文 / 眾邦銀行風險管理部兼大數據風控部總經理 田羽

　　隨著信息通信技術的發展，各行各業信息系統采集、處理和積累的數據量越來越多，全球大數據儲量呈爆炸式增長。2020年，中共中央國務院公開發布的《關于構建更加完善的要素市場化配置體制機制的意見》首次將數據作為一種新的生產要素類型，表示數據資源的開放共享、交換流通成為重要趨勢，也表明數據要素的高效配置是推動數字經濟發展的關鍵一環。數字化轉型已成為金融業提高服務質量和競爭力的共同選擇，為客戶帶來更加高效、優質的金融服務。

　　在數字化技術應用的同時，給反欺詐帶來了嚴峻挑戰。在巨大經濟利益的驅動下，通過木馬、釣魚鏈接、電信詐騙等各種手段騙取客戶資金的案件層出不窮。2021年以來，日漸猖獗的欺詐個人及團伙對金融機構造成了嚴重損失，如何實現精準反欺詐，保護儲戶、銀行雙方資金安全，是當下金融機構迫切需要解決的問題。

　　金融行業反欺詐難點

　　金融行業主要為企業及個人提供金融服務，自身所擁有的數據也大多屬于金融業務數據，存在數據維度單一、數據量不足等問題。外部數據來源通常為征信報告、公開數據以及從其他外部機構獲得原始數據，由于各行各業對于數據安全以及隱私保護標準日漸提高，直接獲取外部機構原始數據不再可行。在反欺詐場景中，單個金融機構主要使用自身數據，特別是新戶客戶獲取資料有限，難以覆蓋所有金融市場主體和識別所有的金融欺詐行為。金融機構迫切需要結合自身的金融數據及外部數據聯合提升反欺詐效果，解決金融機構內部數據無法出庫、外部數據無法引入問題，打破因數據保護和商業壁壘產生的“數據孤島”，實現數據價值安全流轉，是解決金融行業欺詐問題的重要途徑之一。

　　數據流通新模式——隱私計算

　　隱私計算(Privacy-Preserving Computation)是指在保證數據提供方不泄露原始數據的前提下，對數據進行分析計算的一系列信息技術，在保障數據流通與融合的同時實現數據“可用不可見”，是一套融合了密碼學、安全硬件、數據科學、人工智能、計算機工廠等眾多領域的跨學科技術體系，主要包含了聯邦學習和多方安全計算等的技術方案。

　　聯邦學習(聯合機器學習)：聯邦學習是一種分布式機器學習技術，通過聯合兩個或多個參與方使用安全的算法協議進行聯合機器學習，可以在各方數據不出本地的情況下進行聯合多方數據建模，同時可根據已有模型進行推理與預測。在訓練或計算過程中，各參與方只交換密文形式的中間參數或中間結果，不交換數據，保證各方數據不暴露。聯邦學習也可結合同態加密、不經意傳輸、秘密分享等加密技術進一步提高計算安全性。

　　聯邦學習由橫向聯邦學習與縱向聯邦學習組成。橫向聯邦學習常用解決于多個參與方擁有相同數據字段，通過聯合各方不同用戶數據解決單一機構數據量不足問題。縱向聯邦學習常用于多個參與方擁有不同數據字段且存在大量重合用戶場景，通過聯合各方相同用戶不同維度的數據解決單一機構數據維度不足問題。

　　多方安全計算：由姚期智院士在1982年提出，指參與者在不泄露各自隱私數據情況下，利用隱私數據參與加密計算，共同完成計算任務。相較于聯邦學習，多方安全計算無需進行模型訓練，主要通過不經意傳輸、同態加密、秘密分享、混淆電路、零知識證明等加密分享技術，參與方通過對原始數據進行加密、轉換后再提供給其他參與方，任意參與方都無法接觸到其他參與方的原始數據，保證各方數據安全。多方安全計算技術常用于隱私集合求交、隱私信息檢索及隱私統計分析，以及規則分析等場景。

