微信支付基于圖計(jì)算的反欺詐實(shí)踐

來源：DataFunTalk

本文約5800字，建議閱讀10分鐘
本文為大家分享一些關(guān)于圖計(jì)算應(yīng)用的經(jīng)驗(yàn)。

[ 導(dǎo)讀 ]微信支付作為一個(gè)國民級(jí)工具，用戶量級(jí)很大，而且用戶黏性也很強(qiáng)，這么多用戶每天在用，就會(huì)產(chǎn)生大量的交易、連接。黑產(chǎn)對技術(shù)的嗅覺是非常靈敏的，如果一個(gè)產(chǎn)品連黑產(chǎn)都沒有關(guān)注的話，那這個(gè)產(chǎn)品很難稱之為好產(chǎn)品。

我們每天也和微信支付大量的黑灰用戶對抗，而且是在一個(gè)十億結(jié)點(diǎn)，萬億邊的網(wǎng)絡(luò)進(jìn)行對抗，因此我們需要用到網(wǎng)絡(luò)化的利器：圖算法和圖數(shù)據(jù)庫。這次分享，希望把我們之前的圖計(jì)算應(yīng)用的一些經(jīng)驗(yàn)，還有一路走過的坑，跟各位分享。主要內(nèi)容包括：① 風(fēng)控新視角；② 圖計(jì)算平臺(tái)；③ 支付的實(shí)踐；④ 科技向善成果。

01 風(fēng)控新視角

1. 風(fēng)控的全新視角：各種騙術(shù)層出不窮

最近有一位國外的馬老師（馬斯克）很火，雖然他的產(chǎn)品在國內(nèi)爭議非常大，但是在美國，捧誰誰火，比如狗狗幣推成天狗，帶貨能力非常強(qiáng)，這種一夜暴富的情緒傳到國內(nèi)，會(huì)發(fā)現(xiàn)如果平時(shí)聊天不聊“幣”，可能跟朋友就聊不下去了。所以最近發(fā)現(xiàn)詐騙份子利用這一點(diǎn)，推出各種比如空氣幣傳銷幣等，這些都是新型的資金盤，也成了我們最近風(fēng)控反詐的熱點(diǎn)。

2. 特征工程還是網(wǎng)絡(luò)工程

正因?yàn)橛懈黝悓映霾桓F的新型詐騙手法，我們馬上就會(huì)碰到一個(gè)痛點(diǎn)：用戶畫像、特征工程不好使了，以我們微信支付為例，我們這么多年也是在不斷的往上堆特征，特征數(shù)量已經(jīng)達(dá)到了6位數(shù)，這時(shí)你會(huì)發(fā)現(xiàn)特征堆積的越多，效果提升的其實(shí)并不明顯，這是第一個(gè)問題，另一個(gè)問題是，特征堆積的越多，成本會(huì)越高，如右圖的指數(shù)曲線一樣。

舉個(gè)用戶畫像的例子，比如研究一個(gè)人的消費(fèi)習(xí)慣，之前按照天分析，后來會(huì)按小時(shí)去分析，或者說發(fā)現(xiàn)兩個(gè)畫像特征特別有用，會(huì)考慮把兩者結(jié)合起來，做一個(gè)交叉特征，這樣特征數(shù)量也會(huì)漲的特別快，特征數(shù)量增長會(huì)帶來很多問題，首先是存儲(chǔ)的問題，還有特征管理的問題，包括配置特征告警、特征穩(wěn)定性、生命周期等等，這一系列的配套工程會(huì)讓我們的成本越來越高，所以從個(gè)體的特征工程到全局的網(wǎng)絡(luò)工程的轉(zhuǎn)變，會(huì)給我們帶來新的視角，新的知識(shí)。

