背景：

在电商 出行 交易等很多互联网领域，存在一些黑灰产用户，识别这些黑灰产用户其中一个重要策略是分析用户之间的关联关系，关联关系可能存在多度

关联关系的存储，目前主要是通过图形数据库，但图形数据库目前开源版本要么收费，要么支持的量级规模小，并且目前市场上应用不多，运维成本很高，可以使用redis来模拟实现图像数据库

 

redis并不原生支持图形数据结构存储，但是可以通过一些技巧来模拟实现

1、hash结构支持顶点及其属性的存储，每一个顶点的属性一定包含另外一个或多个顶点，key作为顶点唯一标识，属性中包含本顶点的属性和本顶点和关联顶点的边的数据

2、边是虚拟的（与图形数据库的差异），边的属性包含时间、权重、频次。。等其他需要的信息

3、关联关系如何建立：在写入时只有一度顶点信息，并不存在多度的关联关系，多度的关联关系是在查询时构建出来的（与图形数据库的差异），查询的逻辑可以使用深度优先搜索/广度优先搜索，通常度数越高权重越低，很多场景使用广度优先搜索即可，查询需要的数据，不需要遍历全量

 

并发问题：使用分布式锁解决

存储容量问题：通过protobuf对存储结构进行压缩，查询节点时进行解压，这个工具性能消耗可忽略

 

弊端：

并发特别高时存在写性能问题

        进行一些削峰处理，对于有大量并发存在的，可能业务上已经存在一些漏洞被黑灰产攻破了，要及时跟进处理，系统上可以将这些账号加到黑名单（业务上拦截），数据写入可接受延迟处理

查询关联关系时 度数越多 延时越高：

        通常可结合场景考虑，实时场景一般不需要检索全量数据，找出关联权重最高的节点即可，

        对于需要全量数据的场景一般是在离线环境，离线环境对耗时要求不高，数据库的压力可以拷贝一份数据给离线环境进行查询使用