1. 课程导论：PSI漂移监控在反欺诈图谱中的重要性、课程目标与学习路径

1.1 为什么反欺诈图谱需要PSI漂移监控？

在金融风控、电商交易、社交网络等场景中，欺诈行为具有高度对抗性和动态演化特征。反欺诈图谱（Fraud Knowledge Graph）通过实体（用户、设备、账户、订单）与关系（交易、登录、担保）构建关联网络，能够有效识别团伙欺诈、设备农场、养号洗钱等复杂模式。然而，图谱模型在生产环境中面临一个核心挑战：数据分布漂移。

当欺诈团伙改变攻击策略、引入新设备、使用新话术或调整行为时序时，图谱中节点属性、边权重、子图结构的统计分布会发生显著变化。如果模型无法感知这种漂移，轻则导致特征失效、评分偏差，重则引发大规模误杀或漏过。因此，引入群体稳定性指标（Population Stability Index, PSI）对反欺诈图谱进行持续漂移监控，成为保障模型长期有效性的关键防线。

1.2 PSI漂移监控在反欺诈图谱中的三大价值

1.3 PSI与反欺诈图谱的结合逻辑

PSI原本用于衡量两个样本集在某个特征上的分布差异，其计算公式为：

PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)

其中：
- P_i：当前样本在第i个分箱中的占比
- Q_i：基准样本（如训练集）在第i个分箱中的占比
- 分箱通常采用等距或等频方式，箱数建议10-20

在反欺诈图谱中，PSI的应用从单特征扩展到图特征和图结构两个层面：

• 图特征PSI：监控节点属性（如注册时长、交易频次）、边属性（如交易金额、登录间隔）的分布变化。
• 图结构PSI：监控节点度分布、聚类系数、PageRank值、社区规模等拓扑指标的分布变化。

1.4 课程目标与学习路径

本课程旨在帮助反欺诈风控从业者、图算法工程师和数据科学家，系统掌握PSI漂移监控在反欺诈图谱中的落地方法。完成本课程后，你将能够：

1. 理解原理： 掌握PSI的数学本质、分箱策略及阈值设定逻辑。
2. 构建监控： 在反欺诈图谱上设计并实现图特征与图结构的PSI计算管道。
3. 分析漂移： 结合图谱可视化工具，定位漂移根因并输出归因报告。
4. 联动决策： 将PSI监控结果接入模型生命周期管理流程，实现自动化漂移响应。

课程学习路径分为四个阶段，建议按顺序推进：

1.5 PSI漂移监控在反欺诈图谱中的整体架构

下图展示了PSI漂移监控在反欺诈图谱中的完整数据流与组件关系：

1.6 课程适用人群与前置要求

• 适用人群： 反欺诈风控算法工程师、图数据科学家、机器学习平台开发人员、风控策略分析师。
• 前置要求：
  • 熟悉Python编程，了解pandas、numpy基础操作。
  • 了解图数据库（Neo4j或JanusGraph）基本概念。
  • 有基础的机器学习模型开发经验（分类模型、特征工程）。