3. 網(wǎng)絡(luò)視角：個(gè)人 vs 團(tuán)伙

另外一個(gè)視角是我們看待黑產(chǎn)是個(gè)體還是團(tuán)伙，以前我們印象中黑產(chǎn)可能是一個(gè)非常聰明、技術(shù)非常好的獨(dú)來獨(dú)往的黑客，深諳SQL注入、DDOS攻擊等技術(shù)，通過各種手段敲詐勒索很多錢。實(shí)際上從警情案例來看，黑產(chǎn)大多是右圖的這種情況：團(tuán)隊(duì)有很多頂尖的技術(shù)人才、甚至還有北大畢業(yè)的、不少黑產(chǎn)躲在山溝里辦公，反偵意識(shí)很強(qiáng)，黑產(chǎn)頭目很會(huì)打雞血，內(nèi)部分工明確，還有大量的手機(jī)卡、貓池，身份證和銀行卡等作案工具。互聯(lián)網(wǎng)崇尚合作，所以現(xiàn)在黑產(chǎn)更多的是團(tuán)伙作案，所以我們就需要從個(gè)體視角轉(zhuǎn)換到團(tuán)伙視角，而且要相信團(tuán)體能量遠(yuǎn)比個(gè)體大得多。

拿我們自己舉個(gè)例子，如果我們只關(guān)注個(gè)人的技術(shù)成長，我們對行業(yè)，對社會(huì)的影響力就比較小，但如果我們有勇氣走出去，和外界建立更多的連接，我們對社會(huì)的影響力就大，這里也感謝DataFun提供這么好的平臺(tái)，讓我們能跟更多的同行建立起連接。

4. 網(wǎng)絡(luò)建設(shè)：點(diǎn)線面怎么鋪開

既然對抗新形勢下的風(fēng)控需要用網(wǎng)絡(luò)去做，問大家一個(gè)問題，大家覺得理解網(wǎng)絡(luò)難不難？如果研究一個(gè)個(gè)體難度為10分，大家覺得研究一個(gè)關(guān)系對難度是多少分？答案是100分，因?yàn)槭莾蓛芍g產(chǎn)生互動(dòng)，特征產(chǎn)生交叉，所以是10*10=100分。如果是一個(gè)100人的團(tuán)伙，研究網(wǎng)絡(luò)難度最大是多少？答案大概是100分乘以10000倍，因?yàn)槭?00個(gè)結(jié)點(diǎn)的全連通圖最多會(huì)形成9900條邊。即便對于這種節(jié)點(diǎn)數(shù)不多的圖，研究網(wǎng)絡(luò)的難度可以是研究個(gè)體的難度的10萬倍，所以我們研究網(wǎng)絡(luò)時(shí)，既要認(rèn)識(shí)到它對風(fēng)控有巨大的收益，也要理解研究網(wǎng)絡(luò)難度是非常大的。

02 圖計(jì)算平臺(tái)

主要介紹微信支付圖數(shù)據(jù)平臺(tái)的建設(shè)和經(jīng)驗(yàn)。

1. 微信支付圖數(shù)據(jù)計(jì)算平臺(tái)：三駕馬車

圖數(shù)據(jù)計(jì)算平臺(tái)有三駕馬車，第一駕馬車是圖計(jì)算引擎，第二駕馬車是存儲(chǔ)引擎，也就是圖數(shù)據(jù)庫，第三駕馬車是算法設(shè)計(jì)，也就是是針對業(yè)務(wù)去設(shè)計(jì)算法。

2. 微信支付合作共建的圖計(jì)算平臺(tái)

安利兩個(gè)好用的圖計(jì)算平臺(tái)，都是騰訊開源且在GitHub高星的項(xiàng)目，一個(gè)是Angel，一個(gè)是Plato（柏拉圖），我們都有參與共建。

• Angel是一個(gè)通用的、完整的大數(shù)據(jù)平臺(tái)，不僅有圖算法，還有傳統(tǒng)的機(jī)器學(xué)習(xí)算法，是一個(gè)非常通用的計(jì)算平臺(tái)，也是Apache的一個(gè)頂級(jí)項(xiàng)目。

• Plato是微信部門自己研發(fā)的專注圖計(jì)算的平臺(tái)，底層借鑒了Gemini等優(yōu)秀的圖計(jì)算系統(tǒng)設(shè)計(jì)。

這兩個(gè)平臺(tái)都有相應(yīng)的開源項(xiàng)目，大家可以下載使用。對于大多數(shù)公司來說，開箱即用就會(huì)有一個(gè)比較好的效果，而且他們技術(shù)咨詢服務(wù)也做的不錯(cuò)。

