动态图数据溯源

动态图数据溯源，简单说就是：

不仅记录“当前图中有哪些节点和边”，还要记录这些节点、边以及属性从哪里来、什么时候出现、经过了什么变化、由谁或什么过程产生。

这里的“动态图”是指会随时间变化的图结构，例如社交网络、交易网络、交通网络、知识图谱等。

1. 什么是数据溯源

数据溯源，英文通常叫 Data Provenance，也可以理解为数据的“履历”或“来龙去脉”。

它通常回答这些问题：

这条数据来自哪里？
是谁产生或修改的？
什么时候产生的？
经过了哪些处理步骤？
它依赖哪些原始数据？
当前结果为什么会变成这样？
如果删除某条原始数据，会影响哪些结果？

例如，一条“用户 A 风险评分为 85”的结果，溯源系统可能记录：

用户 A 的风险评分 85
    ↓ 来源于
3 笔异常交易
    ↓ 来源于
银行交易日志
    ↓ 经过
异常检测模型 v2.1
    ↓ 生成时间
2026-07-27 10:30

2. 什么是动态图

动态图可以表示为：

[ G_t=(V_t,E_t,X_t) ]

其中：

$(V_t)$ ：时刻 $(t)$ 的节点集合
$(E_t)$ ：时刻 $(t)$ 的边集合
$(X_t)$ ：时刻 $(t)$ 的节点或边属性

随着时间变化，图中可能发生：

新增节点
删除节点
新增边
删除边
节点属性变化
边的权重变化
关系类型变化

例如社交网络：

10:00：小明关注了小红
10:10：小明取消关注小红
10:20：小明又关注了小红

如果只看 10:30 的静态图，你只能看到“小明关注小红”。

但动态图会保留完整的变化过程。

3. 动态图数据溯源记录什么

动态图数据溯源通常包含以下几类信息：

① 来源信息

记录节点、边或属性来自哪个数据源。

例如：

边：用户A → 商品B
关系：购买
来源：订单系统
订单号：20260727001

② 时间信息

记录事件发生的时间，而不只是当前状态。

例如：

2026-07-20：创建关系
2026-07-22：修改权重
2026-07-25：删除关系

有时需要区分两种时间：

事件时间：现实中真正发生的时间
处理时间：系统接收到并处理数据的时间

例如某笔交易在 10:00 发生，但因为网络延迟，10:05 才进入系统。

③ 操作信息

记录图发生了什么变化：

ADD_NODE
DELETE_NODE
ADD_EDGE
DELETE_EDGE
UPDATE_ATTRIBUTE

例如：

ADD_EDGE(A, B, "转账", amount=1000)

④ 操作者或生成过程

记录是谁或哪个程序产生了变化。

例如：

操作者：用户 A
处理程序：fraud_detection.py
模型版本：GNN-v3
规则版本：rule-set-12

⑤ 依赖关系

记录一个结果由哪些数据推导出来。

例如：

风险节点 R
依赖：
- 转账边 e1
- 登录边 e2
- 设备共享边 e3

这样当 e2 被发现是错误数据时，就可以知道风险节点 R 是否需要重新计算。

4. 一个具体例子

假设有一个反诈骗交易图：

节点：用户、银行卡、设备
边：转账、登录、设备使用
属性：金额、时间、IP 地址、风险分数

动态图事件如下：

t1：用户 A 使用设备 D 登录
t2：用户 A 向用户 B 转账 5000 元
t3：用户 B 向用户 C 转账 4800 元
t4：风控模型将用户 B 标记为高风险

普通动态图只记录事件变化。

而动态图数据溯源还会记录：

用户 B 被标记为高风险
├── 由模型 FraudGNN-v2.3 生成
├── 生成时间：t4
├── 使用训练模型版本：model_202607
├── 依赖边：
│   ├── A → B，转账 5000 元
│   └── B → C，转账 4800 元
├── 原始来源：
│   ├── 银行交易日志 001
│   └── 银行交易日志 002
└── 判断依据：
    └── 短时间内资金快速转移

