胡鵬飛

北京宜信致誠(chéng)信用管理有限公司，北京 100022

1 引言

2006—2016年，中國(guó)的普惠金融已經(jīng)發(fā)展成為中國(guó)金融體系的重要組成部分，隨著行業(yè)監(jiān)管細(xì)則的不斷落地，行業(yè)發(fā)展愈加有章可循。但與此同時(shí)，借款人的信用風(fēng)險(xiǎn)（借款人多頭負(fù)債和欺詐風(fēng)險(xiǎn)）嚴(yán)重影響了行業(yè)的健康發(fā)展。這些風(fēng)險(xiǎn)如果得不到很好的防控，很可能會(huì)演化成一個(gè)行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)。在此背景下，如何做好風(fēng)險(xiǎn)管理與防范成為行業(yè)發(fā)展的重中之重。

2 互聯(lián)網(wǎng)金融行業(yè)面臨的挑戰(zhàn)

隨著互聯(lián)網(wǎng)金融行業(yè)規(guī)模的不斷擴(kuò)大，借款需求持續(xù)增加，行業(yè)整體的風(fēng)控水平亟待提升，主要面臨的挑戰(zhàn)包括以下3點(diǎn)。

● 行業(yè)數(shù)據(jù)“孤島”現(xiàn)象嚴(yán)重。互聯(lián)網(wǎng)金融機(jī)構(gòu)每天都會(huì)接到大量借款申請(qǐng)，但由于缺乏數(shù)據(jù)共享機(jī)制，機(jī)構(gòu)獲知有關(guān)借款人的信用數(shù)據(jù)，特別是強(qiáng)金融屬性數(shù)據(jù)的難度非常大。一方面導(dǎo)致機(jī)構(gòu)無(wú)法有效判斷客戶的風(fēng)險(xiǎn)等級(jí)，另一方面也導(dǎo)致多頭負(fù)債現(xiàn)象頻生。這就需要通過(guò)技術(shù)手段實(shí)現(xiàn)信用信息的互聯(lián)互通，并從海量數(shù)據(jù)中挖掘有效信息用以識(shí)別信用風(fēng)險(xiǎn)。

● 行業(yè)惡意欺詐現(xiàn)象越來(lái)越嚴(yán)重，欺詐手段不斷翻新，且趨于科技化、專業(yè)化、規(guī)?；哺哂须[蔽性，這已經(jīng)嚴(yán)重制約了互聯(lián)網(wǎng)金融行業(yè)的健康發(fā)展。

● 金融科技在風(fēng)控制領(lǐng)域滲透度低，行業(yè)機(jī)構(gòu)的風(fēng)控水平參差不齊，很多機(jī)構(gòu)仍采用線下人工的傳統(tǒng)信用審計(jì)方式，缺乏金融科技的應(yīng)用與助力，在風(fēng)控成本、風(fēng)控質(zhì)量、風(fēng)控時(shí)效性上均無(wú)法滿足實(shí)際的業(yè)務(wù)需求。

因此，首先應(yīng)當(dāng)解決行業(yè)數(shù)據(jù)割裂的瓶頸，形成了一個(gè)行業(yè)機(jī)構(gòu)間的共享生態(tài)系統(tǒng)，實(shí)現(xiàn)互聯(lián)網(wǎng)金融行業(yè)數(shù)據(jù)的互聯(lián)與互通，有效防范行業(yè)多頭負(fù)債的發(fā)生。其次，應(yīng)擁有強(qiáng)大的信用數(shù)據(jù)分析與挖掘能力，推動(dòng)數(shù)據(jù)在風(fēng)控決策中的運(yùn)用，幫助機(jī)構(gòu)防范信用風(fēng)險(xiǎn)。最后，應(yīng)最大化地將金融科技與業(yè)務(wù)融合，并通過(guò)量化評(píng)分、風(fēng)險(xiǎn)分級(jí)，對(duì)風(fēng)險(xiǎn)實(shí)現(xiàn)最優(yōu)排序性和區(qū)分度，準(zhǔn)確識(shí)別用戶欺詐的可能性，精準(zhǔn)反饋風(fēng)險(xiǎn)信息。