3. 圖計(jì)算平臺(tái)：為什么速度是第一考慮

這里分享一個(gè)經(jīng)驗(yàn)：我們在選用圖計(jì)算平臺(tái)時(shí)，首先考慮的是速度，其次是不折騰。舉一個(gè)我自己日常跑算法的例子：在某個(gè)風(fēng)控場景針對某一批數(shù)據(jù)樣本訓(xùn)練某一個(gè)圖算法，就需要做大量實(shí)驗(yàn)（用不同的參數(shù)組合，如圖所示），還不包括前面的預(yù)演和后面的上線。第一個(gè)實(shí)驗(yàn)的第一輪花費(fèi)3000多秒，也就是大概一個(gè)小時(shí)，到最后第七組的實(shí)驗(yàn)參數(shù)，50輪花了大概8到10個(gè)小時(shí)，所以可以看到在做算法實(shí)驗(yàn)的時(shí)候，如果沒有好的計(jì)算平臺(tái)保證運(yùn)行速度，就很難得到一個(gè)較優(yōu)的結(jié)果。

比如圖中的上半部分，訓(xùn)練的輪次越多，效果反而越差；而我們期望是得到下半部分的結(jié)果：隨著訓(xùn)練迭代次數(shù)增加、效果越來越好，但這種參數(shù)組合可能要實(shí)驗(yàn)非常多次才能得到。這也告訴我們圖算法上限是非常高的，需要反復(fù)不斷去嘗試才能把它用好，因此計(jì)算速度是擺在第一位的。

4. 圖數(shù)據(jù)庫：高效分析案例的利器

我們之前跟公司的Angel團(tuán)隊(duì)合作共建了騰訊的圖數(shù)據(jù)庫EasyGraph，它可以做到更好的查詢和更直觀的展現(xiàn)，這樣我們分析案例，特別是挖掘團(tuán)伙就非常方便了。

舉個(gè)例子：左邊是我們?nèi)粘慡QL去跑，花了17分鐘，右邊使用圖數(shù)據(jù)庫查詢，只花了1秒鐘，而且把關(guān)系網(wǎng)絡(luò)做了非常直觀的展現(xiàn)，EasyGraph底層是借鑒S2Graph圖數(shù)據(jù)庫進(jìn)行開發(fā)的，這是我們內(nèi)部使用的其中一個(gè)圖數(shù)據(jù)庫；外部的圖數(shù)據(jù)庫個(gè)人推薦的是TigerGraph，我們通過支付的數(shù)據(jù)去對比市面上的幾款圖數(shù)據(jù)庫，TigerGraph無論是單機(jī)還是分布式模式，性能都是很優(yōu)秀的。

5. 圖算法設(shè)計(jì)：基于業(yè)務(wù)去思考和創(chuàng)新

圖算法設(shè)計(jì)方面，我們主要做了以下探索：包括團(tuán)伙識(shí)別、圖神經(jīng)網(wǎng)絡(luò)、傳播染色、異常檢測，這幾類算法都是針對我們自己的業(yè)務(wù)去思考和創(chuàng)新的。

03 圖計(jì)算的實(shí)踐

1. 樣本增強(qiáng)

我們平時(shí)參加Kaggle算法競賽，比較頭疼的是樣本通常很少；對于風(fēng)控場景的建模，這個(gè)問題可能更加嚴(yán)重：樣本少，或者很難收集到高質(zhì)量的樣本，就算在外面購買，質(zhì)量也不一能保證或者適用我們的場景，但是風(fēng)控場景的復(fù)雜性本身又需要大量的數(shù)據(jù)才能學(xué)習(xí)到好的模型，一個(gè)數(shù)據(jù)增強(qiáng)的好辦法就是通過網(wǎng)絡(luò)關(guān)系去實(shí)現(xiàn)。吳軍曾經(jīng)提到Google挖了一位做NLP的教授，任務(wù)是提高中日英翻譯的準(zhǔn)確率，他的做法跟以前優(yōu)化模型的思路不一樣，不斷搜集數(shù)據(jù)，拿到比以往建模多一萬倍的數(shù)據(jù)，這讓他一下領(lǐng)先了第二名5個(gè)點(diǎn)，而此前每年的進(jìn)步大概是0.5個(gè)點(diǎn)，換言之他已經(jīng)領(lǐng)先第二名十年，這就是樣本增強(qiáng)的一個(gè)價(jià)值。

所以遇到樣本少的情況，可以通過復(fù)雜網(wǎng)絡(luò)做一個(gè)”lookalike”，找出跟樣本相似的用戶，這往往對訓(xùn)練模型有很大的幫助。

