首页>博客>行业科普>"AB贷"骗局拆解：征信良好的 A 为何替 B 背了债？图数据库还原套路贷关系网
"AB贷"骗局拆解：征信良好的 A 为何替 B 背了债？图数据库还原套路贷关系网
先看一幕几乎每天都在上演的场景：
A 先生，国企职工，征信干净，名下无贷款、无逾期、无查询记录。某天他去银行办房贷，被告知"您在 12 家机构有 47 万信用贷，其中 3 笔已逾期 90 天以上"。A 懵了——他从没申请过这些贷款。
B 先生，实际用款人，负债已经爆表，多头借贷 20 余家，任何机构都不会再批。但他拿到了这 47 万。
中介 C，全程操盘。他既认识 B，也找到了 A。这 47 万里，B 拿走了 40 万，中介抽走 7 万"服务费"。
三份账是这样错位的：
| 角色 | 表面身份 | 真实角色 | 谁在还钱 | 谁承担违约风险 |
|---|---|---|---|---|
| A（征信良好者） | 借款人、还款人 | 被冒用身份的"信用壳" | 从未收到过钱，却要还 | 全部承担 |
| B（实际用款人） | 隐形人、合同外第三方 | 真正的资金使用人 | 拿到钱后往往失联 | 无 |
| 中介 C | 贷款顾问、"帮忙的朋友" | 操盘者、利益分配方 | 收取服务费后消失 | 无 |
这张表就是 AB贷的全部秘密：钱给了 B，债挂在 A，风险由 A 一个人扛，而 A 甚至不知道 B 的存在。
"AB贷"这个名称最近两年在信贷反欺诈领域高频出现，但很多机构对它的认知仍停留在"某个员工违规操作"的层面。实际情况要严峻得多——它已经形成了成熟的中介产业链，有自己的获客渠道、话术剧本、身份包装手法和资金转移路径。 单家机构靠人工审核根本拦不住，因为它从设计之初就是奔着"单机构风控盲区"去的。
本文要回答两个问题：AB贷的套路为什么能一次次得手？以及图数据库到底能看到什么传统风控看不到的东西？
一、AB贷的完整作案链路
1.1 七步流程：一场精心设计的"人找人"
AB贷不是一次性的诈骗动作，而是一条可以复制的流水线：
- 中介获客：在 B 群体（征信花、急需用钱）中投放"内部渠道""包过"广告，收取前置费用。
- 筛选 A 候选人：从中介自身的关系网（亲友、同事、老乡、客户）中挑出征信良好的人，通常有稳定工作、有缴存社保、无查询记录。
- 包装话术：对 A 的话术高度统一——"只是走个流程""需要你做个担保""帮朋友过一下资质""不影响你的征信"。绝大多数 A 在此时并未意识到自己成为了主贷人。
- 技术准备：伪造或借用 A 的身份材料，部分案件中会直接使用 A 的身份证原件、人脸识别照片。
- 进件与放款：在中介安排的机构网点完成申请，放款账户通常会指定为 A 名下新开的卡或中介控制的账户。
- 资金转移：放款到账后，30 分钟内资金往往被拆成多笔转出，一部分给 B，一部分作为中介抽成，中间经过 2–3 层账户洗手。
- 崩盘与失联：B 用掉钱后停止还款（通常 3–6 个月），A 收到催收电话才发现自己背了债，此时中介早已失联。
1.2 为什么 A 会"自愿"配合
这可能是最反直觉的一点——大多数 AB贷案件里，A 不是被暴力胁迫的，而是在知情但被误导的状态下签了字。
中介正是靠这个模糊地带规避刑事定性：A 签了合同、做了人脸识别、甚至收到了放款短信。但对 A 来说，"做个担保"和"成为主贷人"完全是两件事，中介赌的就是 A 分不清这个区别。
1.3 真正被隐藏的是"关系"，不是"行为"
A 的行为全流程都合规：本人签字、本人人脸、本人银行卡。从单笔业务看，没有任何一个环节违规。
问题在于——A 和 B 之间的那条关系被中介刻意切断了。 中介把 A 包装成"独立借款人"，把 B 藏到合同之外，把资金转移切成了几笔看起来正常的转账。单机构看到的每一个"点"都是干净的，只有把这些点连起来看，AB贷才现形。
