1. مقدمة

غالبًا ما يتضمّن النشاط الاحتيالي شبكات مخفية من الجهات المرتبطة، مثل حسابات متعددة تشترك في عنوان البريد الإلكتروني أو رقم الهاتف أو العنوان الجغرافي نفسه. قد تواجه قواعد البيانات الارتباطية التقليدية صعوبة في الاستعلام عن هذه العلاقات المعقّدة والمتعدّدة الخطوات بكفاءة.
يتيح لك BigQuery Graph تحليل هذه الشبكات على نطاق واسع باستخدام قواعد بيانات الرسم البياني. يمكنك تحديد رسم بياني للسمات فوق جداول BigQuery الحالية واستخدام لغة طلبات الرسم البياني (GQL) للعثور على أنماط في بياناتك.
من الاستخدامات الشائعة لشبكات الرسم البياني في رصد عمليات الاحتيال إيقاف الطلبات التي تتضمّن عنوان تسليم مرتبطًا بشبكة احتيال أو إيقاف الدفعات التي تنتمي إلى .
في هذا الدرس التطبيقي حول الترميز، ستنشئ حلاً لرصد الاحتيال باستخدام الرسم البياني في BigQuery. ستحمّل البيانات من Cloud Storage، وتنشئ رسمًا بيانيًا للسمات، وتستخدم طلبات البحث في الرسم البياني لتحديد الاتصالات المريبة.
أهداف الدورة التعليمية
- كيفية إنشاء مجموعة بيانات BigQuery وتحميل البيانات
- كيفية تحديد رسم بياني للسمات باستخدام لغة تعريف البيانات (DDL)
- كيفية الاستعلام عن الرسم البياني باستخدام GQL
- كيفية استخدام تحليلات الرسم البياني لرصد عمليات الاحتيال
المتطلبات
- مشروع على Google Cloud تم تفعيل الفوترة فيه
- بيئة دفتر ملاحظات BigQuery (مثل BigQuery Studio أو Colab Enterprise)
التكلفة
يستخدم هذا التمرين موارد Google Cloud التي تخضع للفوترة. تبلغ التكلفة المقدَّرة أقل من 5 دولار أمريكي، بافتراض أنّك ستحذف الموارد بعد الانتهاء.
2. قبل البدء
اختَر مشروعًا على Google Cloud أو أنشِئ مشروعًا جديدًا.
- في Google Cloud Console، ضمن صفحة اختيار المشروع، اختَر مشروعًا على Google Cloud أو أنشِئ مشروعًا جديدًا.
- تأكَّد من تفعيل الفوترة لمشروعك على Google Cloud. كيفية التحقّق من تفعيل الفوترة
اختيار البيئة
ستحتاج إلى بيئة دفتر ملاحظات لتنفيذ هذا التمرين العملي. يمكنك استخدام BigQuery Studio أو Colab Enterprise.
- انتقِل إلى صفحة BigQuery في Google Cloud Console.
- ستستخدم دفتر ملاحظات Python لتشغيل طلبات البحث في الرسم البياني.
بدء Cloud Shell
- انقر على تفعيل Cloud Shell في أعلى وحدة تحكّم Google Cloud.
- التحقّق من المصادقة:
gcloud auth list
- تأكيد مشروعك:
gcloud config get project
- يمكنك ضبطه إذا لزم الأمر:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
تفعيل واجهات برمجة التطبيقات
نفِّذ هذا الأمر لتفعيل واجهة BigQuery API المطلوبة:
gcloud services enable bigquery.googleapis.com
3- تحميل البيانات
في هذه الخطوة، ستنشئ مجموعة بيانات BigQuery وتحمّل عيّنات البيانات من Cloud Storage.
تتكوّن عيّنات البيانات من عدة ملفات CSV تمثّل بيئة بيع بالتجزئة محاكاة:
-
customers.csv: معلومات حساب العميل emails.csv: عناوين البريد الإلكتروني-
phones.csv: أرقام الهواتف -
addresses.csv: العناوين الجغرافية -
customer_emails.csvوcustomer_phones.csvوcustomer_addresses.csv: ربط الجداول -
orders.csv: سجلّ الطلبات، بما في ذلك علامات الاحتيال
إنشاء مجموعة البيانات
أنشئ مجموعة بيانات باسم fraud_demo لحفظ الجداول.