2. 傳播染色

跟傳播有關(guān)的算法，最著名的應(yīng)該是PageRank了，一個(gè)算法讓Google從一個(gè)很小的公司變成了互聯(lián)網(wǎng)巨頭。舉個(gè)身邊傳播染色的例子，有位同事發(fā)現(xiàn)最近門禁掃臉的時(shí)候經(jīng)常掃不出來，因?yàn)楸热肼毜臅r(shí)候長胖了一圈，互聯(lián)網(wǎng)員工長胖的原因通常都是因?yàn)榧影喽啵艘坏酵砩献钥亓蜁?huì)降低，很難拒絕高卡路里的食物，一開始我們招呼他去吃炸雞他也是拒絕的，但最后變成是他最積極了。所以說壞習(xí)慣傳播的是非常快的，如果你在一個(gè)群體里，有很多習(xí)性不好的人，你可能很容易被影響。我們在風(fēng)控場景做傳播，染色擴(kuò)散的時(shí)候會(huì)用到這樣的思想。以前反賭的同事會(huì)去賭博平臺(tái)收集一些惡意的二維碼，然后通過這些二維碼去做傳播、染色擴(kuò)散，然后挖掘到更多的人和二維碼，后來我們自研了一套Personalized  PageRank算法，對黑灰種子用戶進(jìn)行擴(kuò)散，效果也非常好，大家可以在網(wǎng)上搜一搜這個(gè)算法。

3. 基于時(shí)序的異常挖掘

基礎(chǔ)版：

舉一個(gè)挖掘套現(xiàn)商戶/用戶的例子，套現(xiàn)商戶有一個(gè)明顯的特征：對于一個(gè)線下面對面商戶，交易對象的地域應(yīng)該是比較固定的（比如賣煎餅果子的小商家，付款方都是附近的居民和上班族），但如果一個(gè)線下面對面商家是涉及套現(xiàn)的，他的交易對象就有比較明顯的地域多樣性，這個(gè)多樣性可以用香農(nóng)系數(shù)來定義，一般套現(xiàn)商戶的香農(nóng)系數(shù)比正常的商戶大很多（一般是3個(gè)標(biāo)準(zhǔn)差）。找到高置信的套現(xiàn)商戶后，我們再分析跟這些商戶交易過的用戶過去120天的消費(fèi)支出，通過HP濾波器發(fā)現(xiàn)交易異常點(diǎn)，如果這些交易異常點(diǎn)恰好是在異常商戶消費(fèi)，通過一定的累計(jì)命中次數(shù)就可以說明他是一個(gè)高置信度的套現(xiàn)用戶，這種是比較傳統(tǒng)的時(shí)序挖掘。

進(jìn)階版：

但HP濾波器畢竟是一種非參數(shù)方法（非參數(shù)方法在具體應(yīng)用中不可避免地依賴于調(diào)節(jié)參數(shù)），如果HP濾波器過于粗糙，我們可以通過T-LSTM融合時(shí)序信息同邊信息做卷積，結(jié)合ego network的概念，自研了新的算法EgoTLSTM，這樣就解決了HP濾波器的問題。

4. 團(tuán)伙快速挖掘

團(tuán)伙挖掘也是風(fēng)控中比較重要的工作，我們的工作也分為基礎(chǔ)版和進(jìn)階版

基礎(chǔ)版：

基礎(chǔ)版比較簡單但比較耗時(shí)，也就是通過網(wǎng)絡(luò)去關(guān)聯(lián)更多的用戶。舉個(gè)例子，我們可以針對一批高惡意樣本，去挖掘他們的資金關(guān)系鏈，通過各種關(guān)系（資金，證件，設(shè)備，環(huán)境等）去擴(kuò)散，再通過一些可信關(guān)系去做過濾，通過觀察用戶的資金流向，挖掘出相關(guān)的團(tuán)伙和并找出涉及資金較大的頭目。

