聯邦學習助力金融行業風控

1 業務場景

利用海量數據對個人進行風控畫像，已成為銀行等金融機構在拓展面向個人類業務的常見做法。無論是在前期營銷、貸前授信、貸中評估和貸后信用評估，精準個人風控畫像都具備突出的業務價值。

金融機構擁有的個人數據，一般都是發生過業務往來的歷史用戶數據，普遍存在覆蓋面不廣、維度偏少和更新不及時等問題，在支撐個人畫像方面往往有所欠缺。面向個人消費者的互聯網企業，擁有維度全面的個人畫像數據，但受限于個人數據隱私安全保護的要求，金融機構和互聯網企業的數據均無法共享給對方，無法進行聯合風控建模。

以往的做法，是將兩邊的數據通過移動硬盤拷貝到隔離沙箱環境，共同訓練得到評估模型，再將隔離沙箱環境中的數據刪除，但存在效率低、數據和模型更新不及時的問題。聯邦學習技術能較好的解決該問題，本案例介紹 TICS 縱向聯邦學習技術應用，支持業界知名互聯網金融公司和傳統銀行合作，在互相不泄露個人隱私數據的前提下，使用分布式存儲在各自數據中心的多方數據，完成個人風控建模。

2 方案架構

互聯網金融公司 xx錢包和銀行訓練數據源，均通過邊緣側的安全智能代理 TICS Agent 接入，前者數據是多維特征值，即機器學習中的 X 值（特征），后者數據是銀行記錄的個人履約情況，即機器學習中的 Y 值（標簽），銀行側也可以提供特征值，是典型的縱向聯邦訓練場景，每個參與方本地生成同態公私鑰對，私鑰本地保存，公鑰共享給其他參與方。訓練任務由 xx錢包側發起，TICS AGG 負責傳遞密文狀態的中間參數，解決 xx錢包和銀行的邊緣側各自部署在內網，網絡無法直連的問題。訓練后的模型每個參與方各自存儲部分模型，經過兩方的離線批量或在線聯邦推理后，生成的信用評估分發布到云測的信用分服務中，該分值封裝為外部可直接調用的風控評估服務接口，滿足銀行側新增用戶的風控檢測需求。

方案實施前置條件：

聯盟參與方均已加入數據聯盟，完成 TICS Agent 代理部署，參考 跨內網代理部署 TICS Agent

數據提供方（xx錢包、銀行）已準備聯邦學習訓練數據資源，且已導入邊緣代理節點目錄

3 數據接入

聯邦學習場景，邊緣代理數據接入有兩種方式：代理本地路徑接入或華為云對象存儲服務 OBS 接入，本案例采用前者，包括以下步驟：

登錄 TICS Agent 代理：登錄華為云控制臺 TICS 服務，選擇 代理管理，點擊代理名進入代理管理頁面，點擊代理登錄地址 “前往代理 Agent”，打開代理登錄界面，輸入代理用戶名 Admin 與代理登錄密碼，完成代理登錄

查看本地連接器狀態：點擊連接器管理，查看名字為 localConnector 的本地連接器狀態是否顯示為 “正常”；本地連接器在代理創建時即自動新建，無須手動創建

創建數據：登錄代理頁面，點擊 數據管理 > 創建，輸入數據名稱，選擇連接器 localConnector，點擊按鈕 “選擇數據文件”，選擇訓練數據集（須提前導入到代理服務器本地路徑，默認為 /home/service/tics/data，或通過代理頁面 > 算法管理 > 創建 手工導入），對字段進行配置，設置字段類型和字段類別，字段類別包括下面幾種

唯一標識（ID）：具備唯一性，用于關聯聯邦學習多個參與方的數據

特征（Feature）：X 值，一般會有多個特征值，在本案例中即個人的多個維度的分析數據

標簽（Label）：Y 值，如分類問題中圖片是貓還是狗都屬于標簽值，是機器學習分析模型的預測目標

準備數據配置參考內容

本案例中 xx錢包提供 ID 和特征數據，字段結構如下：第 1 列是 ID 值，第 2~37 列是特征值。

銀行提供 ID、特征數據和標簽數據，字段結構如下：第 1 列式 ID 值，第 2~3 列是 特征值，第 4 列是標簽值。

4 聯邦訓練

聯邦訓練由 xx錢包側發起，包括以下步驟：

登錄 xx錢包代理頁面，選擇 作業管理 > 聯邦機器學習 > 創建，輸入以下配置項，單擊 “確定” 按鈕，完成創建作業

在 作業管理 > 聯邦機器學習 頁面，可查看到剛剛創建的作業，點擊按鈕 “開發”，進入作業開發設置頁面，依次完成操作

數據選擇：勾選 xx錢包和銀行側上傳的訓練數據集，點擊右下角紅色按鈕 “下一步”

