枫清科技-图智能在反洗钱方向的应用实践

演讲⼈：Fabarta贾志鹏 目录Contents 第⼀章节：业务背景第⼆章节：分析过程第三章节：案例介绍第四章节：总结 业务背景 背景 反洗钱业务背景 ⾦融技术、⾦融创新快速发展，普及、应用，⾦融交易量迅速增长，洗钱、恐怖融资等犯罪⾏为层出不穷，犯罪⼿段不断翻新，呈现专业化、团伙化、隐蔽化等特点，严重危害⼈民群众的财产安全和合法权益。 洗钱团伙挖掘 洗钱活动往往涉及到团伙犯罪，⽽反洗钱规则只适用于识别单个账户的洗钱⾏为，需要进⼀步对参与反洗钱的可疑交易洗钱团伙进⾏挖掘，从⽽深⼊识别风险较⼤、相互关联的可疑团伙群体，有效提升反洗钱可疑交易报告的情报价值，也为进⼀步探索相关技术在全面风险管理、客户关系挖掘等⽅面的应用奠定基础。 业务流程及痛点 业务痛点 l时间长：单个案例处理时间较长（20-50分钟）l⼿段局限：SQL筛选过滤，⽆法对关联数据进⾏深度分析l⼈⼯处理⼯作量⼤：每年数万多起案例数据l问题数据⽆法得到融通和应用：可疑数据上报后⽆后续利用 分析过程 分析过程 模型分析 数据收集 建立图谱 团伙发现 数据融通 -应用多种数据分析建模⼿段，发掘可疑个体 -融合客户交易数据，客户资料，外部数据等多源数据 -面向反洗钱主题，构建基础图谱，在基础图谱上进⼀步建立特征图谱 建立图谱 1.收集相关数据，建立基础数据图谱；-个⼈账户信息，如账户数量、证件、地址和电话等；-企业账户信息，如注册资⾦、经营范围和股权情况等；-交易数据，如⾦额，交易时间，交易对⼿；-交易⾏为信息，如⽹银交易（IP地址、MAC地址），柜面交易，交易⽹点等； 2.应用基础数据图谱，进⼀步进⾏特征加⼯，并在此基础上进⼀步发现关联关系；-账户资料的特征，如同⼀注册地址、持股关联⽅和⼀致⾏动⼈等；-资⾦交易上的特征，如频度、模式、速度和⽅式等；-交易⾏为的特征，如同⼀IP地址及MAC地址下的关联交易、同⼀区域⽹点内分散交易等； 模型分析 在原有分析维度的基础上融⼊图相关特征进⾏建模分析； 相关性 顶点重要性 eigenvector_centrality：特征向量中⼼性HITSPageRankkatz_centrality attribute_assortativity_coefficient：属性相关degree_assortativity_coefficient：度数相关 顶点度相关统计 社区相关 average_degree_connectivity：顶点度平均degree centrality：度中⼼k-core：k度k-shell：< k度剥离 clustering：社区聚集triangles：三角计数louvain：社区发现lpa：标签传播wcc：连通图 路径和遍历 ©2023Fabartaaverage_shortest_path_length：平均最短路径bfs：⼴度优先sssp：加权最短路径k shell：< k度剥离 案例介绍 案例说明 本案中所有数据及分析过程为应用开源数据集进⾏模拟分析，并⽆任何真实业务数据； •本案例数据来源于开源数据集IBM/AMLSim（https://github.com/IBM/AMLSim）；•本场景分析过程中应用⼯具为Fabarta图智能分析平台； 案例流程 数据探查 交易个体特征的发现-筛选交易个体 l统计所有账户的转⼊⾦额/转出⾦额比例l标准差法找出异常值：比平均值⾼出两个标准差的数据 异常点分析 围绕异常点过滤⼦图 l围绕选定account:996账户展开其相关交易链路l通过图探查发现交易为多个账户转⼊汇聚到该账户上 图结构特征探查 围绕⼦图开展团伙发现 l图结构特征的探查-三角计数l发现account:996的三角计数结果明显⾼于其他账户l通过图探索围绕账户account：996存在⼤量聚集关联交易 图结构特征发现 结合聚类结果和结构特征的发现 l针对上述发现的围绕账户“account:996”的聚集关联交易进⾏聚类分析-鲁汶算法l可以发现分组4中交易关系复杂，且交易总量达到148万，平均每笔6.7万，可以确定为可疑团伙 图结构特征发现 针对分组4，进⼀步分析发现团伙分⼯ l统计分组内各账户的转⼊转出笔数l账户“account:996”为转⼊笔数显著⼤于转出笔数，为疑似 接收者l账户“account:876”,“account:466”,“account:305”，均为发起转⼊账户，为疑似发起者l其余账户参与交易，且转⼊转出笔数相似，疑似洗钱参与者 图模式转化为任务 结合以上步骤的发现的图模式，建立对应的图模式任务，进⼀步在全量数据集中应用已发现模式识别可疑团伙⾏为 •可视化构建图模型；•支持结构化/非结构化数据库数据接⼊离线/实时接⼊；