3 技術(shù)難點(diǎn)及應(yīng)對(duì)思路

為了解決當(dāng)前互聯(lián)網(wǎng)金融行業(yè)面臨的挑戰(zhàn)，防范行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的集中爆發(fā)，推動(dòng)行業(yè)健康發(fā)展，北京宜信致誠(chéng)信用管理有限公司（以下簡(jiǎn)稱致誠(chéng)信用）推出了致誠(chéng)阿福風(fēng)控平臺(tái)（以下簡(jiǎn)稱阿福平臺(tái)），以共享為核心，基于強(qiáng)金融屬性數(shù)據(jù)及先進(jìn)風(fēng)控經(jīng)驗(yàn)、大數(shù)據(jù)分析應(yīng)用及評(píng)分建模能力，采用分布式服務(wù)化的系統(tǒng)架構(gòu)，通過(guò)RESTful應(yīng)用程序編程接口（application programming interface，API）方式提供海量數(shù)據(jù)對(duì)接查詢服務(wù)，幫助信貸機(jī)構(gòu)防范在貸前調(diào)查、貸中授信和貸后管理中因信息不對(duì)稱帶來(lái)的潛在風(fēng)險(xiǎn)。除此之外，還將知識(shí)圖譜、大數(shù)據(jù)分析等金融科技應(yīng)用于信用審計(jì)風(fēng)控領(lǐng)域，以提升機(jī)構(gòu)風(fēng)險(xiǎn)管理的效率和效果，讓金融科技成為金融行業(yè)發(fā)展的動(dòng)力。這是專為網(wǎng)絡(luò)借貸機(jī)構(gòu)、消費(fèi)信貸、小額信貸、銀行信用卡中心等提供身份識(shí)別、反欺詐、信用評(píng)估等服務(wù)的一站式智能風(fēng)控云平臺(tái)。

在開(kāi)發(fā)阿福平臺(tái)的過(guò)程中，存在一些技術(shù)上的難點(diǎn)，主要包括以下幾個(gè)問(wèn)題。

（1）第三方機(jī)構(gòu)的系統(tǒng)穩(wěn)定性問(wèn)題

第三方機(jī)構(gòu)系統(tǒng)規(guī)范程度不同，提供服務(wù)的能力參差不齊，如果千萬(wàn)級(jí)的訪問(wèn)量直接運(yùn)行在第三方機(jī)構(gòu)的系統(tǒng)上，絕大部分系統(tǒng)都難以承載。即使有緩存層作為防護(hù)，還是會(huì)存在緩存穿透的可能性，導(dǎo)致大量請(qǐng)求涌入第三方機(jī)構(gòu)，引發(fā)機(jī)構(gòu)的服務(wù)“雪崩”。因此，一方面要做好監(jiān)控預(yù)警，另一方面也要充分挖掘第三方機(jī)構(gòu)的系統(tǒng)承載潛力。因此，提出了第三方機(jī)構(gòu)系統(tǒng)“健康度”的概念。

健康度是根據(jù)第三方機(jī)構(gòu)歷史吞吐量、響應(yīng)時(shí)間、服務(wù)返回?cái)?shù)據(jù)質(zhì)量綜合計(jì)算得出的。在分發(fā)請(qǐng)求時(shí)，會(huì)根據(jù)健康度智能決定查詢數(shù)據(jù)的方式。如果健康度高，能夠滿足秒級(jí)響應(yīng)，則實(shí)時(shí)反饋查詢結(jié)果；如果健康度一般，則從緩存獲取，隨后異步請(qǐng)求機(jī)構(gòu)，更新緩存內(nèi)容，從而保證秒級(jí)響應(yīng)；如果健康度差，則直接從緩存獲取數(shù)據(jù)。同時(shí)，監(jiān)控系統(tǒng)也會(huì)檢測(cè)到機(jī)構(gòu)的健康度問(wèn)題，及時(shí)和第三方機(jī)構(gòu)進(jìn)行溝通處理。

（2）并發(fā)訪問(wèn)性能問(wèn)題

由于對(duì)并發(fā)訪問(wèn)性能有很高的要求，需要應(yīng)對(duì)10億級(jí)的被查歷史數(shù)據(jù)量、千萬(wàn)級(jí)訪問(wèn)請(qǐng)求量、億級(jí)的請(qǐng)求分發(fā)量、秒級(jí)的訪問(wèn)響應(yīng)時(shí)間，因此通過(guò)優(yōu)化緩存命中率和并發(fā)訪問(wèn)調(diào)度機(jī)制來(lái)解決。

首先，建立多級(jí)緩存機(jī)制，包含內(nèi)存級(jí)緩存和固態(tài)硬盤（solid state drive，SSD）級(jí)緩存，內(nèi)存級(jí)緩存過(guò)期時(shí)間為24 h，SSD級(jí)緩存過(guò)期時(shí)間為7天（可配置），在兩級(jí)緩存的作用下，緩存命中率將達(dá)到80%以上，緩存集群采用Redis集群方式部署。緩存失效分為主動(dòng)失效和被動(dòng)失效，被動(dòng)失效采用最近最少使用（least recently used，LRU）算法，主動(dòng)失效為確保查詢的信息準(zhǔn)確性，在系統(tǒng)容量充足且第三方機(jī)構(gòu)健康度指標(biāo)達(dá)標(biāo)的情況下，主動(dòng)發(fā)起信息更新行為。

