Разработка GNN для детекции мошенничества в графе транзакций

GNN для детекции мошенничества: где отказывают правила

Пороговое правило оценивает транзакцию в отрыве от контекста: сумма выше лимита, резкое отклонение от привычного профиля счёта, совпадение с перечнем подозрительных реквизитов. Пока мошенничество выглядело одной крупной операцией, этого хватало. Когда схема разбита на десятки мелких переводов между связанными счетами, каждый перевод по отдельности выглядит нормально — и правило пропускает сеть целиком.

Связи между счетами восстанавливаются по косвенным признакам: общее устройство или адрес входа, совпадающие реквизиты вывода, согласованное время операций, цепочки переводов через транзитные счета-прослойки. Поодиночке ни один признак не даёт срабатывания, но вместе они образуют плотный участок — подграф, где концентрация связей заметно выше фоновой. Детекция мошенничества здесь сводится к поиску таких участков, а не отдельных строк в журнале.

GNN подходит к задаче напрямую: узлы — счета, устройства и получатели, рёбра — транзакции со своими атрибутами. Модель распространяет признак по рёбрам и на нескольких слоях агрегирует окружение узла, поэтому решение опирается на структуру связей, а не на одну операцию. Формально это классификация узлов и рёбер на графе транзакций, и она устойчива к дроблению сумм и смене реквизитов.

Практическая ценность в разделении ролей: пороговые правила остаются быстрым фильтром на явные случаи и работают без задержки, а модель закрывает то, что они структурно не видят — группы связанных счетов, веерные выводы, постепенное «прогревание» счёта перед выводом. Ниже разбираем, как это устроено на уровне данных, разметки и обучения.

Что даёт графовая модель в оценке риска транзакций

В оценке риска графовая модель опирается не на отдельную транзакцию, а на её окружение: кто платил получателю раньше, через какие счета уже проходили деньги, как быстро суммы расходятся по цепочке. У схемы почти всегда есть повторяющийся рисунок связей — он не виден в одной записи, но проявляется на подграфе в два-три шага от неё.

GNN обучается на таких подграфах и выдаёт скор отдельно для узла и для связи. На размеченном графе транзакций Elliptic видно, где выигрыш наибольший: растёт доля выявленных схем среди дробления сумм, транзитных счетов и веерных выплат — то есть там, где правила по порогу перестают работать, а структура связей остаётся узнаваемой.

Ложные срабатывания при этом уходят вниз: модель смотрит на контекст, а не на превышение суммы, поэтому массовые и зарплатные выплаты перестают выглядеть подозрительно. Время реакции сокращается до пересчёта скора по обновлённому подграфу — решение принимается на этапе авторизации, а не в конце отчётного периода.

Для команды это меняет не только метрики, но и разбор очереди: у каждого срабатывания видно, какие соседи дали вклад в оценку риска, и приоритет выставляется по структуре, а не по размеру суммы. Такой скор проще объяснять и на разборе инцидента, и в отчётности перед проверяющими.

GNN, правила и классические модели: сравнение подходов

На графе транзакций выбор сводится к четырём схемам: правила, табличные модели на агрегатах, GNN и гибрид. Отличаются они не точностью, а условиями применимости — объёмом размеченной истории, требованиями к задержке оценки и тем, насколько регулятору нужно объяснение по каждому срабатыванию.

На практике чаще выигрывает гибрид. Структурные метрики графа — степень узла, число общих соседей, время жизни цепочки, близость к подтверждённым случаям — считаются заранее в графовом хранилище, например Neo4j, и входят в табличную модель как обычные признаки. GNN подключается там, где сводка теряет информацию: он оценивает подграф вокруг операции целиком, а не его агрегат.

Правила дают мгновенное срабатывание и формулировку для разбора, табличная модель закрывает массовые типовые случаи, GNN — те, где решение зависит от окружения. Если графовая часть ошибается на редкой схеме, её вклад отключается, и оценка продолжает идти на первых двух контурах — без остановки процесса.

