)
distance = graph_kernel_distance(adj_ref, adj_cur)
print(f"图核距离（JSD）: {distance:.4f}")

1.7 本章小结