其次，采用NIO+連接池的方式提高并發(fā)訪問(wèn)性能，減少分布式鎖的使用，同時(shí)通過(guò)多級(jí)測(cè)試獲得單個(gè)服務(wù)節(jié)點(diǎn)的服務(wù)能力上限，使線程數(shù)為最佳設(shè)置值，最大限度地利用系統(tǒng)性能。

（3）異構(gòu)數(shù)據(jù)處理問(wèn)題

將知識(shí)圖譜技術(shù)應(yīng)用于信用審計(jì)風(fēng)控領(lǐng)域，可提升機(jī)構(gòu)風(fēng)險(xiǎn)管理的效率和效果。在構(gòu)建知識(shí)圖譜的過(guò)程中，需要處理大量的不同數(shù)據(jù)源的異構(gòu)數(shù)據(jù)，如果針對(duì)每一個(gè)新增的數(shù)據(jù)源都寫(xiě)一個(gè)對(duì)應(yīng)的適配器，會(huì)極大地影響開(kāi)發(fā)效率，增加維護(hù)難度。因此，可通過(guò)引入MoonBox和Wormhole解決異構(gòu)數(shù)據(jù)處理問(wèn)題。

通過(guò)引入上述技術(shù)，可以實(shí)現(xiàn)支持自動(dòng)適配不同數(shù)據(jù)源（包括My SQ L、Oracle、HDFS、MongoDB等）、透明化異構(gòu)數(shù)據(jù)系統(tǒng)異構(gòu)交互方式、跨異構(gòu)數(shù)據(jù)系統(tǒng)混算。Wormhole還可提供可視化的操作界面、極簡(jiǎn)的配置流程、基于SQL的業(yè)務(wù)開(kāi)發(fā)方式，并屏蔽大數(shù)據(jù)處理底層技術(shù)細(xì)節(jié)，使知識(shí)圖譜項(xiàng)目開(kāi)發(fā)和管理變得更加可控可靠。

4 平臺(tái)架構(gòu)

阿福平臺(tái)采用分布式架構(gòu)設(shè)計(jì)，系統(tǒng)主要包括展示層、服務(wù)層、消息層、緩存層、數(shù)據(jù)層、監(jiān)控層6部分，涵蓋了從用戶請(qǐng)求接收和分發(fā)、異構(gòu)數(shù)據(jù)的接入和歸一化處理、數(shù)據(jù)模型的構(gòu)建、對(duì)外服務(wù)能力的輸出以及系統(tǒng)整體健康度的檢測(cè)和預(yù)警等內(nèi)容，系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

（1）展示層

通過(guò)使用Shrio和分布式會(huì)話管理技術(shù)，支持不同機(jī)構(gòu)用戶動(dòng)態(tài)展示不同菜單功能項(xiàng)，優(yōu)化了展示效果。同時(shí)通過(guò)使用單點(diǎn)登錄（single sign on，SSO）技術(shù)，提供各子系統(tǒng)用戶統(tǒng)一信息查詢?nèi)肟?，包括通過(guò)用戶界面（user interface，UI）直接查詢和通過(guò)RESTful API批量查詢，在確保用戶體驗(yàn)的基礎(chǔ)上，滿足了用戶多種查詢模式的需求。

（2）服務(wù)層

將Dubbo作為分布式服務(wù)框架，使用ZooKeeper提供服務(wù)的自動(dòng)注冊(cè)與發(fā)現(xiàn)，使用Hystrix提供服務(wù)熔斷機(jī)制，使用UAVStack提供服務(wù)限流和降級(jí)、自動(dòng)化應(yīng)用/服務(wù)畫(huà)像、無(wú)侵入調(diào)用鏈跟蹤、一站式線程分析、秒級(jí)大規(guī)模服務(wù)圖譜繪制、瀏覽器訪問(wèn)跟蹤、多維可視化看板等功能。

（3）消息層

使用Kafka和RocketMQ提供消息服務(wù)，其中Kafka應(yīng)用于日志信息同步，RocketMQ應(yīng)用于訂單等要求高可用的使用場(chǎng)景。構(gòu)建統(tǒng)一的消息中心，支持多種消息中間件，同時(shí)抽象出消息的發(fā)送和接收、消息限流、消息去重等功能。