二、传统风控的结构性盲区
2.1 单点视角看不见"三角关系"
AB贷的核心是"三个人的关系"，而传统风控评估的是"一个人的资质"：
| 维度 | 传统风控视角 | AB贷的真实结构 |
|---|---|---|
| 评估对象 | 申请人 A 本人 | A + B + 中介 C 三方关系 |
| 数据输入 | A 的征信、流水、社保 | 三方共用的设备、地址、联系人 |
| 关键问题 | "A 还得起吗？" | "这笔钱真的给 A 用了吗？" |
| 覆盖能力 | 单笔业务合规性 | 跨机构、跨时间的关联复用 |
| 时效 | 进件时点判断 | 需要追踪放款后 72 小时资金流向 |
核心矛盾在于：AB贷在"单笔业务合规性"上无懈可击，在"三方关系"上却漏洞百出。 传统风控恰好只检查前者。
2.2 三个具体的失效点
失效点一：A 的资质确实没问题。 A 征信干净、有稳定收入，任何评分卡都会给高分。这不是模型不够好，是模型在回答一个错误的问题。
失效点二：B 不在系统里。 B 从没出现在 A 的申请材料里，也没有任何数据字段标记"这笔钱实际给了谁"。传统模型里没有 B 的位置。
失效点三：中介每次换壳。 中介不会重复用同一家公司、同一个手机号、同一个收款账户。单看每一笔业务，都找不到"关联重复"。
2.3 事后追查的成本有多高
大多数机构发现 AB贷，是在 A 找上门投诉之后——此时距离放款已经过去 6–12 个月，中介失联、B 无资产、A 拒绝还款，坏账已经形成。事后追查靠人工翻查十几笔业务的申请材料，一个案件平均耗时数天，而且往往查不出中介是谁。
要提前拦截、要查清中介，就必须换一种视角——从"评估个人"转向"还原网络"。
三、图数据库如何还原 AB贷关系网
3.1 把三方角色建成图
AB贷的关键实体包括：申请人（A）、实际用款人（B）、中介人员、中介机构、手机号、银行卡、设备指纹、家庭住址、工作单位、共同联系人。
建模时，把这些实体全部建成节点，用以下关系连边：
- 申请关系：A → 贷款产品（谁在什么时间申请的）
- 资金关系：放款账户 → 转账对象（钱最终流向谁）
- 设备关系：A ↔ B ↔ 中介（是否共用过同一台设备、同一 IP）
- 联系人关系：A ↔ B（通讯录、紧急联系人、共同好友）
- 地理关系：家庭住址、工作单位是否重合或邻近
- 复现关系：同一个中介人员是否出现在多笔可疑进件中
悦数图数据库的动态 Schema 支持这种边类型持续扩展——今天新增一类设备指纹，明天加入一种通话记录，都不需要改表结构、不需要停机。这在规则频繁变化的反欺诈场景里是刚需。
3.2 四个图算法直接锁定角色
把图建好之后，AB贷的隐藏关系几乎"自己跳出来"：
| 图算法 | 在 AB贷识别中的作用 | 业务输出 |
|---|---|---|
| 最短路径 | 计算 A 与 B 之间的最短关联链路 | 是否存在关联、隔了几层 |
| 联通子图 | 找出被同一个中介串联的所有 A 与 B | 团伙清单、受害范围 |
| PageRank | 在关系网中找出连接最多人的节点 | 中介枢纽识别 |
| Louvain 社区发现 | 自动划分独立的中介团伙 | 团伙边界、多团伙并存识别 |
| 环检测 | 识别 A→中介→B→A 的资金回流闭环 | 自融特征、抽成路径 |
这张表说明一件事：AB贷识别本质上是一个"网络结构识别"问题，而图算法恰好就是为网络结构设计的。 中介在关系网里的特征极其鲜明——他连接的人最多、跨越的社区最广、出现在最多条最短路径上。这些特征在 PageRank 和 Louvain 的输出里，一眼可辨。
3.3 多跳遍历：从"看不见"到"秒级看清"
以一个真实场景为例：某笔 30 万的申请进件，申请人征信良好，评分卡给 A 级。如果用图来检查：
