一、课程导论：反欺诈图谱与 PSI 漂移的概念、课程目标与学习路径
1.1 为什么反欺诈需要图谱与 PSI 漂移？
在金融、电商、社交等业务场景中，欺诈团伙正从“单点攻击”转向“团伙攻击”。传统的规则引擎和单特征评分模型难以捕捉复杂的关系网络。反欺诈图谱（Fraud Graph）通过实体（用户、设备、IP、订单）和关系（注册、交易、登录）构建知识网络，能有效识别异常团伙和关联风险。
然而，图谱特征并非一成不变。随着时间推移，欺诈团伙会调整策略、更换设备、变换关系模式，导致图谱特征的分布发生偏移。这种偏移被称为 PSI（Population Stability Index，群体稳定性指标）漂移。如果不及时发现并处理 PSI 漂移，模型会快速失效，造成巨大损失。
核心痛点： 欺诈图谱特征维度高、关系复杂，传统单变量 PSI 监控无法直接适用。本课程将系统解决“如何对图谱特征做 PSI 漂移分析”这一难题。
1.2 核心概念速览
| 概念 | 定义 | 在反欺诈中的意义 |
|---|---|---|
| 反欺诈图谱 | 以图结构表示实体（节点）与关系（边）的知识网络，用于描述用户行为与关联风险。 | 发现团伙欺诈、设备关联、异常资金流转等单点模型无法识别的风险。 |
| PSI（群体稳定性指标） | 衡量两个时间段或两个样本集之间特征分布差异的量化指标。公式： PSI = Σ (Pi - Qi) × ln(Pi / Qi) |
监控模型输入特征是否发生显著变化，预警模型退化或数据质量异常。 |
| PSI 漂移 | 特征分布随时间推移产生的不可逆或周期性偏移，导致模型预测能力下降。 | 及时触发模型重训、特征工程调整或规则更新，避免风控失效。 |
| 图谱特征 | 从图结构中提取的数值特征，如节点度数、PageRank、社区归属、最短路径等。 | 量化实体在图中的角色、影响力与异常程度，是图谱模型的核心输入。 |
1.3 反欺诈图谱 PSI 漂移的典型场景
- 设备农场攻击： 欺诈团伙批量更换设备 ID，导致“设备关联度”特征分布突变，PSI 飙升。
- 关系链重构： 团伙从“星型结构”转为“链式结构”，社区检测特征发生漂移。
- 季节性活动： 大促期间正常用户行为模式改变，图谱特征出现周期性漂移，需区分正常波动与异常漂移。
- 数据采集变更： 埋点或数据源调整导致部分图谱特征缺失或取值偏移，PSI 监控可快速定位问题。
提示： PSI 漂移不一定是坏事——有时它反映了业务模式创新或用户结构优化。关键在于区分“正常业务漂移”与“欺诈攻击漂移”。
1.4 课程目标
完成本课程后，你将能够：
- 理解 反欺诈图谱与 PSI 漂移的基础理论与数学原理。
- 掌握 图谱特征提取、分箱、PSI 计算的全流程代码实现。
- 识别 图谱特征漂移的常见模式与根因分析方法。
- 构建 生产级 PSI 漂移监控看板与自动告警系统。
- 应用 漂移分析结果指导模型重训、特征优化与规则调整。
1.5 学习路径与章节地图
本课程共 30 章，分为四大模块：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1-6 章 | 反欺诈图谱基础、PSI 数学原理、图谱特征工程入门 |
| 方法篇 | 第 7-15 章 | 图谱特征分箱策略、PSI 计算实现、多维度漂移检测 |
| 实战篇 | 第 16-24 章 | 真实数据集案例、漂移根因分析、监控看板搭建 |
| 进阶篇 | 第 25-30 章 | 大规模图谱 PSI 优化、自动化漂移应对、前沿趋势 |
建议学习路径：按顺序从基础篇到进阶篇，每章完成配套代码练习与思考题。如果你已有图谱或 PSI 基础，可直接从方法篇开始，但建议快速浏览基础篇以统一术语。
1.6 反欺诈图谱与 PSI 漂移的关系框架
下图展示了反欺诈图谱特征如何产生 PSI 漂移，以及漂移分析如何反哺模型迭代：
1.7 你需要具备的基础
- 编程： Python 基础（pandas、numpy、matplotlib）
- 机器学习： 了解分类模型、特征工程基本概念
- 图论： 了解节点、边、度数等基本概念（非必需，课程会补充）
- 工具： Jupyter Notebook / VS Code，以及 NetworkX、Scikit-learn 等库
注意： 本课程不要求你是图神经网络专家，但需要具备基本的数据分析思维。每章都会提供可运行的代码示例，建议边学边练。
1.8 本章小结
本章我们建立了反欺诈图谱与 PSI 漂移的整体认知：
- 反欺诈图谱通过关系网络捕捉团伙风险，但图谱特征会随时间漂移。
- PSI 是量化特征分布差异的核心指标，适用于监控图谱特征稳定性。
- 课程分为基础、方法、实战、进阶四大模块，共 30 章，覆盖从理论到生产的全链路。
- 下一章将深入 PSI 的数学公式与计算细节，为后续图谱特征漂移分析打下坚实基础。