　　眾邦銀行基于隱私計算

　　在反欺詐場景的應用

　　1.眾邦銀行—運營商聯合建模。相較于傳統反欺詐模型，眾邦銀行已推進落地與運營商合作建設基于隱私計算的反欺詐模型。在該業務場景中，眾邦銀行與運營商達成深度合作，旨在擁有充分用戶授權的情況下，基于隱私計算縱向聯邦學習的技術底層，運用運營商合規數據賦能金融行業反欺詐場景。雙方本地數據標簽備份，眾邦銀行準備欺詐樣本標簽，金融交易屬性特征，運營商則提供通話特征、行為特征、在網特征等，通過聯邦學習在雙方數據均不出庫的前提下，利用數據建模和大數據分析挖掘技術，高效、快捷地構建用戶反欺詐體系，有效提升用戶篩選功能，提升貸款質量，防止惡意欺詐。

　　在本次訓練模型中，主要運用以下幾個維度的數據進行計算，分別是：在網特征、通信消費、用戶偏好與用戶行為。通過聯邦學習豐富了反欺詐手段、提高了反欺詐綜合能力，更高效發現欺詐風險，欺詐概率較之前下降約10%。衍生字段特征如表所示。

　　表 衍生字段特征

　　2.構建跨行業跨機構的反欺詐生態。在傳統數據分析場景中，受制于數據隱私的保護，不同機構的數據無法匯集。眾邦銀行通過隱私計算技術可幫助組建包含政府、監管機構、銀行、運營商等跨行業跨機構的反欺詐聯盟(如圖所示)。

　　圖 跨行業跨機構的反欺詐聯盟

　　眾邦銀行利用已搭建的隱私計算平臺，與合作金融機構、外部數據源建立可通訊的隱私計算節點。不同金融機構間結合自身已有的欺詐、黑灰名單樣本和行內金融屬性的相關特征通過橫向聯邦學習擴充各自的反欺詐樣本，同時銀行將自身金融屬性的相關特征與外部數據源通過縱向聯邦學習構建多維度的反欺詐融合模型，數據在傳輸過程中通過隱私求交技術進行跨機構間的樣本安全對齊，確保各參與方除了交集樣本外無法獲知或反推其他參與方的非交集樣本，模型最后結果與反欺詐系統進行對接應用。基于聯邦學習算法構建的反欺詐模型對比僅基于行內數據構建的模型KS提升了20%以上，通過拒絕2%的客戶逾期下降4%。通過建立基于隱私計算的跨行業的反欺詐聯盟，解決了多方數據協作的合規性和安全性問題，挖掘數據潛能，精準識別欺詐類用戶，提升通過率的同時，降低了逾期率，并避免了數據在多方間的跨企業流動的風險，實現數據價值的安全共享。

　　行業前景

　　隨著互聯網金融的興起，各類欺詐行為逐漸滲透到數字金融的各個環節。反欺詐的分析及建模需要海量多維化數據，本地訓練模型成本較高，且各機構對數據的隱私性和安全性要求極為嚴格，反欺詐推動緩慢。據《銀行4.0》一書中提到，目前全球每年只有約3%的欺詐案例被識破，通過隱私計算技術可幫助構建跨行業反欺詐生態、聯合多個不同行業如運營商、銀行、保險機構、公安等機構數據為反欺詐提供海量數據支撐以提升金融反欺詐能力。

　　社會影響

　　眾邦銀行作為首家互聯網交易銀行，始終秉承“專注產業生態，幫扶小微企業、助力大眾創業”的使命，以交易場景為依托，以線上業務為引領，以供應鏈金融為主體，以大數據風控為支撐。大數據風控作為業務場景的重要基石應不斷跟隨政策、法規時代的發展而被探索。眾邦銀行利用運營商數據基于隱私計算技術助力銀行反欺詐風控體系的落地，在數據生產要素需要安全流轉的今天，無疑推動銀行風控體系巨大進步，不僅解決了銀行內部數據與外部數據的“數據孤島”問題，更是能利用多方合法合規的外部數據源參與模型的制作和對風控效率的提升。眾邦銀行基于隱私計算技術搭建的數據開放生態網絡，旨在引入更多的合法合規數據源，是帶領深度依賴大數據的金融風控體系邁向了探索數據合規、數據流轉和數據高效治理的道路，同時也是為數據作為生產要素，加快數據要素市場化，推動數字化高質量安全發展，構建以政策法規為依歸、技術創新為特征、綠色發展為目標、數字要素為核心、安全可信為基礎的數據要素市場化配置新體系提供了堅實場景。

本文作者為nc9721。