1. 簡介

詐欺活動通常涉及隱藏的關聯實體網路,例如多個帳戶共用相同的電子郵件地址、電話號碼或實體地址。傳統關聯式資料庫可能難以有效率地查詢這些複雜的多躍點關係。
BigQuery Graph 可讓您使用圖形資料庫,大規模分析這些網路。您可以在現有的 BigQuery 資料表上定義屬性圖,並使用 Graph Query Language (GQL) 找出資料中的模式。
圖形網路在詐欺偵測方面的常見應用,是停止寄送地址與詐欺網路相關聯的訂單,或停止屬於詐欺網路的付款。
在本程式碼實驗室中,您將使用 BigQuery Graph 建構詐欺偵測解決方案。您將從 Cloud Storage 載入資料、建立屬性圖,並使用圖表查詢找出可疑連結。
課程內容
- 如何建立 BigQuery 資料集並載入資料。
- 如何使用 DDL 定義屬性圖譜。
- 如何使用 GQL 查詢圖表。
- 如何使用圖表分析偵測詐欺行為。
軟硬體需求
- 已啟用計費功能的 Google Cloud 專案。
- BigQuery 筆記本環境 (BigQuery Studio 或 Colab Enterprise)。
費用
本實驗室會使用 Google Cloud 資源,這些資源會產生費用。假設您在完成後刪除資源,預估費用會低於 $5 美元。
2. 事前準備
選取或建立 Google Cloud 專案
- 在 Google Cloud 控制台的專案選取器頁面中,選取或建立 Google Cloud 專案。
- 請確認 Google Cloud 專案已啟用計費功能。瞭解如何確認是否已啟用計費功能。
選擇環境
您需要筆記本環境才能執行本實驗室。您可以使用 BigQuery Studio 或 Colab Enterprise。
- 前往 Google Cloud 控制台的「BigQuery」BigQuery頁面。
- 您將使用 Python 筆記本執行圖表查詢。
啟動 Cloud Shell
- 點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。
- 驗證:
gcloud auth list
- 確認專案:
gcloud config get project
- 視需要設定:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
啟用 API
執行下列指令,啟用必要的 BigQuery API:
gcloud services enable bigquery.googleapis.com
3. 載入資料
在這個步驟中,您將建立 BigQuery 資料集,並從 Cloud Storage 載入樣本資料。
範例資料包含多個 CSV 檔案,代表模擬的零售環境:
customers.csv:客戶帳戶資訊。emails.csv:電子郵件地址。phones.csv:電話號碼。addresses.csv:實際地址。customer_emails.csv、customer_phones.csv、customer_addresses.csv:連結資料表。orders.csv:訂單記錄,包括詐欺標記。
建立資料集
建立名為 fraud_demo 的資料集來存放資料表。
- 在本程式碼實驗室中,我們會執行 SQL 指令。您可以在「BigQuery Studio」>「SQL 編輯器」中執行這些指令,或在 Cloud Shell 中使用
bq query指令。
我們假設您使用 BigQuery SQL 編輯器,以便更輕鬆地建立多行陳述式。
CREATE SCHEMA IF NOT EXISTS `fraud_demo` OPTIONS(location="US");
載入資料表
執行下列 SQL 陳述式,將 Cloud Storage 的資料載入資料集。
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. 建立屬性圖譜
資料載入後,即可定義屬性圖譜。屬性圖譜由節點 (實體) 和邊緣 (關係) 組成。
在本實驗室中,節點如下:
- 客戶:代表帳戶持有人。
- 電話:代表電話號碼。
- 電子郵件:代表電子郵件地址。
- Address:代表實際地址。
邊緣包括:
- OwnsPhone:將客戶連結至手機。
- OwnsEmail:將客戶連結至電子郵件。
- LinkedToAddress:將客戶連結至地址。

建立圖表
執行下列 DDL 陳述式,在 fraud_demo 資料集建立名為 FraudDemo 的圖表。
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. 分析網路 (2 跳)
在 BigQuery Studio 中開啟「New Notebook」。

