简介：本文探讨图像审核产品'侦图'如何利用Milvus在翼支付风控场景中高效识别虚假营业执照及相似模板照，实现高效风控，保障平台安全。
在移动支付和电子商务蓬勃发展的今天，支付平台的风控系统面临着前所未有的挑战。如何快速、准确地识别虚假注册信息和相似模板照，成为了各大支付平台亟需解决的问题。翼支付，作为国内领先的移动支付平台，通过自研的图像审核产品“侦图”，结合Milvus向量搜索引擎，成功构建了一套高效的风控体系。
近年来，随着电商的兴起和线上支付的普及，一些不法分子利用技术手段合成虚假照片，通过平台认证注册大量虚假账户进行非法牟利。这些“羊毛党”不仅损害了普通消费者的利益，也给平台带来了巨大的损失。面对这种形势，传统的风控手段已难以应对，翼支付决定打造一款以深度学习技术为核心的图像审核产品——“侦图”。
“侦图”是翼支付自研的多媒体视觉风控产品，具备整套人脸识别解决方案、证照鉴伪和图背景中介聚类等多项行业领先能力。它深度融合了机器学习技术和神经网络图像识别技术，能够对用户认证时存在的虚假风险和中介团伙风险进行精确识别，实现毫秒级响应，真正做到事前阻断。
为了从庞大的图片库中快速检索出最相似可能存在风险的模板照，“侦图”选择了Milvus作为特征向量相似度计算引擎。Milvus是一款开源的向量搜索引擎，专为处理非结构化数据而设计，能够为万亿级向量数据建立索引，实现高效检索。
在“侦图”的相似风险模板照检测系统中，Milvus的应用主要体现在以下几个方面：
特征向量提取与归一化：首先，使用专门训练好的深度学习模型提取图片的特征向量，并对这些特征向量进行归一化处理，以提高后续处理效率。
Milvus检索：将归一化后的特征向量嵌入到Milvus数据库中进行向量相似度检索。Milvus能够迅速在数千万级别的图像中检索出目标风险模板照。
高性能检索：Milvus在检索速度上表现出色，千万级别向量查询时，单条向量查询时间不高于1秒，批量查询的单条平均时间不高于0.08秒，极大节省了开发成本，并显著提高了系统的检索性能。
“侦图”的相似风险模板照检测系统采用Kubernetes进行Milvus集群部署，确保系统的高可用性和云服务实时同步的弹性能力。通过合理配置资源和应用新配置，系统能够根据不同的业务场景和性能要求，调整Milvus的系统参数，确保良好的查询性能。
例如，在建立向量索引阶段，可以选择基于IVF_PQ的向量数据有损压缩算法，具有高速查询磁盘、内存占用极低等特点。同时，将搜索参数设置为使用内积（IP）计算两条向量的距离，相比欧氏距离（L2），准确率大约提高了15%左右。
目前，“侦图”的相似风险模板照检测系统已在生产上实时稳定运行，每天都能帮助业务方发现风险模板照。据统计，2021年全年累积前置识别虚假模板证照超过2万张，有效保障了平台的安全运营。
“侦图”与Milvus的结合，为翼支付的风控系统注入了新的活力。通过深度学习技术和向量搜索引擎的深度融合，翼支付成功构建了一套高效、精准的图像审核体系，为移动支付和电子商务行业的风控领域树立了新的标杆。未来，随着技术的不断进步和应用场景的拓展，“侦图”和Milvus将在更多领域发挥重要作用，为数字化转型和智能化升级提供有力支持。