在商業領域，許多持股股東、實際控制人故意多層隱藏自己的身份，以便能夠通過精心設計的復雜架構來規避監管，獲取稅收優惠，亦或為了欺詐和洗錢。在現實世界里，我們還能看到很多大型企業擁有上千位最終受益者，他們形成了一張巨大的子“圖”，這阻礙了監管部門或執法部門進行快速地穿透與目標鎖定。嬴圖深度圖查詢分析系統，可以白盒穿透挖掘出層層錯綜的人與人、人與企業、企業與企業之間的復雜關系，并實時鎖定至最終的幕后人。
從技術上講，深圖遍歷（deep graph traversal，DGT）不是一個應用場景，它是圖計算系統的獨特功能，通過嬴圖數據庫的實時DGT功能，不僅能快速穿透并識別出UBO（最終受益人），還能以AI白盒自動化的方式解釋圖上的整體結構。諸如以現實場景為例，原中信銀行行長孫德順利用開設多個“影子公司”的方式，借助金融手段來完成利益輸送。
如上圖所示，孫德順設計了結構極為復雜的重重“防火墻”，多層影子公司層層嵌套：
·兩家平臺公司是核心團隊，是遮蔽其身的第1層“影子”，安排兩名老部下作為代理人；
·在平臺公司之下又設立了十多家項目公司作為第2層“影子”；
·在項目公司之下又設立了空殼公司作為第3層“影子”，其中，項目公司和行賄企業還不是直接交易，而是雙方各自再成立空殼公司作為第三層“影子”，最終通過借助金融手段來完成利益輸送。
·關聯：孫德順——中信銀行——企業老板——（空殼公司）投資平臺公司——孫德順
孫德順利用中信銀行的公權力為企業老板批貸款；與此對應，企業老板們或以投資名義或送上優質的投資項目、投資機會等等方式；雙方通過各自成立的空殼公司完成直接交易；或者企業老板將巨資注入孫德順實控的投資平臺公司，然后平臺公司再用這些資金投到老板提供的項目內，從而以錢生錢，大家共同獲利分紅，最終形成利益共同體。
我們知道，要了解業務實體的所有權結構，最直觀的方法就是以圖查詢的方式，也稱為網絡分析或網絡關聯的方式以顯示其相關數據。如果某人作為公司的法定代表，則在圖的設置中，這是一條連接兩個節點的邊，一個節點是人，指向另一個節點即公司，并且該邊（關系）標記為“Legal”（代表法人），如下圖所示：
假設我們從業務實體節點開始以遞歸的方式查找業務實體的所有直接關聯數據，則可以檢索到與其鏈接的所有實體，并形成一個子圖。請注意，節點和邊的結果形成的圖代替了樹，因為樹沒有循環，但是圖上可以交叉和形成環路，并且這更好地反映了現實世界的真實場景——因為企業和人員完全可能通過很多交叉投資/控股等業務結構形成很多環路（ring），這些并不應該用簡單的樹狀的結構來表示。
圖：深度穿透工商股權圖譜
在現實世界中，經常會看到最終受益人（又名“最終企業所有者”、實控人或多數股權持有人、大股東或多位頭部股東）與被檢查的業務實體（紅星）相距許多節點。傳統的RDBMS或數據庫文檔（甚至大多數圖數據庫）都無法快速、及時地解決此類問題。上圖中顯示的最終受益人與被查企業至少相距10層（跳），找到它的計算復雜度可能會非常之高，讓我們在這里做一個簡單的分析：
·假設每一家公司有25位所有者（投資人、股權持有者）；
·如果我們要深挖5層：25 * 25 * 25* 25 * 25 = 9,765,625（?）10M。
·如果我們深挖10層：1014= 100萬億。
如果我們沒有更高效的數據結構、算法和體系結構系統，僅依賴傳統的關系型查詢方式與系統架構將不可能解決這些挑戰。
幸運的是，以上諸多挑戰可以通過系統架構的優化，特別是低延遲、高密度并發數據結構和實時計算引擎讓用戶可以以實時的方式找到最終受益人，很多時候甚至以微秒為單位，因為我們比其他系統能更快地深度挖掘（100倍或更多），而RDBMS和其它類型的NoSQL框架則完全不能處理這種問題。此外，微秒級的時延意味著更高的并發性和系統吞吐量，相比那些宣稱毫秒級延遲的系統，這是1,000倍的性能提升。
現在，我們知道，深度圖遍歷與查詢可以識別企業的股東，無論他們離起始業務實體有多遠，有時甚至有成千上萬的股東，在他們當中快速的循環計算可以得到公司前五或前十的所有股東（例如持股5%、10%或25%以上），這些就是企業可能的最終受益人。
圖：最終受益人及持股比例與路徑的穿透計算與可視化呈現
上圖顯示，在嬴圖高可視化平臺上，通過圖數據庫的前端界面可以快速且直觀地查找和定位企業的最終受益人。圖中所示的最終受益人（大股東）與被查詢公司（起點）間存在有4層間隔，通過多個公司業務交叉結構，有意無意地隱藏了其直接控股關系。
在一些依托工商圖譜的審核、投研、行研等場景中，還可能會查找發行人（上市企業或待上市企業）實體與自然人間的全部關聯路徑。假如4,000家企業與10,000個自然人之間進行全量計算，需要查詢40,000,000次最短路徑，如果平均每對路徑查詢返回10條路徑，全部結果有4億條路徑，即便是1條路徑需要0.1秒，也需要2年的時間才能夠完成計算。計算復雜度可想而知。數倉批處理的方式，根本無法及時完成這種面向海量數據的復雜查詢，這個時候，只有實時圖數據庫（圖計算）系統才能做到賦能客戶以徹底解決算力不足的痛點。某大型金融行業客戶通過使用嬴圖數據庫高密度并發查詢，實現了T+0（分鐘級）完成以上所述的大規模批量查詢，平均每組路徑查詢耗時僅0.1毫秒，較原使用的某知名美國圖數據庫系統的性能提升超過1,000倍。
此外，作為一款高性能的圖數據庫產品，嬴圖還具備以下性能并廣泛應用于金融、互聯網、物聯網等諸多領域。
1.高速圖搜索能力：高QPS/TPS、低延時，實時 動態剪枝（過濾）能力。
2.對任何規模的圖的深度、實時搜索能力（10層以上）。
3.高密度、高并發圖計算引擎：極高的吞吐率。
4.成熟穩定的圖數據庫、圖中臺、圖計算與存儲引擎。
5.可擴展的計算能力：支持垂直與線性可擴展。
6.3D+2D高維可視化、高性能的知識圖譜Web前端系統。
7.便捷、低成本的二次開發能力（圖查詢語言、API/SDK、工具箱等）。
_1.png)