（4）緩存層

使用R e d i s、M e m c a c h e等建立CacheManager，提供統(tǒng)一緩存服務(wù)接口、分布式鎖服務(wù)，同時(shí)針對(duì)對(duì)象存儲(chǔ)提供透明的序列化/反序列化服務(wù)，支持無(wú)縫擴(kuò)展NoSQL數(shù)據(jù)源。

（5）數(shù)據(jù)層

采用MySQL+HBase集群的方式，其中MySQL采用Sharding-JDBC進(jìn)行分庫(kù)分表，同時(shí)為提高讀取性能，采用了讀寫(xiě)分離技術(shù)，一主多從。使用DBus進(jìn)行流式同步，解決不同業(yè)務(wù)系統(tǒng)的數(shù)據(jù)源的同步效率問(wèn)題，使數(shù)據(jù)同步效率從原來(lái)的T+1提高到準(zhǔn)實(shí)時(shí)。

（6）監(jiān)控層

建立多級(jí)監(jiān)控體系，引入E L K+UAVMonitor ，能夠?qū)μ摂M機(jī)、Docker、物理機(jī)的基礎(chǔ)性能指標(biāo)、Java虛擬機(jī)、線程狀態(tài)、服務(wù)整體生命周期、服務(wù)調(diào)用棧、統(tǒng)一日志、數(shù)據(jù)庫(kù)連接池等進(jìn)行全面監(jiān)控和預(yù)警。

圖2 知識(shí)圖譜架構(gòu)

5 知識(shí)圖譜在平臺(tái)的應(yīng)用

平臺(tái)將知識(shí)圖譜技術(shù)應(yīng)用在反欺詐領(lǐng)域，為傳統(tǒng)風(fēng)控帶來(lái)了極具競(jìng)爭(zhēng)力的革新。目前利用致誠(chéng)信用11年來(lái)的海量數(shù)據(jù)，構(gòu)建了一個(gè)包含企業(yè)實(shí)體超過(guò)1億、人的實(shí)體超過(guò)4 000萬(wàn)、關(guān)系量超過(guò)50億的知識(shí)圖譜。

知識(shí)圖譜對(duì)數(shù)據(jù)的存儲(chǔ)和組合有巨大優(yōu)勢(shì)，但是不利于進(jìn)一步的分析，因此結(jié)合金融行業(yè)的特點(diǎn)，形成了一個(gè)更適用于金融場(chǎng)景的社交網(wǎng)絡(luò)圖譜。不同于微信、微博等一般社交網(wǎng)絡(luò)，金融場(chǎng)景下的社交網(wǎng)絡(luò)更為稀疏，且節(jié)點(diǎn)含有豐富的金融屬性，狀態(tài)變化頻繁。社交網(wǎng)絡(luò)的屬性描述如下。

● 節(jié)點(diǎn)：基于貸前貸后數(shù)據(jù)進(jìn)行用戶畫(huà)像，如進(jìn)件次數(shù)、被拒次數(shù)、最近申請(qǐng)時(shí)間等。

● 邊：把實(shí)體關(guān)系細(xì)分為o w n、contact、call等，并通過(guò)組合得到人與人之間的不同關(guān)系。

構(gòu)建知識(shí)圖譜基于的數(shù)據(jù)來(lái)源于兩大塊數(shù)據(jù)源：一是軟件開(kāi)發(fā)工具包（software development kit，SDK）傳遞的用戶設(shè)備數(shù)據(jù)，如設(shè)備基本信息、IP地址信息、全球定位系統(tǒng)（global positioning system，GPS）信息等；二是致誠(chéng)信用歷史用戶授權(quán)信息。針對(duì)不同的數(shù)據(jù)源，采用不同的處理方式。對(duì)于實(shí)時(shí)數(shù)據(jù)，基于Spark Streaming開(kāi)發(fā)了數(shù)據(jù)導(dǎo)入工具，對(duì)其進(jìn)行數(shù)據(jù)清洗、格式轉(zhuǎn)換、自然語(yǔ)言處理等相關(guān)操作，可以在秒級(jí)時(shí)延內(nèi)將數(shù)據(jù)導(dǎo)入系統(tǒng)。對(duì)于一些歷史數(shù)據(jù)，使用Spark和MapReduce進(jìn)行處理。另外，對(duì)于已經(jīng)存儲(chǔ)的社交網(wǎng)絡(luò)數(shù)據(jù)，可以通過(guò)RESTful API方式進(jìn)行查詢，也可以將數(shù)據(jù)導(dǎo)入Hive中，供數(shù)據(jù)分析人員進(jìn)行數(shù)據(jù)分析。知識(shí)圖譜架構(gòu)如圖2所示。

