Das Image zeigt einen Pipelineworkflow für Livebetrugsprognosen mit Oracle Compute Cloud@Customer, Kafka und einer Morpheus-Pipeline in einem Docker-Container in drei untereinander gestapelten Swinlanes.

Hostumgebung: Der Ablauf wird von Transaction data (validation.csv) nach unten zum Python-Producer in der Hostumgebung gestartet.

• Auf der rechten Seite wird "Live-Betrugsprognose" neben einem Symbol einer Person geschrieben.

Kafka: Der Ablauf wird nach unten zum Thema Kafka fortgesetzt: INPUT (gnn_fraud_input) im Swimlane Kafka.

• In der Mitte, unter "Hostumgebung" und über "Morpheus-Pipeline" stellt dieser Abschnitt Input- und Output-Messaging-Streams dar.
• Auf der linken Seite wird "" mit einem Label "Input stream" angezeigt.

Morpheus-Pipeline (Docker-Container): Der Workflow wird von INPUT (gnn_fraud_input) zur Kafka-Quelle in der Morpheus-Pipeline-Swimlane fortgesetzt.

• Kafka-Quellflüsse zur Deserialisierung.
• Deserialisieren verbindet sich mit Graph-Konstruktion.
• Die Graphkonstruktion ist mit GNN interface (GraphSAGE) verbunden.
• GNN interface (GraphSAGE)" (neural network icon) stellt eine Verbindung zu Classification (XGBoost) her.
• Classification (XGBoost) zum Serialisieren.
• Serialisieren Sie die Verbindung zur Kafka-Senke.

Die Kafka-Senke verbindet Kafka topic: OUTPUT (gnn_fraud_output) in der Kafka-Swimlane zurück.

Kafka topic: OUTPUT (gnn_fraud_output) stellt eine Verbindung zum Python-Consumer in der Swimlane der Hostumgebung her.

Python-Verbraucher stellt eine Verbindung zur Live-Betrugsprognose in der Hostumgebung her.