Ce webinar sera l’occasion de comprendre comment DataStax et Linkurious peuvent permettre de détecter en temps réel des activités frauduleuses telles que la fraude identitaire. Des applications concrètes de ces technologies seront détaillées, de l’affaire des Panama Papers à des cas d’usages quotidiens dans des banques et des institutions financières. Les techniques de lutte antifraude ainsi que les avantages des approches orientées graphe seront également présentés.

1. SAS founded in 2013 in Paris | http://linkurio.us | @linkurious
Utilisation de
Linkurious et DataStax
contre la fraude.
SAS founded in 2013 in Paris | http://linkurio.us | @linkurious

2. A propos de Linkurious.
Startup fondée en 2013 et basée à
Paris.
Ministère des Finances, Cisco,
NASA.
Partenaire officiel de DataStax.

3. Plateforme de visualisation et
d’analyse des graphes de données.
Identifier des menaces et
opportunités cachées dans des
données complexes et connectées.
Le produit Linkurious Enterprise.

4. Quelques cas d’utilisation.
Cyber-securité
Servers, switches, routers,
applications, etc.
Suspicious activity patterns,
identify impact of a
compromised asset.
IT
Servers, switches, routers,
applications, etc.
Impact analysis, root cause
analysis.
Intelligence Eco
Businesses, people, assets,
products, technologies.
Identify communities, leaders
and partners.
Renseignement
People, emails, transactions,
phone call records, social.
Detecting and investigating
criminal or terrorist networks.
Anti-blanchiment
People, transactions, watch-
lists, companies, organizations.
Detecting suspicious
transactions, identify beneficiary
owners.
Fraude
Claims, people, financial
records, personal data.
Detecting and investigating
criminal networks.
Recherche
Proteins, publications,
researchers, patents, topics.
Understanding protein
interactions, new drugs.

5. Pourquoi la lutte contre la fraude ?

6. Fraude à la fausse d’identité.
Client
nom: John
age: 29
Domicile
adresse: Paris
Téléphone
numéro: xxx-xxx-xxx
Fraudeur
nom: Marc
age: 31

7. Fraude à la carte bancaire.
Client
nom: John
age: 29
Client
nom: Marc
age: 31
Marchand
nom: Leclerc
Marchand
nom: Amazon
Marchand
nom: Orange
Marchand
nom: Fnac
Marchand
nom: Starbucks

8. Bénéficiaires ultimes.
Personne
nom: John
age: 29
Entreprise
nom: ACME SAS
pays: France
Entreprise
nom: ACME LLC
pays: Panama
Entreprise
nom: Evil Corp
pays: Iran

9. Multiple sources de données.
Données
internes
Données
Propriétaires
Données
publiques

10. Lutter contre la fraude avec Linkurious.
Détection des schémas de fraude
complexes.
Accélère le travail d’enquête des
analystes.
Directement compatible avec DSE
Graph.

11. Demo: détecter et investiguer la
fraude.
- Investigation d’un cas de fraude
- Mise en place d'alertes pour des modèles connus de fraude

12. Linkurious dans votre architecture.
Compatible Windows, Linux, Mac
(cloud ou on premise), support de
tous les navigateurs internet.
Authentification (LDAP, AD, SSO),
gestion droits accès, SSL.
Intégration avancée via API et
librairie JS.
Données
structurées
Données
non-structurées
NLP
ETL

13. Contexte
L’ICIJ est un consortium de
journalistes d’investigation.
Problème
Analyser les données financière du
cabinet Mossack Fonseca pour
trouver des traces de fraude ou
corruption.
Bénéfice
Les journalistes analysent les
données et sont capables de
publier des résultats précis
rapidement.
Panama Papers.

14. Contexte
Unité d’investigation dans une
compagnie d’assurance.
Problème
Identifier les réseaux de fraudeurs
parmi une base de clients.
Bénéfice
Les enquêteurs passe d’une
approche au cas par cas à une
action globale contre des réseaux.
Fraude à l’assurance.

15. Contexte
Equipe fraude et compliance d’une
banque.
Problème
Lutte contre une recrudescence de
la fraude sur le site internet.
Bénéfice
Détection d'activités suspectes.
Fraude bancaire.

16. Linkurio.us

17. DSE Graph
DataStax presenters:
Vincent Poncet
Solutions Engineer
vincent.poncet@datastax.com
+33 6 73 52 15 39

18. •Always-on architecture
• Masterless architecture
• Native multi-datacenter support, on-premise,
cloud, hybrid, multi-cloud
•Linear Scalability
• Need more throughput or storage, just add nodes
• One single platform to handle transactional,
analytical, search, and graph workloads in a single
database cluster
DataStax is a registered trademark of
DataStax, Inc. and its subsidiaries in the
United States and/or other countries.
18
Distributed Database Management Platform for Cloud Applications

