【有手就会】图数据库Demo教程，实现反洗钱场景下银行转账流水数据分析

前言

星环社区版家族于近期发布了单机、30s一键启动的StellarDB图数据库，本篇文章将为用户介绍如何使用开发版StellarDB实现人物关系探索。

友情链接：白话大数据 | 关于图数据库，没有比这篇更通俗易懂的啦

TDH社区版本次发布StellarDB社区版开发版，让更多用户地低资源成本上手体验企业级图数据库。如果您感兴趣的话，可以访问星环官网进行产品下载，StellarDB社区开发版是免费提供给大家的，欢迎大家下载使用。

StellarDB社区开发版相关链接

• StellarDB社区开发版安装手册（含演示视频）
• StellarDB使用手册
• 产品下载地址
• 更多社区版相关资源
• 《诡秘之主》中人物关系探索Demo

操作前提

您需要先基于安装手册完成StellarDB图数据库的安装后才可以开始进行下方操作。

一、 场景描述

金融技术的飞速进步促使金融机构规模急剧扩张，同时，洗钱犯罪活动亦随之进化，变得更为新颖、专业化、团伙导向且难以察觉，给反洗钱工作带来严峻挑战。在此背景下，本演示将以StellarDB的KGExplorer工具为核心，展示如何分析并可视化银行转账记录，从中抽丝剥茧，揭示潜在的反洗钱犯罪线索。

二、 数据集介绍

数据集结构

节点介绍

节点名称（label）	节点包含的属性（数据的类型）
客户	姓名（STRING）、地址（STRING）
受益人	姓名（STRING）、地址（STRING）
银行	名称（STRING）
交易	id（STRING）、金额（INT）

边介绍

边名称（label）	边的起始节点与指向节点
发起交易	客户指向交易
转账给	交易执行受益人
持有账户	客户指向银行

数据集获取

https://transwarp-ce-1253207870.cos.ap-shanghai.myqcloud.com/TDH-CE-2024-5/%E5%8F%8D%E6%B4%97%E9%92%B1%E4%B9%8B%E9%93%B6%E8%A1%8C%E8%BD%AC%E8%B4%A6%E6%B5%81%E6%B0%B4%E5%88%86%E6%9E%90.csv

三、 创建图谱并导入数据

1. 创建图谱（schema）

步骤一 进入KG Explorer，点击右上角“创建图”按钮，填写图名称进行创建

注意：StellarDB社区开发版创建图时，副本数只能为1。

2. 定义图谱

添加节点

按alt/command+左键单击。

在画布中添加节点后，将节点的“label”定义为“交易”，并为其添加“id”属性，属性类型为“STRING”，添加“金额”属性，属性类型为“INT”。添加完成后点击“保存”。

在画布中添加节点，将节点的的“label”定义为“客户”，并为其添加“姓名”与“地址”属性，属性类型为均为“STRING”，添加完成后点击“保存”。

继续重复上述操作，分别添加“银行”与“受益人”等节点，并为其添加对应的属性及属性的数据类型（具体属性参考第二部分节点介绍中的表格）

tips: 可以选择将点的颜色进行差异化定义，以便于后续观察分析，最终效果如下:

添加关系

按住shift键同时选中两个节点完成关系添加

注意，关系具有指向性，先点击为起点，后点击为终点。

按住shift键，依次点击“客户”与“交易”，创建“客户”与“交易”节点之间的关系，label为“发起交易”，添加完成后点击“保存”。

重复上述操作，分别在“客户”与“银行”之间创建“持有账户”关系、“交易”与“受益人”之间创建“转账给”关系。

此时，图谱已经创建完成，点击右上角后，即可导入数据进行数据分析。

3. 导入数据

数据集上传

注意：在上传文件之前，需要提前对‘hive’用户进行赋权，否则上传时将报错。操作方式有两种，推荐使用Guardian赋权的方式解决。
a) 在Guardian服务界面“一键开启安全”后，访问Guardian Server界面对hive用户赋予 HDFS 的 ‘/’ 目录可读可写可执行的权限。（推荐操作）
b) 未开启Guardian时，在服务端初始化客户端后，执行如下命令：
        export HADOOP_USER_NAME=hdfs
        hdfs dfs -chmod -R 777 /