如果后来发现 B → C 这笔交易是重复记录，就可以沿着溯源关系找到：

错误交易记录
→ 影响风险特征
→ 影响模型输入
→ 影响用户 B 的风险评分

5. 它与普通动态图存储的区别

普通动态图	动态图数据溯源
关注图发生了什么变化	关注变化为什么发生、来自哪里
记录节点和边的增删	记录增删对应的数据源和处理过程
可以恢复历史状态	可以解释历史状态的形成原因
回答“什么时候变化”	回答“谁、何时、因为什么、经过什么过程变化”
更适合时序分析	更适合审计、解释、纠错和追责

可以概括为：

动态图保存的是“历史”，溯源保存的是“历史背后的依据”。

6. 常见的溯源粒度

动态图数据溯源可以分为不同粒度。

图级溯源

记录整个图从哪些数据源构建而来。

例如：

交易图 = 银行交易数据 + 登录日志 + 设备信息

节点级溯源

记录某个节点的来源。

例如：

用户节点 U123 来源于用户注册表第 123 行

边级溯源

记录某条关系为什么存在。

例如：

A 与 B 之间存在“共同设备”关系，
因为二者都登录过设备 D001。

属性级溯源

记录某个属性值如何得到。

例如：

用户 A 的风险分数 0.87
由模型 v3 使用特征 f1、f2、f3 计算得到。

模型级溯源

在动态图神经网络中，还可能记录：

使用了哪个模型
使用了哪个训练集
模型参数版本
邻居采样结果
节点嵌入如何生成
哪些历史快照参与预测

7. 常见实现方式

事件日志

把图的每一次变化记录成事件：

(timestamp, operation, object, source, operator)

例如：

(10:00, ADD_EDGE, A→B, order_001, transaction_service)

这种方式类似数据库中的事务日志。

图快照

定期保存图的完整状态：

G_1, G_2, G_3, ..., G_t

优点是查询某个时间点比较方便，缺点是存储开销大。

快照加增量日志

实际系统中经常同时使用：

基础快照 + 后续变化事件

例如：

7 月 1 日完整快照
+ 7 月 2 日至 7 月 27 日增量事件

溯源图

把溯源本身也表示成图。

例如：

原始数据 → 中间结果 → 图节点/边 → 模型预测

溯源图中的节点可能包括：

原始数据
图元素
程序
模型
用户
结果

边表示：

derived from：由……推导
generated by：由……生成
used：使用了……
modified by：由……修改

8. 为什么需要动态图数据溯源

它主要用于以下场景。

错误排查

发现一个预测错误时，可以向上追踪：

预测结果
→ 图特征
→ 节点和边
→ 原始数据

数据审计

金融、医疗、政务等领域需要知道：

谁修改了数据
修改了什么
什么时候修改
修改是否合规

模型可解释性

例如动态图神经网络判断某个账号是诈骗账号，可以解释：

主要因为该账号在过去 10 分钟内与多个高风险节点发生了大额转账。

数据删除与影响分析

如果用户要求删除个人数据，需要知道：

这条数据生成了哪些边？
影响了哪些特征？
参与了哪些模型训练？
影响了哪些预测结果？

模型复现

要复现某次实验，需要知道：

当时使用的是哪个图快照
数据预处理方式
模型版本
参数配置
随机种子
时间窗口

9. 在动态图神经网络中的含义

在动态图神经网络中，某个节点在时刻 (t) 的表示可能是：

[ h_v^t = f(h_v^{t-1}, N_v^t, E_v^t) ]

其中：

$(h_v^{t-1})$ ：节点过去的表示
$(N_v^t)$ ：当前邻居
$(E_v^t)$ ：当前相关事件
$(f)$ ：模型计算过程

溯源系统需要记录：

h_v^t聚合了哪些邻居

h_v^t使用了哪些历史表示

使用了哪些边和时间事件

调用了哪个模型参数版本

因此，一个预测：

[ \hat{y}_v^t = g(h_v^t) ]

不仅有预测结果，还能追踪：

$[ \hat{y}_v^t \rightarrow h_v^t \rightarrow N_v^t \rightarrow E_v^t \rightarrow 原始事件 ]$

这就是动态图机器学习中的预测溯源。

10. 总结

可以把动态图看成一部不断更新的电影：

静态图：一张照片
动态图：整部电影
动态图数据溯源：电影的拍摄记录、剪辑记录、素材来源和修改日志

所以动态图数据溯源并不只是保存“图怎么变了”，而是保存：

图中的每次变化从哪里来、为什么发生、经过什么处理，以及最终影响了哪些数据和结果。