星环图数据库Demo教程，实现反洗钱场景下银行转账流水数据分析
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。
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、 描述场景
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
三、 创建图谱并导入数据
1. 创建图谱（schema）
步骤一 进入KG Explorer后，点击右上角“创建图”按钮，填写图名称后开始创建。
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。Tip：将点的颜色进行差异化定义，以便于后续观察分析。
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”。
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”。
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）。
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“发布”
后，即可导入数据进行数据分析。
3. 导入数据
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。
1. 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）
2. 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 /
- 数据集上传
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。
在“数据导入”页面中选择“文件管理”，点击“上传文件”后，选中您刚刚下载的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
此时需点击编辑，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”属性配置如下所示：
第四个点数据“银行”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。
- 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
操作示例一：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
操作示例二：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 > 10000000RETURN 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 10RETURN 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~~
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/70046520/viewspace-3088639/ ，如需转载，请注明出处，否则将追究法律责任。