通過(guò)構(gòu)建的知識(shí)圖譜，可以進(jìn)行圖特征提取，計(jì)算人脈信用得分和反欺詐得分，進(jìn)行觸黑關(guān)聯(lián)查詢等，其應(yīng)用如圖3所示。

圖3 知識(shí)圖譜的應(yīng)用

6 應(yīng)用效果

（1）大幅提升信審時(shí)效

通過(guò)強(qiáng)大的信用數(shù)據(jù)分析與挖掘能力，解決了行業(yè)數(shù)據(jù)割裂的瓶頸，在得到客戶授權(quán)的前提下，以共享為基礎(chǔ)，通過(guò)分布式架構(gòu)設(shè)計(jì)及API調(diào)用技術(shù)，形成了一個(gè)行業(yè)機(jī)構(gòu)間的共享生態(tài)系統(tǒng)，實(shí)現(xiàn)了互聯(lián)網(wǎng)金融行業(yè)數(shù)據(jù)的互聯(lián)與互通，有效防范了行業(yè)多頭負(fù)債的發(fā)生。截至2017年10月，阿福平臺(tái)已經(jīng)為行業(yè)累計(jì)預(yù)警多頭借貸1 733萬(wàn)次。其中，在2家及以上機(jī)構(gòu)申請(qǐng)借款的總?cè)藬?shù)達(dá)443萬(wàn)人，在5家及以上機(jī)構(gòu)申請(qǐng)借款的總?cè)藬?shù)達(dá)137.8萬(wàn)人，同一借款人最多向30家機(jī)構(gòu)申請(qǐng)了借款。此外，還幫助行業(yè)機(jī)構(gòu)將傳統(tǒng)線下審批模式升級(jí)為線上智能決策的模式，并成功解決了千萬(wàn)級(jí)并發(fā)訪問(wèn)性能問(wèn)題，實(shí)現(xiàn)了查詢結(jié)果秒級(jí)反饋，大大降低了風(fēng)控成本，提升了信用審計(jì)效率。

（2）提升行業(yè)反欺詐能力

以知識(shí)圖譜為底層架構(gòu)建立了反欺詐的風(fēng)控體系，創(chuàng)新性地研發(fā)了福網(wǎng)，以經(jīng)過(guò)校驗(yàn)核實(shí)的多條業(yè)務(wù)線的風(fēng)險(xiǎn)數(shù)據(jù)、社交數(shù)據(jù)以及其他數(shù)據(jù)為基礎(chǔ)進(jìn)行整合，在提升數(shù)據(jù)純度的基礎(chǔ)上，有效釋放了數(shù)據(jù)價(jià)值，通過(guò)自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、聚類算法等方法構(gòu)建了模型，創(chuàng)建了多維度數(shù)據(jù)畫(huà)像。通過(guò)量化評(píng)分、風(fēng)險(xiǎn)分級(jí)，對(duì)風(fēng)險(xiǎn)實(shí)現(xiàn)最優(yōu)排序性和區(qū)分度，準(zhǔn)確識(shí)別用戶欺詐的可能性，并為機(jī)構(gòu)反饋精準(zhǔn)且區(qū)隔度高的風(fēng)險(xiǎn)信息。在欺詐客戶的造假手段識(shí)別，構(gòu)建客戶知識(shí)圖譜、社交關(guān)系網(wǎng)絡(luò)，從更多維度識(shí)別隱蔽性欺詐、團(tuán)體欺詐預(yù)警等方面，都取得了非常好的防范效果。截至2017年10月，阿福平臺(tái)有效識(shí)別欺詐借款人31 784人，攔截欺詐申請(qǐng)109 367次。

[1] ABREU D D, FLORES A, PALMA G, et al.Choosing between graph databases and RDF engines for consuming and mining linked data[C]//The 4th International Conference on Consuming Linked Data,July 13, 2013, Sydney, Australia. Aachen:CEUR-WS.org, 2013: 37-49.

[2] BORDES A, USUNIER N, WESTON J, et al.Translating embeddings for modeling multi-relational data[C]//The 26th International Conference on Neural Information Processing Systems,December 5-10, 2013, Lake Tahoe, USA.New York: Curran Associates Inc., 2013:2787-2795.

[3] JENATTON R, ROUX N L, BORDES A, et al.A latent factor model for highly multirelational data[C]//The 25th International Conference on Neural Information Processing Systems, December 3-6,2012, Lake Tahoe, USA. New York:Curran Associates Inc., 2012: 3167-3175.