Этапы внедрения GNN-модели в систему выявления мошенничества

Внедрение графовой модели чувствительно к порядку работ: старт с архитектуры, а не с разметки, даёт смещённую выборку и метрики, которые не воспроизводятся на живом потоке. Поэтому идём от аудита данных к передаче контура, фиксируя на каждом этапе проверяемый результат.

1. Аудит данных. Проверяем полноту полей транзакций, глубину истории, долю подтверждённого мошенничества и задержку между событием и меткой. Признаки, известные только после разбора инцидента, в модель не попадают.

2. Проектирование графа. Решаем, что становится узлом — счёт, клиент, устройство, реквизит, — и какие связи между ними строим. Задаём временные окна агрегации и признаки на рёбрах: общие устройства, скорость перевода, смена реквизитов.

3. Сборка контура подготовки. Поток пересобирает граф на каждом срезе времени по той же логике, что и при обучении: расхождение обучающей и рабочей выборки закрывается здесь, а не на отладке.

4. Обучение и валидация модели. Данные делим по времени, а не случайно. GNN сравниваем с текущими правилами на одних срезах: смотрим полноту охвата при заданной доле ложных срабатываний и стабильность по неделям.

5. Теневой режим. Модель считает оценки параллельно с рабочей системой, решения не применяются. Видно, сколько срабатываний добавится к ручному разбору и как распределены оценки.

6. Передача в эксплуатацию. Мониторинг дрейфа признаков, регламент переобучения, обратная связь от аналитиков и откат на предыдущую версию одним переключением.

Артефакты внедрения: схема графа, политики доступа, документация

После сдачи у вас должен остаться не один обученный классификатор, а комплект, по которому команда развивает решение без подрядчика. Графовую нейросеть (GNN) обучают на исторических связях, и без описания схемы воспроизвести её на новых данных невозможно. Если пункта из списка нет — первый сбой или смена состава команды превращается в долгий простой.

• Схема графа: типы узлов (счета, контрагенты, устройства, операции), типы и направление рёбер, временные окна агрегации, правила появления и удаления связи
• Контракт признаков: узловые и рёберные признаки с формулами расчёта, окнами и обработкой пропусков — новый признак добавляется без пересборки всей схемы
• Политики доступа: матрица ролей на уровне сущностей и признаков, разграничение чтения и записи, аудит обращений к скоринговому контуру, изоляция чувствительных полей
• Документация модели: архитектура, гиперпараметры, версия контрольной точки, метрики на отложенной выборке, карточка ограничений — где модель ошибается предсказуемо
• Набор тестов: проверки схемы графа, регрессионный набор на исторических метках, контроль устойчивости к сдвигу распределения, сравнение метрик перед выкаткой
• Регламент переобучения: триггеры (рост доли новых связей, деградация полноты, дрейф признаков), периодичность, ответственные, порядок отката на предыдущую версию
• Инструкция по эксплуатации: чек-лист запуска, диагностика типовых сбоев, порядок подключения нового источника данных и обновления графа

Кейс: как графовая модель сократила ложные срабатывания

Контур антифрода работал на пороговых правилах: лимиты по счёту, частота операций, совпадение устройства. Такой набор отсекал очевидное, но не видел схему из десятков мелких переводов между связанными счетами. Доля ложных срабатываний держалась около 68%, и очередь ручной проверки росла быстрее, чем аналитики её разбирали. Изменение правил требовало окна недоступности — в это время операции шли без оценки риска.

Что изменили

Собрали граф транзакций: узлы — счета, устройства, реквизиты получателей, рёбра — переводы и совместные появления с временными метками. Графовая нейросеть (GNN) оценивает окружение операции целиком и видит цепочку, дробление и веер, неразличимые по отдельным признакам. Правила оставили первым фильтром, нейросеть — решающим голосом на спорных случаях. Требования PCI DSS к разметке данных учли на этапе проектирования: в графе хранятся только обезличенные признаки.

Что стало

Отдельно закрыли схемы, которые правила не находили: круговые проводки внутри группы счетов, дробление суммы ниже порога, веерные выплаты с одного устройства. Обновление модели идёт без остановки приёма, откат на предыдущую версию — за минуты.

Что делать, если система выявления мошенничества уже на правилах?