- في هذا الدرس التطبيقي حول الترميز، سننفّذ أوامر SQL. يمكنك تنفيذ هذه الأوامر في BigQuery Studio > محرِّر SQL، أو استخدام الأمر
bq queryفي Cloud Shell.
سنفترض أنّك تستخدم محرِّر SQL في BigQuery للحصول على تجربة أفضل مع عبارات الإنشاء المتعدّدة الأسطر.
CREATE SCHEMA IF NOT EXISTS `fraud_demo` OPTIONS(location="US");
تحميل الجداول
نفِّذ عبارات SQL التالية لتحميل البيانات من Cloud Storage إلى مجموعة بياناتك.
LOAD DATA OVERWRITE `fraud_demo.customers`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/customers.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.emails`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/emails.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.phones`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/phones.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.addresses`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/addresses.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.customer_emails`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/customer_emails.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.customer_phones`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/customer_phones.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.customer_addresses`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/customer_addresses.csv'],
skip_leading_rows = 1
);
LOAD DATA OVERWRITE `fraud_demo.orders`
FROM FILES (
format = 'CSV',
uris = ['gs://sample-data-and-media/fraud-demo-data/orders.csv'],
skip_leading_rows = 1
);
4. إنشاء رسم بياني للسمات
بعد تحميل البيانات، يمكنك تحديد الرسم البياني للسمات. يتكوّن الرسم البياني للسمات من عُقد (كيانات) وحواف (علاقات).
في هذا التمرين المعملي، تكون العُقد:
- العميل: يمثّل صاحب الحساب.
- الهاتف: يمثّل رقم هاتف.
- Email: تمثّل عنوان بريد إلكتروني.
- العنوان: يمثّل عنوانًا جغرافيًا.
الحواف هي:
- OwnsPhone: يربط العميل بالهاتف.
- OwnsEmail: يربط عميلاً بعنوان بريد إلكتروني.
- LinkedToAddress: لربط عميل بعنوان.

إنشاء الرسم البياني
نفِّذ عبارة DDL التالية لإنشاء الرسم البياني باسم FraudDemo في مجموعة بيانات fraud_demo.
CREATE OR REPLACE PROPERTY GRAPH fraud_demo.FraudDemo
NODE TABLES(
fraud_demo.customers
KEY(account_id)
LABEL Customer PROPERTIES(
account_id,
name),
fraud_demo.emails
KEY(email)
LABEL Email PROPERTIES(
email,
email_type),
fraud_demo.phones
KEY(phone_number)
LABEL Phone PROPERTIES(
phone_number,
phone_type),
fraud_demo.addresses
KEY(address)
LABEL Address PROPERTIES(
address,
address_type)
)
EDGE TABLES(
fraud_demo.customer_emails
KEY(account_id, email)
SOURCE KEY(account_id) REFERENCES customers(account_id)
DESTINATION KEY(email) REFERENCES emails(email)
LABEL OwnsEmail PROPERTIES(
account_id,
email,
last_updated_ts),
fraud_demo.customer_phones
KEY(account_id, phone_number)
SOURCE KEY(account_id) REFERENCES customers(account_id)
DESTINATION KEY(phone_number) REFERENCES phones(phone_number)
LABEL OwnsPhone PROPERTIES(
account_id,
phone_number,
last_updated_ts),
fraud_demo.customer_addresses
KEY(account_id, address)
SOURCE KEY(account_id) REFERENCES customers(account_id)
DESTINATION KEY(address) REFERENCES addresses(address)
LABEL LinkedToAddress PROPERTIES(
account_id,
address,
last_updated_ts)
);
5- تحليل الشبكات (خطوتان)
افتح دفتر ملاحظات جديدًا في BigQuery Studio.

بالنسبة إلى أجزاء العرض المرئي والاقتراحات في هذا الدرس التطبيقي حول الترميز، سنستخدم ورقة ملاحظات Google Colab في BigQuery Studio. يتيح لنا ذلك تصور نتائج الرسم البياني بسهولة.