在本程式碼實驗室的圖表和推薦部分,我們會使用 BigQuery Studio 中的 Google Colab 筆記本。這樣一來,我們就能輕鬆以圖表呈現結果。
將下列程式碼貼到程式碼儲存格:
!pip install bigquery-magics==0.12.1
BigQuery Graph Notebook 是以 IPython Magics 的形式實作。只要新增 %%bigquery 魔術指令和 TO_JSON 函式,即可將結果視覺化,如以下各節所示。在這個步驟中,您將執行圖表查詢,找出帳戶之間的簡單連結。這項查詢會從起始節點向外移動 2 個躍點,找出相關節點 (例如客戶 -> 電子郵件 -> 客戶),因此稱為「2 躍點」查詢。
首先,我們會調查 Nicole Wade 的帳戶。我們想透過 2 個躍點找出與她相關的所有帳戶。
執行 2 跳查詢
在筆記本中執行下列查詢。
%%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

解讀結果
這項查詢會進行下列操作:
- 從
Customer節點開始,account_id為「d2f1f992-d116-41b3-955b-6c76a3352657」(Nicole Wade)。 - 沿著
OwnsEmail、OwnsPhone或LinkedToAddress邊緣,前往連線節點 (Phone、Email或Address)。 - 從該連結節點沿著邊緣返回其他
Customer節點。 - 根據時間戳記 (
last_updated_ts) 篩選邊緣,查看特定時間的網路狀態。
您應該會看到 Zachary Cordova 和 Brenda Brown 透過相同地址與 Nicole 連結。
6. 分析網路 (4 個躍點)
在這個步驟中,您將擴充查詢,找出更複雜的關係。我們會尋找4 跳連結。這讓我們能夠找出透過多個中介實體連結的帳戶 (例如:客戶 A -> 電子郵件 -> 客戶 B -> 電話 -> 客戶 C)。
我們也會觀察這個網路隨時間的變化。
「修改前」的狀態
首先,我們來看看 2025 年 7 月 30 日的網路。
執行以下查詢:
%%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

「之後」的狀態
現在來看看兩週後的網路。我們將執行相同的查詢,但不限制日期。
執行以下查詢:
%%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

解讀結果
移除日期篩選器後,您將查詢整個資料集。您會發現網路已大幅成長。Nicole Wade 現在隸屬於一個規模更大、高度連結的群組。關聯網路快速擴張,是潛在詐欺活動的強烈指標,例如詐欺集團長期共用資源。
7. 產生詐欺報表
在這個步驟中,您會結合圖表分析與傳統業務資料 (訂單),生成全面的詐欺報表。您將找出有風險的帳戶和潛在詐欺訂單。
這項查詢較為複雜。這個查詢會使用 GRAPH_TABLE 在標準 SQL 中執行圖表查詢,並計算上一個步驟觀察到的「之前」和「之後」狀態之間的網路大小變化 (diff)。
執行詐欺報表查詢
在筆記本中執行下列查詢。
%%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
解讀結果
這份報表會顯示:
account_id:要分析的帳戶 ID。order_id:近期訂單 ID。latest_size:目前連線網路的大小。previous_size:2 週前的網路規模。diff:網路規模的成長。num_order:近期訂單數量。reported_as_fraud:訂單是否標示為詐欺。order_total:訂單總金額。notes:根據聯播網成長和訂單記錄計算出的風險狀態。
您會看到 diff 值較大且訂單總額較高的帳戶,這些帳戶是進一步調查的首要候選對象。「CUSTOMER AT RISK」和「POTENTIAL FRAUD ORDER」附註有助於排定這些帳戶的優先順序。

8. 大規模偵測
在這個最後的分析步驟中,您將以更大的規模視覺化呈現網路。這次您不會從單一帳戶著手,而是查詢一組可疑帳戶之間的關聯。
這有助於瞭解多項獨立調查是否其實屬於同一個大型詐欺集團。
執行擴充查詢
在筆記本中執行下列查詢。
%%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
解讀結果
這項查詢會傳回複雜的圖表,顯示指定的可疑帳戶如何重疊及共用資源。您現在可以大規模偵測詐欺行為,找出可能需要協調應對措施的活動群集。

9. 清除
為避免系統向您的 Google Cloud 帳戶收取本程式碼實驗室所用資源的費用,請刪除資料集和屬性圖。
執行下列 SQL 陳述式,清理環境。
DROP PROPERTY GRAPH IF EXISTS fraud_demo.FraudDemo;
DROP SCHEMA IF EXISTS fraud_demo CASCADE;
10. 恭喜
恭喜!您已成功使用 BigQuery Graph 建構詐欺偵測解決方案。
您已學會以下技能:
- 將 Cloud Storage 中的資料載入 BigQuery。
- 使用 DDL 定義屬性圖譜。
- 使用 GQL 查詢圖形,找出簡單和複雜的關係。
- 結合圖表分析和業務資料,找出風險。
- 大規模呈現網路。