Правила — это зафиксированная экспертиза, и часть сценариев они закрывают не хуже модели: решение объяснимо, срабатывает мгновенно, не требует пересчёта графа. Ломать этот контур целиком не нужно. Рабочий путь — поставить графовую модель рядом с правилами и постепенно передавать ей те случаи, где правил уже не хватает.

Начинаем с теневого режима: модель читает тот же поток событий, что и правила, строит граф связей между счетами, устройствами и получателями и выставляет оценку риска — но ни на что не влияет. Проверка на потоке за несколько недель показывает, какие схемы правила пропускают: дробление сумм между связанными счетами, транзитные цепочки, всплеск операций у узла со спящими связями. На выходе — не отчёт, а список расхождений, по которым настраивают признаки.

Дальше — постепенный переход. Сначала модель получает право поднимать приоритет операции в очереди ручной проверки, затем — блокировать только те случаи, где правила молчат, а оценка риска высокая и устойчивая. Долю трафика наращиваем порциями и на каждой сверяем точность и долю ложных срабатываний с предыдущим срезом, а не с абсолютным идеалом.

Обратный откат закладывается с самого начала: ветка решения переключается флагом конфигурации, и трафик возвращается на правила целиком — без пересборки, переобучения и остановки сервиса. Отдельно фиксируем, что видит аналитик: для каждого срабатывания модели остаётся объяснение — какие связи в графе её насторожили.

Разметка, дрейф и объяснимость: частые технические сомнения

В антифроде разметка асимметрична: подтверждённых случаев единицы, а метка приходит с задержкой — итог разбора становится известен через недели после операции.

Графовая нейросеть (GNN) опирается и на признаки операции, и на окружение узла, поэтому всё упирается в разметку и в то, как пополняются связи. Ниже — ответы на сомнения, которые звучат до старта.

Как отслеживать дрейф модели?

Смотрим с двух сторон: по входу — новые типы связей и смена частоты признаков, по выходу — падение доли подтверждений в верхушке списка. Переобучение идёт по триггеру и всегда с откатом на предыдущие веса.

Можно ли объяснить решение модели?

Для узла показываем, какие соседи и операции подняли оценку: разбор получает не балл, а обоснование с конкретными связями для ручной проверки. Эта же атрибуция вскрывает, на чём модель ошибается.

Что с неполными связями и внедрением без остановки?

Граф строим по доступному окну и не достраиваем рёбра синтетикой — модель получает признаки разреженности окружения. Первые итерации идут теневым режимом рядом с правилами, в бой выводим по накопленной статистике, с порогами и откатом.

Обсудим задачу: какие данные нужны для оценки

Чтобы оценка опиралась на структуру графа, а не на общие слова, нужен минимум вводных по данным. Ниже — что достаточно описать на созвоне или прислать выгрузкой; по этому набору уже видно, какие метрики достижимы, а где данные ограничат решение.

• Схема графа: что выступает узлом — счёт, карта, устройство, контрагент — какие связи между ними строятся и в каком временном окне.
• Объём и поток: сколько событий в сутки, какая глубина истории доступна, как выглядят пиковые всплески. От этого зависит, обучаем модель на полной выгрузке или на выборке.
• Подтверждённые случаи: есть ли разметка мошенничества, как она появляется — возврат платежа по заявлению, ручная проверка, обращение службы поддержки — и с какой задержкой становится известна.
• Признаки: что доступно на узлах и связях — суммы, частота операций, география, возраст связи, отпечаток устройства, время между событиями.
• Доступы и окружение: где лежат данные, можно ли рядом развернуть обучение и применение модели, есть ли песочница с обезличенной выборкой.
• Текущий процесс: какие правила работают сейчас, какую долю решений отдают аналитику вручную и какие ошибки видны уже на этом этапе.
• Ограничения: требования к объяснимости вердикта, политика по персональным данным, приемлемая задержка ответа на транзакцию.

Получив это, мы собираем состав выборки, проверяем её на разделимость и возвращаемся с оценкой и планом работ: этапы, метрики приёмки, порядок внедрения GNN в текущий поток проверок без остановки действующих правил.