步骤一 在图管理页面找到刚刚创建的图谱，点击“导数”进入数据导入页面。

步骤二 下载<第二部分数据集获取>中的数据集后上传至KG

在“数据导入”页面中选择“文件管理”，点击“上传文件”选择下载好的csv文件，将其上传至KG。上传成功后可以看到数据源文件列表中有对应的文件显示。

修改列属性

点击编辑，将“col0”列的列名改为“客户姓名”，将“交易金额”列的数据类型改为“int”。

csv导数

然后，返回csv导数页面，按照如下顺序，依次点击选中目标数据集。注意：此处需点击7次 ‘添加’，然后将添加文件分别设定为4个“点”与3条“边”。

配置点属性映射

先对4个点数据配置属性映射。具体映射配置的内容为：

第一个点数据对应点的uid为“客户姓名”，label映射为“客户”；下方属性映射：图属性“姓名”对应的映射列名为“客户姓名”、“地址”对应“客户地址”。可参照下图进行配置：

第二个点数据“交易”属性配置如下所示：

第三个点数据“受益人姓名”属性配置如下所示：

第四个点数据“银行名称”属性配置如下所示：

配置边属性映射

接着对边数据进行起点uid、终点uid映射配置。具体配置内容为：

• 1) 边label映射为“发起交易”、起点uid为“客户姓名”、起点label映射为“客户”、终点uid为“交易id”、终点label映射为“交易”。
• 2) 边label映射为“转账给”、起点uid为“交易id”、起点label映射为“交易”、终点uid为“受益人姓名”、终点label映射为“受益人”。
• 3) 边label映射为“持有账户”、起点uid为“客户姓名”、起点label映射为“客户”、终点uid为“银行名称”、终点label映射为“银行”。

配置完成后，点击右下角“导入”，等待数秒钟后，即可完成数据导入。

Note:导入完成后可以点击右侧感叹号查看是否有失败的，如果有的话仔细查看是否前面的步骤配置有问题，进行重新映射或修改点/边数据。

四、 展示节点关系

回到首页进入图探索页面。

操作示例1. 展示客户与银行节点之间的关系

MATCH (c:客户)-[a:持有账户]->(b:银行)
RETURN c,a,b
limit 100

操作示例2. 展示客户节点、交易节点、受益人节点之间的关系。

MATCH (c:客户)-[f:发起交易]->(t:交易)-[z:转账给]->(s:受益人)
RETURN c,f,t,z,s
limit 50

五、 数据分析

交易异常检测

检测大额交易：金额超过1000万的交易

MATCH (c:客户)-[f:发起交易]->(t:交易)-[z:转账给]->(s:受益人)
WHERE t.金额 > 10000000
RETURN c,f,t,z,s

检测频繁的小额交易：金额10000以内，且超过10笔交易

MATCH (c:客户)-[f:发起交易]->(t:交易)
WHERE t.金额 < 10000
WITH c, COUNT(t) AS transactionCount
WHERE transactionCount > 10
RETURN transactionCount,c

关系网络分析

查询频繁交易的客户与受益人，超过5次的相同客户与受益人的转账，并展示交易次数

MATCH (c:客户)-[:发起交易]->(t:交易)-[:转账给]->(b:受益人) 
WITH c, b, COUNT(t) as transactionCount WHERE transactionCount > 5 
RETURN c.姓名 AS 客户名字, b.姓名 AS 受益人名字, transactionCount 
ORDER BY transactionCount DESC

客户交易行为分析

找出进行交易次数最多的客户，了解哪些客户最活跃。

MATCH (c:客户)-[:发起交易]->(:交易)
WITH c, COUNT(*) AS transactionCount
ORDER BY transactionCount DESC
LIMIT 10
RETURN c.姓名 AS 客户名字, transactionCount AS 交易次数

受益人地址聚类分析

基于受益人地址分析资金流向的地域分布

MATCH (:交易)-[:转账给]->(b:受益人)
WITH b.地址 AS Address, COUNT(*) AS TransferCount
RETURN Address, TransferCount
ORDER BY TransferCount DESC

了解各银行被多少客户持有账户，评估银行的市场占有率

MATCH (c:客户)-[:持有账户]->(b:银行)
WITH b, COUNT(DISTINCT c) AS accountHolders
RETURN b.名称 AS 银行名称, accountHolders AS 账户持有者数量

以上就是完整的demo教程，希望对您快速上手图数据库有所帮助，如果还有想要学习了解的内容，欢迎多多留言~~