数据科学 | 18世纪的欧拉与21世纪的反洗钱

来源：运筹OR帷幄本文约2200字，建议阅读7分钟什么是图？图在反洗钱中有哪些应用？这些应用面临哪些难点？

[ 导读 ]按这是一篇关于图与反洗钱的科普短文，18 世纪的欧拉先生创造的图正在 21 世纪大放异彩。什么是图？图在反洗钱中有哪些应用？这些应用面临哪些难点？让我们来看看清华大学工业工程 2021 级研究生张开元同学的讲解吧。

背景简介

最近国家召开了金融安全会议，而反洗钱是其中最主要的领域之一，图计算在其中承担了越来越重要的作用，那么什么是图计算？图计算有哪些手段、有何技术突破呢？在下面的文章中一探究竟吧！

一、什么是图

世界起于二元，归于多元。

1736年，瑞士数学家Euler（欧拉）在他的一篇论文中讨论了哥尼斯堡七桥问题，由此诞生了一个全新的数学分支——图论（Graph Theory）。

毫不夸张的说，图（graph）是数据结构和算法学中最强大的框架之一，可以用“节点”和“边”来表现任何一个包含了二元关系的结构或系统，让多元的复杂系统变得直观可见。

图1 一张非常稀疏的洗钱团伙关系图

在图论提出后的200多年中，随着理论和经验的积累，图论的应用范围逐步扩大，直到20世纪50年代以后，计算机的大量应用使得大规模问题的求解成为可能。

围绕图论，计算机科学家们设计了诸多算法，并把若干实际问题抽象出来，用图论的算法解决。

自此，图开始加速应用在电路设计、交通运输、通讯网络等复杂问题的解决上，人们运用图论带来的全新思维方式看透系统，找到事物之间流转的内在联系，进而洞察万物、预测未来。

二、图在反洗钱中的应用

以本文探讨的图计算在反洗钱中的应用为例，反洗钱、反欺诈、金融风控是图计算在金融领域的主要应用场景。图可以对存在联系的万事万物进行关联关系展示，而资金关系恰恰就是天然的关系图，洗钱的过程即是一个包含了亲友关系、转账关系、通讯关系等在内的多元系统。 

在此前的很长一段时间，由于洗钱手段的复杂性和多变性，如何有效识别洗钱活动是一个巨大挑战。常规的反洗钱规则虽然能够帮助发现一些异常的洗钱行为，但大多是根据历史数据总结出来的，过于依赖人工经验，难免疏漏。更重要的是，当前的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，对隐藏在金融交易网络中的洗钱团伙却无法识别。

近年来，在全球各国为应对洗钱活动付出高额成本之时，图技术以其关联挖掘、穿透分析等优势，逐渐走入金融监管科技领域并彰显力量。当下，反洗钱工作面临着洗钱形式多变、动态变化迅速、隐藏关系难挖掘、洗钱特征变化多样、反洗钱预警存在误报、实时监测预警难等痛点。

图2 Google中图的可视化

而在传统技术层面，首先，基于传统规则的判定方法已经不再适用，如当今演变出的第四方支付、法币与虚拟币交易等的识别和监测预测，传统判定方法很难发挥实效，以前我们积累的经验难以附加使用；第二，动态网络的监测很难实现对未来变化趋势的预测；第三，数据海量提升后，很难从大批量数据中发掘隐藏关系。

大规模图计算在一定程度上可以解决上述难点。相比传统数据库等基于关系型模型的处理方式，将图计算应用于反洗钱，可精准分析资金流动痕迹，深度刻画金融主体间的关系，让深度关系表征图谱化，使一切隐藏在数据背后的关系都有迹可循、有“图”可依，进而提高风险识别的准确性，降低误报风险。图的优势包含三个方面：一是海量数据的关系型可视化分析，二是多维异构数据的关联挖掘，三是使用机器学习的穿透分析。

图3 三种常用的图分析方法及其轮廓图

优势之一：庞杂信息看不清？

图计算能够以一种更友好的展现形式，将通过高深算法挖掘出来的分析结果直观、流畅地展示出来，让使用者一目了然。

优势之二：千丝万缕看不懂？

传统分析方法中对关联数据的挖掘，更多是在单一维度上进行数据的穿透分析，如社会关系维度、资金流水维度、通话维度等，但往往很难直观发现这三者间的关系。借助于图技术，我们可以通过图的穿透挖掘能力，进行核心人员定位、关联交易网络构建等隐藏关系挖掘，直观展现资金关联交易图谱，洞悉表象之下的隐含关系。

优势之三：钱款、团伙痕迹追不到？

从微观层面，在诸多资金追踪项目中，针对某一笔大额可疑交易的报送，经常遇到柜台或ATM取现导致的资金追踪中断的情况，给分析工作造成很大阻碍。而图计算则可从海量交易中实现对单笔资金链路全貌的追踪，通过为账户打标签，对包含有现金交易的资金交易过程进行穿透和展示，洞察钱款的拆分流转路径，识别出哪一笔交易是取现交易后续最合理、可能性最高的关联交易，把后面的断点续上。

简而言之，图计算算法不是随便找出一笔交易，告诉我们这是对的。而是通过算法匹配，在海量的数据中精准锁定哪一笔交易是最合理、可能性最高的。从宏观层面，基于图计算的深度学习能力，通过标记已知团伙，训练了图深度学习的模型，通过不同时间节点中图的变化，得以监测分析洗钱团队的发展变化过程和存量变迁。此外，通过机器学习的方式，我们还可通过对其中某一个团伙发展动态的分析和算法推演，智能识别出整个洗钱团伙的发展轨迹以及与该团伙有关联关系的人和其他团伙。

图4 图社区团伙分析结果

三、总结与展望

随着交易的方式越来越多元，交易的手段越来越便捷，所产生的数据也越来越多，那么图计算在反洗钱应用时如何应对海量产生的数据，同时这些数据如何组织，存储，如何在算力，内存等限制下做到模型训练的及时性，有效性。在遇到NPC难题时如何近似计算，这些都是需要在未来进一步解决的问题，比如在存储点边时如何切割，在存储时是否需要存内部静态ID，在搜索时可否引入外部动态ID，计算如何并行及近似计算，值得大家共同了解，携手去解决这些问题。

作者简介

张开元，清华大学工业工程2021级研究生，主要研究方向为超大规模图计算引擎的设计与研发。

编辑：黄继彦校对：林亦霖