简介：IBM i2 Analyst's Notebook 8.91 是一款面向情报分析、犯罪调查、金融反欺诈与网络安全领域从业者的数据挖掘与可视化工具，帮助用户从海量复杂数据中识别模式、趋势与隐藏关联。资源包共 42 个文件，以 exe 安装程序、htm 安装向导页面、pdf 用户指南与发布说明、msu 系统补丁及 dll 组件为主，另含 doc 培训教材与 xml、ini 等配置文件，压缩包约 443.77MB，结构完整，便于按安装、配置、学习三条线索取用。其中 i2forfree 版本无需加密狗，简化了部署流程。已有 4658 人学习下载，适合希望快速上手关联分析与网络图绘制、构建自定义分析模板与工作流的分析师，也可作为团队协作与案例共享的实践参考。
1. 情报分析师的“作战台”：i2 Analyst's Notebook 8.91 到底解决什么问题
如果你手头正堆着几十万条通话记录、转账流水、聊天日志和涉案人员名单，Excel 已经卡到转不动，关系图靠 PPT 手画到崩溃，那你大概率已经在找 i2 Analyst's Notebook 这类工具了。IBM i2 Analyst's Notebook 8.91 是 i2 系列里做关联分析、时间线重建、社交网络图谱的核心桌面端，常被叫做“情报分析系统软件”里的重武器。它不负责采集数据，也不负责爬取，它干的事是把已经到手的结构化表格、CSV、数据库导出文件，变成一张能交互、能下钻、能出报告的关系网络图。适合谁？适合做反欺诈、内部审计、案件研判、供应链溯源、威胁情报整编的从业者。你不需要会写代码，但必须理解“实体—关系—属性”这套建模逻辑，否则导入进去的只是一团彩色毛线。
2. 把数据喂进 i2：从 CSV 到实体关系图的完整链路
2.1 先想清楚“实体”和“链接”再动手
i2 Analyst's Notebook 的核心数据模型只有两个东西：Entity（实体）和Link（链接）。实体可以是人、电话、账号、车牌、公司；链接就是它们之间发生的关系，比如“通话”“转账”“任职”“同住”。很多新手翻车就翻在第一步：把一张宽表直接拖进去，结果每个字段都变成一个独立实体，图面炸成烟花。正确做法是先做数据整形，把原始表拆成“实体表”和“关系表”两张。常见做法是：实体表至少包含EntityID、EntityType、Label三列；关系表包含FromID、ToID、LinkType、StartTime、EndTime、Weight。这样导入后 i2 才能自动识别节点和连线，而不是把“张三”和“13800000000”当成两个互不相干的点。
2.2 用 Python 做导入前的标准化清洗
i2 8.91 对 CSV 的编码和日期格式比较敏感，我一般会先用 pandas 把数据洗一遍，输出 UTF-8 带 BOM 的 CSV，避免中文乱码和日期解析失败。下面这段脚本处理的是最常见的通话记录场景：一列主叫、一列被叫、一列通话时间、一列时长。
import pandas as pd # 读取原始通话记录，假设是 GBK 编码的 CSV raw = pd.read_csv("cdr_raw.csv", encoding="gbk", dtype=str) # 实体表：去重后的电话号码 entities = pd.DataFrame({ "EntityID": pd.unique(raw[["caller", "callee"]].values.ravel()), }) entities["EntityType"] = "Phone" entities["Label"] = entities["EntityID"] entities.to_csv("entities_phone.csv", index=False, encoding="utf-8-sig") # 关系表：每一通电话就是一条 Link links = raw.rename(columns={ "caller": "FromID", "callee": "ToID", "call_time": "StartTime", "duration": "Weight" }) links["LinkType"] = "Call" links["EndTime"] = pd.to_datetime(links["StartTime"]) + pd.to_timedelta(links["Weight"].astype(int), unit="s") links = links[["FromID", "ToID", "LinkType", "StartTime", "EndTime", "Weight"]] links.to_csv("links_call.csv", index=False, encoding="utf-8-sig")逻辑说明：pd.unique把主叫和被叫合并去重，保证每个号码在实体表里只出现一次，这是 i2 识别节点的前提。Weight直接映射通话时长，导入后可以用线宽表示强度。EndTime由开始时间加秒数算出，i2 的时间线视图依赖这个字段做区间展示。参数上唯一要改的是列名映射，你的原始表叫什么就改rename里的键。注意dtype=str是为了防止电话号码被 pandas 自动转成科学计数法，这个坑我见过太多次。
