2. 反欺诈图谱基础：图谱数据结构与典型场景

反欺诈图谱的核心是将实体（如用户、设备、IP、订单）及其关联关系建模为图结构。理解图谱的数据结构是构建回放血缘分析的前提。本章将系统讲解图的三大要素——节点、边、属性，并通过两个典型反欺诈场景（团伙欺诈、设备指纹关联）展示图谱的实际应用价值。

2.1 图谱数据结构三要素

反欺诈图谱采用属性图模型，由节点、边和属性构成。下表对比了三者的定义与在反欺诈中的典型映射：

2.2 典型反欺诈场景一：团伙欺诈

团伙欺诈通常表现为多个账户共享同一设备、同一IP或同一手机号，形成密集的“星型”或“网状”子图。图谱能直观暴露这种异常聚集结构。

以下SVG图展示了一个典型的团伙欺诈图谱结构：

2.3 典型反欺诈场景二：设备指纹关联

设备指纹是反欺诈体系中的关键锚点。通过图谱将设备指纹与用户、IP、地理位置、应用列表等属性关联，可以识别设备篡改、模拟器、设备农场等高级欺诈手段。

以下SVG图展示了设备指纹关联图谱的层次结构：

2.4 图谱数据模型对比

在实际工程中，反欺诈图谱的数据模型通常有两种主流实现方式。下表对比了它们的差异：

2.5 图谱构建的Spark数据结构映射

在Spark中，反欺诈图谱的节点和边会被映射为以下RDD结构：

// 节点RDD结构：(vertexId, (vertexType, propertiesMap))
// 示例：用户节点
(1001L, ("User", Map("name" -> "张三", "age" -> "28", "reg_time" -> "2024-01-15 10:30:00")))

// 设备节点
(2001L, ("Device", Map("imei" -> "abc123", "model" -> "iPhone14", "os" -> "iOS17.2")))

// 边RDD结构：(srcId, dstId, (edgeType, propertiesMap, timestamp))
// 示例：登录关系边
(1001L, 2001L, ("login", Map("ip" -> "192.168.1.1", "geo" -> "北京"), 1705293000000L))