图风控与黑灰产团伙识别

图风控与黑灰产团伙欺诈识别体系 (Graph-based Risk Control & Collusion Syndicate Detection) 是利用图数据结构（异构图 Heterogeneous Information Networks, HIN）与图机器学习算法挖掘隐藏在海量复杂资金流转与设备关联背后的“有组织团伙作案”的核心防御系统；系统将实体（用户 User、设备 Device、IP、银行卡 Card、WiFi BSSID）建模为图节点，将实体间的行为交互（转账、同设备登录、同收货地址、同邀请链）建模为带权异构边；通过图算法进行全方位挖掘：1) 规则拓扑子图匹配：检测环形转账、快进快出星形汇聚、稠密全连接子图；2) 社区发现算法 (Community Detection, 如 Louvain / Infomap / LPA 标签传播)：无监督聚类出可疑孤立黑产子群；3) 图神经网络 (GCN, GAT, RGCN, CARE-GNN)：端到端学习节点拓扑表征并实现黑产节点分类。

信用卡套现团伙挖掘、赌博洗钱网络切断、电商刷单组织识别、虚假账号农场群控发现。

传统单点特征与树模型只能分析孤立用户的静态属性，对黑产通过“分散成数百个小号协同洗钱、互相转账掩护”的团伙作案完全束手无策；图风控利用拓扑关联直接击穿黑产团伙防护网，实现“抓出一个、带出一窝”。

详细画出金融洗钱中的“漏斗汇聚型 (Fan-in)”、“分散分流型 (Fan-out)”与“循环洗钱环 (Cyclic Motifs)”的典型图拓扑结构？

Louvain 社区发现算法的模块度 (Modularity: $Q = \frac{1}{2m} \sum_{i,j} [A_{ij} - \frac{k_i k_j}{2m}] \delta(c_i, c_j)$) 优化原理与多尺度分层聚类？

面对包含数亿节点与百亿边的大规模异构图，如何通过图分块 (Graph Partitioning) 与分布式图引擎 (GraphScope / DGL / PyG) 实现分布式图训练？

CARE-GNN 与 GAT 如何在邻居节点聚合时抵抗黑产故意添加的虚假伪装边（Camouflage Attack / Adversarial Edges）？

在线实时图特征抽取（如通过 Neo4j / Nebula Graph 在 10ms 内完成 2 度关联跳步查询与度中心性度量）的工程架构与缓存？