2.3 在 i2 里配置导入映射并生成第一张图
打开 Analyst's Notebook 8.91，新建一个 Chart，然后走Data > Import > CSV。关键在映射界面：把EntityID拖到Entity ID，EntityType拖到Entity Type，Label拖到Label；关系表那边把FromID映射到From Entity，ToID映射到To Entity，LinkType映射到Link Type。时间字段要手动指定格式，常见的是yyyy-MM-dd HH:mm:ss，如果你原始数据是2024/5/1 8:30这种，先在清洗阶段统一成标准格式，别指望 i2 自动猜。导入完成后按Ctrl+G自动布局，一般先用Circular看整体密度，再用Hierarchical看层级关系。如果节点超过五千，建议先按时间或类型过滤，否则布局会跑到你怀疑人生。
3. 让图谱说话：时间线、社交网络与中心度分析
3.1 时间线视图把“什么时候发生”钉死
i2 8.91 的时间线不是简单排序，它能把实体和链接按时间轴展开，特别适合做案件时序重建。操作路径是View > Timeline，然后把关系表里的StartTime和EndTime拖到时间轴字段上。这里有个细节：如果一条 Link 没有 EndTime，它会显示成一个点事件；有 EndTime 才会显示成条带。我一般会把转账、通话、登录都做成条带，这样能一眼看出某个号码在凌晨三点密集通话，同时段又有大额转账，这种“时间重叠”往往是突破口。时间线支持缩放和过滤，你可以框选一个时间段，让主图只显示该时段活跃的实体，这个联动比手动筛选快得多。
3.2 用中心度指标找出“关键节点”
图好看没用，得算出谁最重要。i2 内置了多种中心度算法，在Analyze > Centrality里可以选Degree、Betweenness、Closeness。Degree 就是连接数，适合找“话务量最大”的号码；Betweenness 是介数中心度，适合找“桥梁”角色——那种自己通话不多，但两个团伙都跟他有联系的人。操作上先选中整个图或一个子集，运行算法后 i2 会把得分写进实体属性，你可以用Size by Attribute让节点大小随得分变化。参数建议：如果图很密，先跑 Degree 做粗筛，把低于阈值的节点隐藏，再跑 Betweenness，否则计算量会很大。常见误区是只看 Degree 就下结论，结果漏掉了真正起串联作用的中介节点。
3.3 条件格式与图标集：让异常自己跳出来
i2 的Conditional Formatting是很多人忽略的功能。你可以给实体设置规则：比如Weight > 3600的链接标红加粗，EntityType = "BankAccount"的节点用方形图标，StartTime在凌晨 0 点到 5 点的链接用虚线。这些规则在Format > Conditional Formatting里配置，支持多条件叠加。我通常会把“高频通话 + 深夜时段 + 大额转账”三条规则同时打开，图面上剩下的基本就是需要重点看的对象。注意规则优先级是从上到下匹配，别把宽泛条件放在前面，否则后面的精细规则永远不生效。
4. 避坑与排查：i2 8.91 实操中最容易翻车的五件事
4.1 导入后中文全是问号
现象：CSV 导入后实体标签显示为???或乱码。原因：i2 8.91 默认按系统区域编码解析，中文 Windows 下常按 GBK 读，而你的文件是 UTF-8。解决：清洗阶段统一输出utf-8-sig，或者在导入向导的 Encoding 下拉里手动选 UTF-8。如果已经导入乱了，删掉 Chart 重新导，别试图在 i2 里改编码，改不回来。
4.2 日期字段识别失败导致时间线空白
现象：时间线视图里所有事件堆在同一天，或者干脆不显示。原因：日期格式和 i2 预期的不一致，比如2024.05.01这种点分隔，或者05/01/2024这种月日顺序歧义。解决：在 pandas 里用pd.to_datetime统一转成yyyy-MM-dd HH:mm:ss字符串再导出。如果原始数据有“上午/下午”这种中文，先替换成 24 小时制。i2 的日期解析是黑匣子，别跟它较劲，提前洗好最省事。
4.3 节点太多导致布局卡死
现象：导入一万个实体后，点自动布局，进度条卡住，内存飙升。原因：i2 的布局算法对节点数敏感，尤其是 Betweenness 这种全局算法，复杂度接近 O(n³)。解决：先按时间窗口或实体类型过滤，把单次分析的节点控制在两千以内。如果必须看全量，先用 Degree 做一次粗布局，再对子集跑精细算法。我一般会拆成多个 Chart，用Merge Chart按需合并，而不是一个图塞到底。
4.4 关系表里出现重复链接导致权重翻倍
