随着租赁经济的飞速发展,以押金为核心的传统模式逐渐失去活力,以信用取代押金的新模式已成为行业的发展趋势。信用租赁中,用户提交的订单在通过信用租赁平台的审核后即可享受免押金的租赁服务。由于流程中不再有押金对用户的违约行为进行限制,使得套机、骗机等欺诈行为的操作成本更低,因而更容易成为各种欺诈攻击的目标。区别于一般的欺诈行为,在信用租赁场景中,用户的欺诈意图容易受身边的人影响,如果身边的人套机、骗机成功,则用户在下单时的欺诈倾向会更强,因此只考虑个体特征的传统反欺诈手段难以在信用租赁场景中取得良好的效果。此外,随着信用租赁市场规模和受众群体的逐步扩大,信用租赁平台的审核压力也逐渐增加,其对于审核结果的反馈的时效性具有较高的要求。由此可见,信用租赁场景中的欺诈检测需要兼顾结果的准确性与时效性。针对信用租赁业务中的反欺诈问题,本文的主要贡献有:1.基于用户订单和行为数据,构建了具有多属性边的订单关系网络,在保留网络信息的同时降低了网络的复杂度。2.根据图神经网络框架设计了基于边的欺诈检测算法ES-FDA,同时考虑了个体特征和网络结构特征。在订单关系网络上的实验结果表明,ES-FDA算法相比于现有方法在F1-score和AUC上有明显提升。3.基于订单关系网络,设计并实现了可接收流式数据并进行实时预测的反诈系统,测试结果表明该系统满足信用租赁场景中反欺诈系统的功能和性能需求。