1. 课程导论：欺诈图谱的定义与价值、阈值自动巡检的背景与痛点、课程目标与学习路径
1.1 欺诈图谱：定义与核心价值
欺诈图谱（Fraud Graph）是一种基于图结构（节点与边）来建模复杂欺诈关系的技术体系。它将用户、设备、IP、账户、订单等实体抽象为节点，将注册、登录、交易、分享等行为抽象为边，从而在全局视角下发现隐蔽的团伙欺诈、设备农场、养号链路等传统规则引擎难以捕捉的风险模式。
| 维度 | 传统规则/评分卡 | 欺诈图谱 |
|---|---|---|
| 建模对象 | 单笔交易或单个用户 | 多实体、多跳关系网络 |
| 检测能力 | 孤立异常点 | 团伙聚集、环路、星型传导 |
| 对抗鲁棒性 | 易被单点绕过 | 关系复用难以伪装 |
| 典型场景 | 信用卡盗刷、单设备多账号 | 黑产团伙、养号、虚假交易 |
核心价值：欺诈图谱将风险识别从“点状防御”升级为“网状对抗”，在电商、金融、社交等领域已成为反欺诈体系的基础设施。
1.2 阈值自动巡检：背景与痛点
在欺诈图谱的实际生产环境中，阈值是决定风险边是否触发告警、团伙聚集度是否达到拦截标准的关键参数。然而，大多数团队仍采用“人工设定 + 季度调整”的静态阈值管理模式，导致以下核心痛点：
- 时效性滞后：黑产团伙的注册频率、设备复用策略、IP池切换周期通常以天甚至小时为单位变化，静态阈值无法快速响应。
- 人工成本高：每次调参需要数据分析师拉取近7~30天图谱数据，手动计算分布、绘制箱线图、开会评审，单次耗时2~3天。
- 误报/漏报失衡：阈值过严导致大量正常用户被拦截（误报），过松则放过真实欺诈（漏报），人工调参难以找到动态平衡点。
- 多图谱维度失控：一个成熟的反欺诈系统通常包含10~30个不同的图谱指标（如设备聚集度、IP共现频率、账户关联度），人工巡检无法覆盖全部维度。
| 痛点 | 传统人工巡检 | 自动巡检期望 |
|---|---|---|
| 调整周期 | 周/月级别 | 天/小时级别 |
| 覆盖维度 | 3~5个核心指标 | 全量图谱指标（10+） |
| 决策依据 | 经验 + 静态统计 | 动态分布 + 业务反馈闭环 |
| 误报率波动 | ±15%~30% | 控制在±5%以内 |
注意：阈值自动巡检不是“一次调优”，而是一个持续监控、自动校准、闭环反馈的工程体系。本课程将围绕这一体系展开完整的Python实践。
1.3 课程目标与学习路径
本课程旨在帮助反欺诈算法工程师、数据科学家与风控运维人员，掌握一套完整的欺诈图谱阈值自动巡检Python实践体系。课程从图谱数据接入开始，逐步深入到阈值计算、自动调优、告警闭环与生产部署。
学习前提：建议具备Python基础编程能力，了解基本图论概念（节点、边、度），熟悉Pandas/NumPy等数据处理库。无需预先掌握图数据库或复杂图算法。
课程核心目标
- 目标一：理解欺诈图谱的阈值体系设计原理，掌握图谱指标分布特征与异常检测方法。
- 目标二：构建基于Python的自动巡检流水线，实现数据拉取、阈值计算、漂移检测、告警推送的全链路自动化。
- 目标三：实现阈值动态调优策略，结合业务反馈（误报/漏报）形成闭环校准机制。
- 目标四：将巡检系统部署为定时任务或微服务，并集成到现有反欺诈监控体系。
学习路径概览
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1~5章 | 图谱数据接入、指标计算、阈值分布可视化 |
| 核心篇 | 第6~15章 | 自动巡检引擎、漂移检测、阈值建议生成 |
| 进阶篇 | 第16~22章 | 动态调优、业务反馈闭环、多图谱并行巡检 |
| 工程篇 | 第23~28章 | 定时任务部署、告警集成、可观测性仪表盘 |
| 实战篇 | 第29~30章 | 完整项目实战 + 生产案例复盘 |
每章均包含可运行的Python代码示例、图谱阈值分析案例以及配套的SVG架构图/流程图，确保理论与实践紧密结合。课程最后将交付一个可直接用于生产环境的欺诈图谱阈值自动巡检工具包。