الصق ما يلي في خلية رمز:
!pip install bigquery-magics==0.12.1
يتم تنفيذ BigQuery Graph Notebook كـ IPython Magics. من خلال إضافة الأمر السحري %%bigquery مع الدالة TO_JSON، يمكنك عرض النتائج كما هو موضّح في الأقسام التالية. في هذه الخطوة، ستنفّذ طلب بحث في الرسم البياني للعثور على اتصالات بسيطة بين الحسابات. هذا طلب بحث "من خطوتين" لأنّه ينتقل خطوتين من عقدة البداية للعثور على العقد ذات الصلة (مثلاً، العميل -> البريد الإلكتروني -> العميل).
سنبدأ بالتحقيق في الحساب الذي يخصّ Nicole Wade. نريد العثور على أي حسابات مرتبطة بها من خلال قفزتين.
تنفيذ طلب البحث المكوّن من قفزتَين
نفِّذ الطلب التالي في دفتر الملاحظات.
%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH
p=(a:Customer)
( -[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']- (n) ){2}
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
-- Verify the final node in the hop array is a Customer
AND 'Customer' IN UNNEST(LABELS(n[OFFSET(1)]))
RETURN TO_JSON(p) AS paths

فهم النتائج
طلب البحث هذا:
- يبدأ من العقدة
Customerالتي تحمل السمةaccount_id"d2f1f992-d116-41b3-955b-6c76a3352657" (Nicole Wade). - يتبع أيًا من الحواف
OwnsEmailأوOwnsPhoneأوLinkedToAddressإلى عقدة ربط (PhoneأوEmailأوAddress). - يتتبّع الحواف من عقدة الربط هذه إلى عقد
Customerالأخرى. - تتم فلترة الحواف استنادًا إلى طابع زمني (
last_updated_ts) للاطّلاع على حالة الشبكة في وقت محدّد.
من المفترض أن يظهر لك أنّ Zachary Cordova وBrenda Brown مرتبطان بـ Nicole من خلال العنوان نفسه.
6. تحليل الشبكات (4 قفزات)
في هذه الخطوة، ستوسّع نطاق طلب البحث للعثور على علاقات أكثر تعقيدًا. سنبحث عن الروابط التي تتضمّن 4 قفزات. يتيح لنا ذلك العثور على الحسابات المرتبطة من خلال عدة جهات وسيطة (مثلاً، العميل "أ" -> البريد الإلكتروني -> العميل "ب" -> الهاتف -> العميل "ج").
سنراقب أيضًا كيف تتغيّر هذه الشبكة بمرور الوقت.
الحالة "قبل"
أولاً، لنلقِ نظرة على الشبكة كما كانت في 30 يوليو 2025.
نفِّذ الطلب التالي:
%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH p= ANY SHORTEST (a:Customer)
( -[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']- (n) ){3, 5}(reachable_a:Customer)
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
-- Ensure the final node in the dynamic chain is actually a Customer
AND 'Customer' IN UNNEST(LABELS(n[OFFSET(ARRAY_LENGTH(n) - 1)]))
RETURN
TO_JSON(p) AS paths, -- Array of all traversed edges
ARRAY_LENGTH(e) AS hop_count

الحالة "بعد"
والآن، لنلقِ نظرة على شكل الشبكة بعد أسبوعين. سننفّذ طلب البحث نفسه ولكن بدون قيود التاريخ.
نفِّذ الطلب التالي:
%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH p= ANY SHORTEST (a:Customer)
( -[e:OwnsEmail|OwnsPhone|LinkedToAddress]- (n) ){3, 5}(reachable_a:Customer)
WHERE a.account_id IN ("d2f1f992-d116-41b3-955b-6c76a3352657")
-- Ensure the final node in the dynamic chain is actually a Customer
AND 'Customer' IN UNNEST(LABELS(n[OFFSET(ARRAY_LENGTH(n) - 1)]))
RETURN
TO_JSON(p) AS paths, -- Array of all traversed edges
ARRAY_LENGTH(e) AS hop_count

فهم النتائج
من خلال إزالة فلاتر التاريخ، يمكنك إجراء طلب بحث في مجموعة البيانات الكاملة. ستلاحظ أنّ الشبكة قد توسّعت بشكل كبير. أصبحت "نيكول وايد" الآن جزءًا من مجموعة أكبر بكثير ومترابطة بشكل كبير. ويُعدّ هذا التوسّع السريع للشبكة المترابطة مؤشرًا قويًا على نشاط احتيالي محتمل، مثل شبكة احتيال تشارك الموارد بمرور الوقت.