樣本對齊：由于本次測試數據集已提前完成樣本對齊工作，直接點擊下一步即可；若兩側的訓練數據未進行樣本對齊，須選擇兩側訓練數據的樣本對齊字段，執行對齊操作

特征選擇：默認采用等頻分箱策略，可以選擇參與聯邦學習訓練的特征，若跳過該步驟，則默認將使用所有特征

模型訓練：點擊右下角紅色按鈕 “啟動訓練”，發起聯邦訓練任務，在歷史作業中科查看訓練任務執行狀態

模型評估：訓練任務完成后生成預測模型，可選擇使用模型對測試數據集進行評估作業，點擊 “評估作業”按鈕，輸入測試樣本數據集，發起模型評估操作

創建縱向聯邦訓練作業配置指南參考

5 數據安全

本案例采用縱向聯邦學習技術，使用同態加密計算支持 XGBoost 訓練業務場景，xx錢包和銀行側在作業開始前，各生成公私鑰對，并將公鑰同步給對方。

聯邦學習訓練的全過程參考上圖，包括以下步驟：

交行啟動訓練，觸發 XGBoost 算法，本地 XGBoost 算法基于用戶標簽，生成每個樣本的一階梯度 g 和二階梯度 h

調用同態加密模塊， 將每個樣本的一階梯度 g 和二階梯度 h 用自身公鑰加密

將加密的每個樣本的 [[g]] 和 [[h]] 發送給 xx錢包

xx錢包方共有36個特征，假設每個特征有10個候選的分割點，則使用同態計算每個候選分割點（36*10=360個點）的左子樹，右子樹的加密的 [[g]] 和 [[h]]的累加和，生成密文 [[G]] [[H]]

xx錢包側返回加密的累積和 [[G]] [[H]]

銀行用本地同態私鑰，解密獲得明文 G H，共 720 個值（360 個分割點，左右子樹，即 360 * 2 ）

銀行側計算每個分割點的分數 Gain，并將分數返回給 xx錢包

xx錢包選擇分數最高的分割點，優先作為樹模型的分割節點

注：以上步驟中涉及的證書，統一由華為云 TICS 服務發放

重復執行以上 1 - 8 步驟，直到選出所有樹模型的最優分割點 ，完成樹模型的構建

6 應用價值

各參與方在不泄露各自數據前提下，基于 TICS 的聯邦學習方案完成了基于多方數據的聯合建模，有助于提升用戶風控模型準確度。經實測驗證，在信用卡發放審批場景，聯邦學習風控建模可幫助提升批復率 5~10 個點，對于提升終端用戶體驗很有幫助。

從技術上分析，本方案以下幾個功能特性獲得用戶高度認可：

高性能聯邦學習加密算法：在本方案中，實現聯邦訓練和同態加密的協同優化，支持基于矩陣的密態數據計算，實現樹節點選擇的批量計算，大幅提升聯邦學習訓練效率

云邊協同技術架構：支持用戶數據云側或邊側部署，滿足銀行側數據本地化存儲要求

開箱即用的聯邦學習框架：簡單易用、所見即所得，用戶通過簡單配置即可完成聯邦學習建模操作，復雜的數據加密處理等過程封裝在后臺，大幅降低業務用戶使用聯邦學習的技術門檻

場景豐富：支持 XGBoost（包括分類和線性回歸模型）、邏輯回歸、決策樹模型和神經網絡模型，支持縱向和橫向聯邦學習建模，滿足多樣化的用戶業務場景需求

聯邦協同：支持多廠商異構聯邦學習框架互聯互通，建立跨廠商聯邦學習技術生態體系，協同訓練

7 FAQ

Q1 模型訓練由哪一側發起

參與聯邦學習的任意一方，均可作為模型訓練的發起方

Q2 聯邦學習的訓練效率怎么樣

TICS 測試聯邦學習運行 XGBoost 5 課樹 5 層大概要 10 分鐘，純本地運行同樣的模型，預計在1分鐘左右。因此聯邦學習對訓練效率會有 10 倍左右的影響，主要是加解密操作和密文計算帶來的額外時延等影響比較大。

相比業界其他聯邦學習平臺，TICS 聯邦學習訓練效率有 2~3 倍左右的提升，TICS 的聯邦訓練和同態加密操作做了協同優化，支持基于矩陣的密態數據計算，實現樹節點選擇的批量計算，借助并行計算方式大幅提升聯邦學習訓練效率。

機器學習 金融專區

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。