19. From validation to momentum.
400+
Employees
$190M
Funding
500+
Customers
Founded in April 2010
Santa Clara • San Francisco • Austin •
London • Paris • Berlin • Tokyo • Sydney
(Series E – Sept. 2014) 30% +
2016 World’s Best
100 Cloud Companies
Ranked #1 in multiple operational
database categories
© 2017 DataStax, All Rights Reserved. Company Confidential

20. DSE Graph – Data Access | Traversals
• Query Access => Apache TinkerPop Gremlin
• Traversal style data navigation
Find all orders purchased by Lisa
g.V().has('customer', 'name',
'Lisa').out('ordered').values('number')
Find all products purchased by Lisa’s Friends
g.V().has('customer', 'name',
'Lisa').outE('related').has('Type','friend').inV().out('or
dered').out('purchased').values('name’)
Recommendation - find all products purchased
by Lisa’s Friends, not purchased by Lisa
g.V().has('customer', 'name',
'Lisa').as('customer').out('ordered').out('purchased').
aggregate('products').in('purchased').in('ordered').w
here(neq('customer')).out('ordered').out('purchased')
.where(without('products')).values('name')
© 2016 DataStax, All Rights Reserved. 20
1
Customer
Name:[Lisa]
Age:[32]
2
Order
Number:[1234]
5
Product
Name:[Socks]
Size: [XL]
4
Customer
Name:[Frank]
Age:[28]
6
Product
Name:[Shirt]
Size: [XL]
7
Address
Stree:[123 West Street]
Zip Code:[44534]
11
12 13
14
15
16
17
3
Tag
Type:[Color]
Value: [White]
18
19
orders
Date:[1/1/2016]
related
Type:Friend
resides
Since:1/1/2000
ships
Shipment Date:1/2/2016
purchased
Qty: 42
purchased
Qty: 1
has
Valid: 1/1/2012
has
Valid: 1/1/2012

21. DSE Graph – Data Access | Vertex Centric Indexes
© 2016 DataStax, All Rights Reserved.
21
• Optimized for large graphs
• Indexes maintained per vertex
• Avoids expensive scans
Vertex 1 Edge 1 Edge 2 Edge 3 Edge 4 Edge …
Consecutive, Sorted List Storage

22. Performance and scalability optimisations
© 2016 DataStax, All Rights Reserved. 22
• Query Optimizer
• Search Indexes
• Edge Partitionning
• Vertex Partionning
Vertex 1 Edge 1 Edge 2 Edge 3 Edge …
Edge
100,000
Edge
100,001
Edge …

23. g.V().hasLabel("product")
.has("title",textContains("Fan"))
.inE("reviewed")
.has("score",5)
.values("summary")

24. g.V().hasLabel("product")
.has("title",textContains("Fan"))
.inE("reviewed")
.has("score",5)
.values("summary")
Graph-global
retrieval
Graph-local
walk

25. g.V().hasLabel("product")
.has("title",textContains("Fan"))
.inE("reviewed")
.has("score",5)
.values("summary")
DseGraphStep
DseVertexStep

26. g.V().hasLabel("product")
.has("title",textContains("Fan"))
.inE("reviewed")
.has("score",5)
.values("summary")

27. DSE Graph – Analysis | Linkurious Visualization
© 2016 DataStax, All Rights Reserved. 27
Linkurious
http://linkurio.us/
• Linkurious an extensive use of the
integrated search engine of DSE Graph
• Strong technological partnership
• Direct communications between
engineers
• Linkurious inputs are used for DSE
Graph enhancements

28. DSE Graph – Data Access | OLAP Traversals
© 2016 DataStax, All Rights Reserved. 28
• Aggregate, Scan Traversals
• DSE Graph has seamless integration with DSE Analytics
• DSE Gremlin traversals execute Spark Analytical
operations
• OLAP workloads can be separated from OLTP workloads
• Support for Spark GraphFrame API

29. DSE Graph – Developer Experience | DataStax
Studio
© 2016 DataStax, All Rights Reserved. 29

30. DSE Graph – Developer Experience | Query
Tuning
© 2016 DataStax, All Rights Reserved. 30

31. ©2016 DataStax
Neo4J Titan*
(using non-Cassandra
backend like Amazon
DynamoDB, HBase, etc.)
Titan*
(using Cassandra
backend)
DSE Graph
Open Development Language Yes Yes Yes Yes
Architecture Master-Slave Master-Slave Masterless Masterless
Scaling Method Scale Up Scale Out for reads Scale Out
reads/writes
Scale Out
read/writes
Write and Read Anywhere No No Yes Yes
Auto Multi-Data Center and Cloud
Zone Support
No No Yes Yes
Data consistency maintenance Automatic Manual Manual Automatic
Advanced Security Features No No No Yes
Integrated Analytics No No No Yes
Integrated Search No No No Yes
Integrated Multi-Model Platform No No No Yes
* Titan’s future features and general maintenance depend primarily on Titan open source
community.
How Does DSE Graph Compare?

32. We are the power
behind the moment.
© 2017 DataStax, All Rights Reserved. Company Confidential