7. إنشاء تقرير عن الاحتيال
في هذه الخطوة، ستجمع بين تحليلات الرسم البياني وبيانات النشاط الإعلاني التقليدية (الطلبات) لإنشاء تقرير شامل عن الاحتيال. ستحدّد الحسابات المعرّضة للخطر والطلبات التي يُحتمل أن تكون احتيالية.
هذا الاستعلام أكثر تعقيدًا. يستخدم هذا المقياس GRAPH_TABLE لتشغيل طلب البحث عن الرسم البياني داخل لغة SQL العادية ويحسب التغيير في حجم الشبكة (diff) بين حالتَي "قبل" و "بعد" اللتين لاحظناهما في الخطوة السابقة.
تشغيل طلب البحث عن تقرير الاحتيال
نفِّذ الطلب التالي في دفتر الملاحظات.
%%bigquery --graph
WITH num_orders AS (
SELECT account_id, COUNT(1) AS num_order
FROM fraud_demo.orders
WHERE order_time > '2025-07-30'
GROUP BY account_id
),
orders AS (
SELECT account_id, order_id, fraud, order_total
FROM fraud_demo.orders
WHERE order_time > '2025-07-30'
),
-- Use Quantified Path Patterns to find connections up to 4 hops away
latest_connect AS (
SELECT
account_id,
ARRAY_LENGTH(ARRAY_AGG(DISTINCT connected_id)) AS size
FROM GRAPH_TABLE(
fraud_demo.FraudDemo
MATCH (a:Customer)-[:OwnsEmail|OwnsPhone|LinkedToAddress]-{4}(connected:Customer)
RETURN a.account_id AS account_id, connected.account_id AS connected_id
)
GROUP BY account_id
),
prev_connect AS (
SELECT
account_id,
ARRAY_LENGTH(ARRAY_AGG(DISTINCT connected_id)) AS size
FROM GRAPH_TABLE(
fraud_demo.FraudDemo
-- Apply the timestamp filter to EVERY edge in the 4-hop chain
MATCH (a:Customer)
(-[e:OwnsEmail|OwnsPhone|LinkedToAddress WHERE e.last_updated_ts < '2025-07-30']-(n)){4}
WHERE 'Customer' IN UNNEST(LABELS(n[OFFSET(3)]))
RETURN a.account_id AS account_id, n[OFFSET(3)].account_id AS connected_id
)
GROUP BY account_id
),
edge_changes AS (
SELECT account_id, MAX(last_updated_ts) AS max_last_updated_ts
FROM fraud_demo.customer_addresses
GROUP BY account_id
)
SELECT
la.account_id,
o.order_id,
la.size AS latest_size,
COALESCE(pa.size, 0) AS previous_size,
la.size - COALESCE(pa.size, 0) AS diff,
nos.num_order,
o.fraud AS reported_as_fraud,
o.order_total,
CASE
WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NULL THEN "CUSTOMER AT RISK"
WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NOT NULL AND o.fraud THEN "CONFIRMED FRAUD ORDER"
WHEN (la.size - COALESCE(pa.size, 0)) > 10 AND nos.num_order IS NOT NULL AND NOT o.fraud THEN "POTENTIAL FRAUD ORDER"
ELSE ""
END AS notes
FROM latest_connect la
LEFT JOIN prev_connect pa ON la.account_id = pa.account_id
LEFT JOIN num_orders nos ON la.account_id = nos.account_id
LEFT JOIN orders o ON la.account_id = o.account_id
INNER JOIN edge_changes ec ON la.account_id = ec.account_id
WHERE nos.num_order > 1 OR (la.size - COALESCE(pa.size, 0)) > 10
ORDER BY diff DESC
فهم النتائج
يعرض هذا التقرير ما يلي:
account_id: رقم تعريف الحساب الذي يتم تحليله-
order_id: معرّف طلب حديث -
latest_size: حجم الشبكة المتصلة اليوم -
previous_size: حجم الشبكة قبل أسبوعَين -
diff: النمو في حجم الشبكة -
num_order: عدد الطلبات الأخيرة -
reported_as_fraud: تشير إلى ما إذا تم الإبلاغ عن الطلب على أنّه احتيالي. -
order_total: إجمالي مبلغ الطلب -
notes: حالة المخاطر المحسوبة استنادًا إلى نمو الشبكة وسجلّ الطلبات
ستظهر لك الحسابات التي تتضمّن قيم diff كبيرة وإجمالي طلبات مرتفع، وهي المرشّحة الرئيسية لإجراء المزيد من التحقيق. تساعد الملاحظتان "عميل معرّض للخطر" و "طلب احتيال محتمل" في تحديد أولويات هذه الحسابات.

