“与黑产团伙的斗争，永远是道高一尺，魔高一丈的博弈。”一位股份制银行风控部门人士赵强(化名)感慨说。

近日，他发现贷款欺诈行为正变得更加“隐蔽”——比如一家企业因资金周转困难，竟怂恿员工向银行申请个人消费贷款“纾困”。随着这些员工未能按时偿还贷款，银行方才发现这家企业早已因经营不善而倒闭，员工拿不到企业还款，也就无力偿还贷款。

“这让我们意识到，原先的数据反欺诈风控模型或许已过时。”赵强表示。一直以来，银行通过跟踪信贷资金流向以防范欺诈风险的各项数据，主要通过表格方式存储呈现。但随着银行每日交易流水量达到百万级，传统的表格查询方式不但跟不上业务发展速度，极其“抽象”的呈现方式也令银行风控部门难以在海量数据里，精准捕捉贷款欺诈行为的蛛丝马迹。

记者多方了解到，随着贷款欺诈方式日益多元化与隐蔽化，越来越多银行机构也意识到传统数据反欺诈技术的局限性，纷纷探索基于知识图谱(关系网络)的新型反欺诈技术。

“所以越来越多金融机构选择图数据库技术作为反欺诈模型的底层技术。”TigerGraph【维加星信息科技(上海)有限公司】解决方案顾问李憓松向记者透露。某种程度而言，图数据库技术好不好用，呈现的用户账户关系网络全不全，数据处理分析速度能否起到实时预警欺诈风险的效果，对银行持续升级反欺诈风控模型有着至关重要的作用。

所谓图数据库技术，主要是通过点和边的形式呈现人、地点、事物等数据是如何相互关联的，进而协助银行风控部门通过图分析技术，借助用户社会关系、交易模式关联、互联网行为、移动设备等数据特征，对客户行为模式进行匹配分析，精准判断客户是否存在贷款欺诈(或遭遇欺诈而申请贷款)的可能性。

“目前，不少银行基于图数据库技术，一面构建基于知识图谱(关系网络)的反欺诈风控模型，一方面则挖掘出新的反欺诈风控规则，在大幅提升欺诈行为预判精准性同时，有效抵御黑产团伙的频繁大规模攻击。”一位城商行风控部门主管向记者直言。比如在信用卡套现欺诈行为的侦测过程，他所在的银行采取多部图及高密子图侦测等方法，将代码运行时间从2-3周缩短为1小时，输出结果覆盖的黑样本(与黑产团伙相关的账户号码等)从总量的58%提高到77%，既提升了对欺诈行为的实时监测预警效率，也令更多欺诈行为变得无所遁形。

李憓松透露，当前图数据库技术还能有效搜索资金交易链路、回路等结构，在发现洗钱链路、套现团伙、反贷款欺诈等业务应用场景具有天然的优势。

银行与黑产团队的“斗智斗勇”再升级

记者多方了解到，随着科技发展，贷款欺诈方式也变得多元化——尤其是越来越多黑产团伙从原先的盗号，演变成使用大规模攻击、通过IP池等技术绕过风控规则实施贷款欺诈，导致金融机构遭遇的欺诈状况日益复杂，传统的数据反欺诈模型变得“力不从心”。

“目前，黑产团伙还呈现专业化、产业化、隐蔽化、突发化的新特征。”赵强向记者指出。

所谓专业化，即黑产团队招募大量风控人员，专业黑客、AI专家等，通过大规模攻击等方式“反复测试”金融机构的反欺诈风控规则，一旦他们掌握这些风控规则且找出相应的漏洞，就会迅速制定针对性欺诈手段骗取巨额贷款资金。

产业化，则是贷款欺诈行为已从单个作案发展成团伙作案，即黑产团队通过获取大量账号进行大规模攻击，以实现欺诈收益最大化。

隐蔽化，即黑产团队跨境作案日益普遍，往往会利用IP池对身份进行洗牌，将交易链路变得更加复杂，从而令金融机构难以开展深层次数据挖掘以识别其中的欺诈风险。

突发化，是黑产团队账户号码一旦进入征信系统就迅速“作废”，迫使黑产团伙采取两种方式对这些账户号码进行最大化利用，一是用一个号码向多家银行等金融机构进行骗贷，二是使用很多账户在同一时间内，对银行等金融机构反欺诈规则漏洞进行大规模突击性攻击，若银行等金融机构不具备高实时性的反欺诈监测能力，就容易被“攻破”。

“这无形间对银行持续升级反欺诈风控模型提出更大的考验。”赵强强调说。目前他所说的银行反欺诈风控模型已出现某些技术性短板，一是对欺诈行为的数据监测分析存在“滞后性”——当银行发现欺诈行为踪迹时，有些欺诈行为已发生;二是反欺诈风控规则迭代更新速度偏慢，容易被黑产团队利用大规模攻击方式“洞察”其中秘密。

记者获悉，这驱动越来越多银行等金融机构开始尝试使用图数据库技术工具，构建反欺诈风控新模型。

李憓松告诉记者，已有多家银行使用TigerGraph图分析技术构建基于知识图谱的反欺诈模型。究其原因，一是TigerGraph实时图数据库能将不同数据源的万亿级数据进行集中处理，并提供实时查询能力，从而在贷款发放前识别欺诈行为;二是TigerGraph可以为机器学习提供图特征，对某些隐蔽性高的欺诈行为进行快速识别，比如通过对借款人的各类关系特征进行建模，对潜在的欺诈行为进行毫秒级实时甄别;三是图特征结合逻辑回归、决策树等机器学习算法所得到的预测分析结果比较容易理解，有助于银行风控人员加快反欺诈风控模型迭代升级进