進(jìn)階版：

進(jìn)階版是用了一個(gè)簡單實(shí)用的方法：connected component，目前用到的是無方向的弱的連通圖，這種算法可以快速把網(wǎng)絡(luò)劃分為一個(gè)個(gè)小的連通子圖，再計(jì)算子圖的密度或者聚集系數(shù)進(jìn)行后過濾，得到的連通子圖就會(huì)是一個(gè)關(guān)系緊密的小團(tuán)伙，最后通過我們自研的TPNet這種角色識(shí)別算法就可以得到團(tuán)伙里面的成員構(gòu)成。比如一個(gè)殺豬盤中就包括了資料組、話務(wù)組、技術(shù)組和洗錢組，可以看到團(tuán)伙不僅關(guān)系緊密且分工是比較明確的。

順便補(bǔ)充一點(diǎn)，我們經(jīng)常接觸的Louvain算法，在大數(shù)據(jù)下很容易形成怪物社區(qū)，在業(yè)務(wù)中較少用到。

5. GNN在設(shè)備網(wǎng)絡(luò)的應(yīng)用

用戶-設(shè)備網(wǎng)絡(luò)在我們支付各種風(fēng)控場景中的應(yīng)用效果也是非常好的，大家也可以去搜索騰訊、阿里相關(guān)的論文，無論在交易欺詐，惡意賬號(hào)識(shí)別，用戶-設(shè)備二分網(wǎng)絡(luò)都是非常有用的，原因是用戶的設(shè)備是比較私人且有成本的，而人與人的連接往往帶有大量的隨機(jī)性。但是構(gòu)建設(shè)備網(wǎng)絡(luò)也是要降噪的，不僅是對邊的降噪，也包括節(jié)點(diǎn)的降噪，包括剔除山寨機(jī)這類有噪音的節(jié)點(diǎn)。

圖神經(jīng)網(wǎng)絡(luò)算法一般分為兩種，一種是random walk ，比如大名鼎鼎的node2vec，另一種是neighborhood aggregation 比如GAT，Graphsage，我們比較推薦使用鄰居匯聚這種算法，因?yàn)橛斜O(jiān)督的學(xué)習(xí)我們比較好把握優(yōu)化的方向。舉個(gè)例子，下面這個(gè)圖有1到8個(gè)點(diǎn)，5，6是標(biāo)注的異常的點(diǎn)（因?yàn)閳D計(jì)算都是半監(jiān)督學(xué)習(xí)，所以我們也需要做一定的標(biāo)注），然后1，2這兩個(gè)點(diǎn)跟他們是多跳關(guān)系，可以去掉，這就是做了一步降噪。我們跑圖算法，最終還是要把一個(gè)異構(gòu)圖變成一個(gè)同構(gòu)圖的，如上圖，這個(gè)例子雖然只減少了2個(gè)節(jié)點(diǎn)，但生成同構(gòu)圖的邊可能會(huì)少一半。通過實(shí)驗(yàn)對比，如果只用GNN來跑有監(jiān)督學(xué)習(xí)的話，AUC是0.92，比XGBoost跑畫像特征得到的0.93稍差，但如果把GNN學(xué)習(xí)到的個(gè)體Embedding拼接到原有的畫像特征，再跑XGBoost，AUC會(huì)有大幅度提升至0.97，這也說明了網(wǎng)絡(luò)結(jié)構(gòu)特征能給原有的個(gè)體畫像特征帶來明顯的增益。

6. 團(tuán)隊(duì)在圖算法的探索和創(chuàng)新

再講講我們的團(tuán)隊(duì)，他們都是一些很聰明的，來自于南洋理工、香港理工和北大清華的博士，他們也有很多新的想法，比如說motif是一個(gè)沒有方向的東西，但是我們同事就把他變成了一個(gè)有方向的，還附帶了時(shí)序，比如說左圖的第3個(gè)motif是一個(gè)套現(xiàn)特征。另外一個(gè)創(chuàng)新是我們同事針對支付網(wǎng)絡(luò)優(yōu)化GNN，引入了Self-Training 和Joint-Learning兩個(gè)半監(jiān)督圖算法，綜合得到一個(gè)效果更好的圖算法（如右圖所示）。

04 科技向善成果

最后展示一下我們科技向善的成果。上市公司對股東的承諾都是保證收入、利潤的增長。但今年不太一樣，公司投入了非常大的資源，甚至專門成立一個(gè)科技向善的部門，希望通過互聯(lián)網(wǎng)技術(shù)，讓這個(gè)世界效率更高，社會(huì)變的更公平。所以我們做了很多事情，協(xié)助國家開展反詐反賭反洗錢等工作，去幫助很多弱勢群體，我們也收到了大量感謝信和感謝錦旗。我們身處其中，感受到非常強(qiáng)的使命感和意義，希望以我們的技術(shù)所長為弱勢群體多做一些事情。