8. رصد المحتوى على نطاق واسع
في خطوة التحليل النهائية هذه، ستعرض الشبكة على نطاق أوسع. بدلاً من البدء بحساب واحد، ستستعلم عن الاتصالات بين مجموعة من الحسابات المشبوهة.
يساعدك ذلك في معرفة ما إذا كانت التحقيقات المستقلة المتعددة هي في الواقع جزء من شبكة الاحتيال الأكبر نفسها.
تنفيذ طلب البحث الموسّع
نفِّذ الطلب التالي في دفتر الملاحظات.
%%bigquery --graph
GRAPH fraud_demo.FraudDemo
MATCH
p= ANY SHORTEST (a:Customer)
( -[e:OwnsEmail|OwnsPhone|LinkedToAddress]- (n) ){3, 5}
(reachable_a:Customer)
-- these IDs are from the previous results
WHERE a.account_id in ( "845f2b14-cd10-4750-9f28-fe542c4a731b"
, "3ff59684-fbf9-40d7-8c41-285ade5002e6"
, "8887c17b-e6fb-4b3b-8c62-cb721aafd028"
, "03e777e5-6fb4-445d-b48c-cf42b7620874"
, "81629832-eb1d-4a0e-86da-81a198604898"
, "845f2b14-cd10-4750-9f28-fe542c4a731b",
"89e9a8fe-ffc4-44eb-8693-a711a3534849"
)
LIMIT 400
RETURN TO_JSON(p) as paths
فهم النتائج
يعرض هذا الطلب رسمًا بيانيًا معقّدًا يوضّح كيفية تداخل الحسابات المريبة المحدّدة ومشاركة الموارد. أنت الآن تنظر إلى رصد الاحتيال على نطاق واسع، وتحديد مجموعات من الأنشطة التي قد تتطلب استجابة منسقة.

9. تنظيف
لتجنُّب تحصيل رسوم من حسابك على Google Cloud مقابل الموارد المستخدَمة في هذا الدرس التطبيقي حول الترميز، عليك حذف مجموعة البيانات والرسم البياني للخاصية.
شغِّل عبارات SQL التالية لتنظيف بيئتك.
DROP PROPERTY GRAPH IF EXISTS fraud_demo.FraudDemo;
DROP SCHEMA IF EXISTS fraud_demo CASCADE;
10. تهانينا
تهانينا! لقد نجحت في إنشاء حلّ لرصد عمليات الاحتيال باستخدام BigQuery Graph.
لقد تعرّفت على كيفية:
- تحميل البيانات من Cloud Storage إلى BigQuery
- تحديد رسم بياني للسمات باستخدام لغة تعريف البيانات (DDL)
- يمكنك الاستعلام عن الرسم البياني باستخدام GQL للعثور على العلاقات البسيطة والمعقّدة.
- يمكنك دمج تحليلات الرسم البياني مع بيانات النشاط الإعلاني لتحديد المخاطر.
- عرض الشبكات على نطاق واسع