PayPal: Cara Mencegah Penipuan Melalui Analisis Basis Data Graf Waktu Nyata

• Industri e-commerce tumbuh pesat akibat COVID-19

• Seiring meningkatnya pembayaran digital, penipuan pembayaran juga ikut meningkat

• PayPal mencegah penipuan dengan analisis graf waktu nyata

• Komputasi waktu nyata dimungkinkan berkat framework DSL graf open source Apache, 'Gremlin'

• Teknologi graf sangat efektif untuk deteksi dan pencegahan penipuan di industri e-commerce

[kwangyeol]

Ada beberapa kata kunci yang sudah lama tidak saya lihat, jadi saya membacanya dengan tertarik.

Aerospike adalah penyimpanan key-value open source (APL). Solusi ini sangat unggul dalam performa karena dioptimalkan untuk bekerja pada in-memory dan SSD. Namun, setahu saya ada batasan pada ukuran klaster maupun ukuran key dan value, sehingga perlu dipertimbangkan saat akan mengadopsinya.

Menurut saya, menaruh layer query di atas penyimpanan key-value, dalam hal ini Gremlin, adalah arsitektur yang masuk akal. Membuat layer query graf dari nol memang tidak mudah.

Namun, sayangnya penjelasan tentang konfigurasi fisiknya masih kurang. Karena kuerinya sangat kompleks, performa database graf bisa turun drastis ketika node data dan node query dipisahkan atau saat di-scale-out. Akibat query yang rumit, data sementara untuk perhitungan dapat menumpuk besar di node perantara, sehingga kekurangan memori mudah terjadi dan QPS pun menurun.

Saya jadi penasaran apakah masalah ini diselesaikan dengan scale-up atau scale-out. Jika memang scale-out, akan lebih baik jika prosesnya dijelaskan dengan lebih rinci.

Rasanya sudah sekitar 8 tahun sejak terakhir kali saya melihat hal seperti Gremlin dan Titan, dan bidang database graf tampaknya tidak berkembang secepat yang saya bayangkan.

[bluearisu]

Teks utamanya agak sulit sehingga susah dipahami, tetapi setelah melihat komentar, saya jadi sedikit lebih mudah memahaminya. Terima kasih.