共计 2425 个字符，预计需要花费 7 分钟才能阅读完成。
图计算技术在金融反洗钱，风控，KYC，股票举荐等畛域的价值引人注目。图数据库作为图计算技术最重要的根底软件，其选型对我的项目的最终成果起着决定性的作用。
目前，业内还没有针对金融场景的选型测试工具，导致金融机构在进行图数据库选型测试时，只能基于本身的某个场景，或应用一些非金融场景的基准测试（如基于社交网络的 LDBC-SNB，Twitter 数据集等）来对图数据库进行测试。
这两种形式都存在较大的缺点。基于自有场景的测试，在数据代表性、场景算法等方面都有局限，因为进行选型时理论应用场景还没有齐全确定，只能应用“以后能想到”的一部分场景、数据和算法来测试。而应用基于社交网络的基准测试，则会产生场景错配的问题，因为社交场景的数据和算法与金融场景并不统一。
为了解决这一艰难，蚂蚁团体向国内关联数据基准委员会（下文简称 LDBC）组织提议设计一个针对金融场景的图数据库测试基准，这一基准命名为 LDBC-FinBench（下文简称 FinBench），目前曾经在 LDBC 正式立项，预计于 2022 年底公布内测版本，明年第二季度正式公布正式版本。
LDBC-FinBench 项目组由蚂蚁团体牵头，Intel、海致星图、创邻科技、Ultipa、悦数科技、TigerGraph 等国内外 10 家图计算畛域的科技企业、行业专家参加。和聚焦社交网络场景的 LDBC-SNB 测试基准不同，FinBench 模仿了金融场景下实在的数据分布和数据查问，帮忙理解被测系统在金融场景下的综合体现，为客户抉择和洽购图计算产品提供了业余、主观的规范和工具。
LDBC FinBench 工作小组通过大量调研和多轮探讨，参考大量国内外成熟的数据库测试基准设计办法和蚂蚁团体、不同金融机构的大量实在业务场景，于 2022 年 6 月对外公布了基准阐明（草案）并征求意见，进行迭代和丰盛，目前已收到不少来自客户、合作伙伴和开发者的询问。大家广泛关注 FinBench 中的图模型（Schema）以及相干的基于图数据的查问（Workloads）。下文将着重介绍 FinBench 在这些方面的设计。
1. 合乎实在金融场景的数据模型设计（Data Schema）
LDBC FinBench 的数据模型旨在反映金融零碎中的实在数据。事实零碎中常见的金融实体包含账户（Account）、媒介（Medium）、人（Person）、公司（Company）、贷款（Loan）。实体是顶点，边反映金融流动，例如资金从一个账户转移（Transfer）到另一个账户。
金融场景的数据模型与一般社交网络相比，有一些显著的差异。例如两个账户之间能够存在许多转账记录，在图模型中就显示为两个顶点之间能够存在多条边。而社交网络中的敌人关系，只是繁多的边。另外，金融场景中，顶点存在动静的属性来标记实体状态。例如，一个账户依据不同的状况，能够被标记为标黑（blocked）或非标黑；转账的金额差异很大，所以代表转账的边中存在数量的属性等。
须要强调的是 LDBC-FinBench 数据模型的很多边类型上，都减少了一个工夫戳（timestamp）的属性，这是金融场景下十分重要的数据。无论转账、贷款、贷款、偿还款，甚至用户登录、贷款申请、公司投资和担保的具体工夫和先后顺序，都蕴含着有价值的信息。因为减少了工夫戳（timestamp）属性，特定工夫频繁操作等情景也能够被无效辨认进去。
2. 具备多场景业务数据的简单查问能力（Workload）
在线的金融零碎在进行数据处理和剖析中，会进行大量的读操作、写操作和读写混合的操作。思考了事实业务中的对数据拜访的复杂性的差异，FinBench 还把读操作分为了简略读、简单读。FinBench 阐明文档（草案）具体地形容了 14 种简单读查问（TCR），8 种简略读查问（TSR），14 种写查问（TW），5 种读写混合查问（TRW）。
从金融畛域的业务角度来看，这些查问反馈的场景很多，包含资金追踪、集资提款行为辨认、资金快进快出辨认、转账环辨认、账务例行查看、持股类似度剖析、股权关联剖析、担保环辨认等。
上面让咱们选取几个典型的查问，做进一步介绍（以下为测试模仿场景，非实在业务）。
2.1 转账环辨认（TCR 4）
这条查问能够辨认三个账户是否造成一个转账的环路。转账环能够无效辨认潜在的洗钱行为。
2.2 资金快进快出辨认（TCR 7）
资金频繁的进出一个账户，金额近似，工夫近似。风控部门拿到转入和转出的账户的列表，就能够进行下一步的剖析和判断。
2.3 通过贷款的异样转账辨认（TCR 9）
这是一种绝对荫蔽的异样转账行为，最下面的 up 账户通过 mid 账户向 down 账户转钱。如果间接转，很容易从转入转出的工夫和金额上被辨认。有些人就会采纳先贷出款，而后转账到下家 down，再通过上家 up 转账给 mid，最初 mid 把贷款的钱还上。这种情景下各类交易（边上的工夫戳）肯定要满足相应的先后顺序（edge2 早于 edge4 早于 edge3 早于 edge1）。
转账环辨认后，封闭高风险账户（TRW 1）
这是一个读写组合查问。零碎承受到一笔转账申请后，先查问账户的标黑（blocked）状态，如果状态失常，并不是马上转账，而是插入转帐边，查看退出新的边后，图中会不会造成转账环。如果造成了转账环，就能够把账号标黑。
这是一个实时产生的场景，能够在转账产生前，就辨认出可能的转账危险。比起预先再对进行数据的剖析，账户的标黑和损失钱款的追缴，能够无效地爱护账户和交易的平安。
小结：
LDBC-FinBench 的数据模型和查问对金融场景做了肯定的形象。基准测试的次要目标是为了更好地掂量图数据库的性能和性能，为洽购和研发提供参考。LDBC-FinBench 同时也是一个行业级的基准测试，对于金融行业的用户，在图数据库的利用设计和产品翻新等方面也将起到抛砖引玉的作用。
目前 FinBench 工作还在紧锣密鼓的推动中，欢送感兴趣的组织或集体退出共建。期待大家继续关注 LDBC-FinBench 的动静。