- 第 1 跳：从申请人 A 出发，找到 A 的设备、手机号、银行卡、联系人。
- 第 2 跳：找到与这些实体共用的其他申请人（关键一步——如果 B 申请过、或者另一个 A'申请过同一中介的安排，就会在这里撞上）。
- 第 3 跳：找到这些申请人与中介的关系，以及中介关联的其他案件。
- 第 4–5 跳：追踪关联账户的资金流向，看是否存在已知的"中介收款账户"。
这 5 跳的遍历，在关系数据库里需要 5 层嵌套 JOIN，中间结果会膨胀到百亿级、直接不可行；在悦数图数据库里，这是百毫秒级的常规查询。
这就是工程意义所在——多跳关系识别只有在秒级响应时才能真正用进审批流程，超过 3 秒的查询在线上决策系统里几乎无法落地。
四、AB贷的六个可识别特征
结合图分析，AB贷在实践中会留下这些高度可观测的特征：
- 设备与网络复用：A 与 B（或 A 与中介）在申请前后使用过同一台设备、同一 WiFi、同一基站，这是最强的关联信号。
- 放款后极速转账：款项到账后短时间内分多笔转出，收款方与 A 无历史往来。
- 申请时空聚集：多个 A 的申请由同一网点、同一客户经理、相近时间段完成。
- 联系人交叉：A 与 B 在通讯录、紧急联系人、共同好友上存在交集，但 A 的申请表上完全没有提及 B。
- 中介复现：同一手机号、同一微信号、同一公司名在不同案件中以"推荐人""渠道方"身份反复出现。
- 征信负债与流水背离：A 的征信显示大额负债，但 A 的日常消费流水与收入水平完全不匹配——说明这笔钱从来没进过 A 的日常生活。
一个值得强调的细节是最后一条：A 拿到了 47 万，但他的消费行为没有任何变化。 这个"钱与生活脱节"的信号，在流水数据里非常突兀，但传统风控很少专门去比对"贷款金额与消费行为的匹配度"。
五、悦数图数据库在 AB贷场景中的支撑能力
悦数图数据库在信贷反欺诈场景的能力可以概括为几个层面：底层是存算分离的分布式架构，可承载万亿边规模的关系网络在线运行；原生图遍历引擎让 3–5 跳关联查询稳定保持百毫秒延迟，满足进件时的实时拦截要求；内置的 PageRank、Louvain、最短路径、联通子图、环检测等图算法可直接在库内执行，无需把数据导出到外部计算框架；CDC 实时同步确保新进件、新转账、新设备指纹能在秒级进入图谱并触发关联检测；动态 Schema 让边类型随反欺诈规则演进而灵活扩展；Text2nGQL 与 GraphRAG 则让审核人员可以用自然语言直接提问，例如"这个申请人和哪几个中介有过关联"。
对于金融机构而言，悦数既可以作为 AB贷识别的独立分析底座，也可以作为现有风控体系的增强层——通过 CDC 与现有信贷系统、设备指纹平台、反欺诈引擎打通，在不改动核心系统的前提下补上"网络视角"这块拼图。
六、AB贷治理的落地路线图
第一步：从自有数据建最小图。 先把本机构所有申请件的申请人、设备、手机号、银行卡、转账关系建图。哪怕只有自有数据，也能识别出"同设备多申请""同一中介反复出现"这类基础特征。
第二步：上线实时关联校验。 把多跳遍历接入进件流程，让每笔申请在审批前经过一次"关联关系体检"。这一步解决"拦截"问题，是最直接的收益。
第三步：引入图算法做团伙识别。 跑通 PageRank、Louvain、联通子图，把散落的案件聚合成团伙，从中介维度而不是案件维度去看问题。这一步的价值在于——打掉一个中介，可能一次性阻断几十笔潜在业务。
第四步：跨机构共享与行业联防。 AB贷的天然属性是"跨机构作案"，单一机构的信息永远是不完整的。在合规前提下建立行业级关系图谱共享机制，是长期最有效的治理方向。
AB贷之所以难防，是因为它把风险藏在了"机构之间的缝隙"里。图数据库的价值，恰恰是把这些缝隙连起来——让 A、B、中介这三方的关系，从隐形变成显形。