现象：两个号码之间明明只通了 10 次话，图上显示权重 20。原因：实体表去重了，但关系表没去重，同一对 FromID/ToID 出现多条记录，i2 默认会累加或并列显示。解决：在清洗阶段用groupby聚合，把同一对实体的多条关系合并成一条，权重求和或取平均。如果业务上需要保留每次通话，那就把 LinkType 设成不同值，让 i2 显示为多条平行线，而不是重复计数。
4.5 导出报告时图面元素丢失
现象：在 i2 里看一切正常，导出 PDF 或图片后图标、颜色、标签全变了。原因：条件格式和图标集依赖本地字体和主题，导出时如果目标环境没有对应字体，就会回退成默认样式。解决：导出前在File > Export里勾选“Embed fonts”或“Flatten image”，把图面栅格化。如果是要给别人编辑的.anb文件，把自定义图标打包进模板一起发。这个坑血泪经验：给领导汇报前一定先导出一份预览，别到了会议室才发现图花了。
5. 进阶技巧：用属性驱动布局和批量生成子图
5.1 按属性分组布局，而不是全局一锅粥
当实体类型超过三种，全局布局基本没法看。我习惯用Group by Attribute先把实体按EntityType或Community分组，然后对每个组单独布局，再用Layout > Arrange Groups把组框排开。这样出来的图既有整体结构，又能看清每个团伙内部的连接。具体操作：在Analyze > Grouping里选一个属性字段，i2 会自动生成分组框，你可以拖动框的位置，框内节点会跟着走。如果某个组太大，右键Ungroup再单独处理。这个技巧在分析多团伙案件时特别管用，比手动框选快十倍。
5.2 用“查找路径”功能验证假设
i2 的Find Path能回答“A 和 B 之间最短的关系链是什么”。操作是选中两个实体，右键Find Path，可以限定最大跳数和链接类型。比如你怀疑两个看似无关的账户之间有资金中转，就限定LinkType = Transfer，最大跳数设 3，跑出来的路径如果经过一个中间账户，那这个账户就是重点排查对象。参数上，跳数别设太大，超过 4 跳的结果基本没有业务解释力。跑完后可以把路径高亮保存成一个子图，单独导出给办案人员。
5.3 批量生成子图并自动命名
如果你有一批重点号码，想每个号码生成一张以它为中心的二度关系图，手动做会疯。常见做法是用 i2 的Scripting功能（支持 VBScript）写个循环：读取一个号码列表，对每个号码执行Select Neighbors（深度 2），然后Create Sub Chart，最后用号码命名保存。下面是一个简化的脚本骨架，实际路径和对象名需要根据你的 Chart 结构调整。
' 假设当前 Chart 已打开，号码列表在外部文件里 Dim fso, file, ts, phone Set fso = CreateObject("Scripting.FileSystemObject") Set file = fso.OpenTextFile("C:\targets.txt", 1) Do Until file.AtEndOfStream phone = file.ReadLine ' 按 Label 查找实体 Dim ent Set ent = ActiveDocument.CurrentChart.FindEntityByLabel(phone) If Not ent Is Nothing Then ActiveDocument.CurrentChart.ClearSelection ent.Selected = True ' 选中二度邻居 ActiveDocument.CurrentChart.SelectNeighbors 2 ' 生成子图 ActiveDocument.CurrentChart.CreateSubChart ' 保存子图，文件名用号码 ActiveDocument.SaveAs "C:\output\" & phone & ".anb" End If Loop file.Close逻辑说明：FindEntityByLabel按标签找实体，SelectNeighbors 2选中两度以内的所有节点和链接，CreateSubChart把选中部分抽成新图。参数上，2可以改成1或3，取决于你想要多宽的关系范围。注意脚本运行前先备份原图，因为CreateSubChart会改变当前文档状态。这个脚本我一般用来做初筛，跑完后再人工看哪些子图值得深挖。
5.4 验证分析结果是否靠谱的一个习惯
i2 的图再漂亮，也只是数据的投影。我每次做完一张图，都会强制走一遍反向验证：随机挑三个实体，手动回原始数据里查它们的连接关系，看是否和图面一致。如果对不上，大概率是导入时字段映射错了，或者关系表有重复。这个习惯救过我很多次，尤其是赶报告的时候，图面越“完美”，越要怀疑是不是漏了脏数据。从那以后我每次导入完都先跑一遍小样本核对，确认无误再上全量。希望帮到你。
本文还有配套的精品资源，点击获取