05 問答環(huán)節(jié)

Q：老師用的是什么圖數(shù)據(jù)庫？

A：用過兩種圖數(shù)據(jù)庫，一種是底層基于S2Graph開發(fā)的，我們內(nèi)部叫Easygraph， 經(jīng)過3年打磨，已經(jīng)優(yōu)化的非常好，界面也很友好，但目前僅限于內(nèi)部使用，如果是外部的話可以考慮TigerGrpah，還有一個(gè)叫Nebula Graph，體驗(yàn)也不錯(cuò)，也是開源的，推薦去試試。

Q：圖是同質(zhì)還是異質(zhì)的？

A：在微信支付來說，很多有用的圖都是異構(gòu)的，比如人和物，比如說用戶和商戶是一個(gè)異構(gòu)關(guān)系，用戶和設(shè)備在風(fēng)控好用的網(wǎng)絡(luò)，這也是異構(gòu)的，但是在做算法的時(shí)候，會(huì)先把異構(gòu)圖變成同構(gòu)圖。

Q：為什么異構(gòu)圖要轉(zhuǎn)成同構(gòu)圖？

A：因?yàn)楫悩?gòu)圖算法不好跑，甚至很多算法本身雖然可以接受異構(gòu)圖數(shù)據(jù)的輸入，但是內(nèi)部他也需要轉(zhuǎn)化成同構(gòu)圖才能執(zhí)行，比如說GNN，在跑GNN的時(shí)候需要把用戶和設(shè)備轉(zhuǎn)成用戶和用戶之間的連接，因?yàn)樵O(shè)備只是起到一個(gè)媒介的作用，關(guān)鍵是我們看用戶和用戶之間的關(guān)聯(lián)。圖的問題都是半監(jiān)督的問題，相對于網(wǎng)絡(luò)來說，我們只有很少量的樣本，需要從這少量的標(biāo)注樣本中在網(wǎng)絡(luò)中找到更多相似的樣本。剛剛有朋友也問到了怎么做樣本增強(qiáng)，我們其實(shí)也可以通過這種方法，去半監(jiān)督學(xué)習(xí)，找到更多相似樣本（有關(guān)系且預(yù)測概率相近），就能做到樣本增強(qiáng)了。

Q：反洗錢方面應(yīng)用

A：反洗錢方面有剛剛提到的資金盤，資金盤其實(shí)涉及到傳銷反洗錢，涉及到使用USDT，現(xiàn)在很多洗錢都是通過USDT去走，還會(huì)涉及到二維碼、銀行卡，我們這里的話會(huì)通過很多關(guān)系的數(shù)據(jù)，先建立一個(gè)純度高的網(wǎng)絡(luò)，然后用 WCC，就是不考慮方向的connected component, 得到一個(gè)個(gè)小團(tuán)伙之后，再用角色識(shí)別算法區(qū)分它們的角色。比如說在一些虛擬幣、租碼跑分平臺(tái)，是屬于國家管控洗錢領(lǐng)域的，這些平臺(tái)我們是有進(jìn)行反洗錢打擊的，把里面的號(hào)該封封了，該處置的號(hào)處置了，該上策略上策略，這就是反洗錢的其中一個(gè)應(yīng)用。

Q：GNN的降噪

A：圖（參GNN在設(shè)備網(wǎng)絡(luò)的應(yīng)用ppt圖）本來這個(gè)網(wǎng)絡(luò)是有1到8的節(jié)點(diǎn)，但是不需要那么多，因?yàn)橛幸恍c(diǎn)沒有跟我們標(biāo)注的樣本節(jié)點(diǎn)產(chǎn)生直接的聯(lián)系的話，是可以直接把它剔除的，這樣的話整個(gè)網(wǎng)絡(luò)純度會(huì)高一些，有可能會(huì)犧牲一些召回率，但這個(gè)問題不大，因?yàn)槲覀冏隽艘惠喓笥锌赡軙?huì)得到更多的樣本，得到更多的樣本后再持續(xù)標(biāo)注和分析可以得到更多新的樣本。

編輯：王菁

校對：林亦霖