联邦学习助力金融行业风控

1 业务场景

利用海量数据对个人进行风控画像，已成为银行等金融机构在拓展面向个人类业务的常见做法。无论是在前期营销、贷前授信、贷中评估和贷后信用评估，精准个人风控画像都具备突出的业务价值。

金融机构拥有的个人数据，一般都是发生过业务往来的历史用户数据，普遍存在覆盖面不广、维度偏少和更新不及时等问题，在支撑个人画像方面往往有所欠缺。面向个人消费者的互联网企业，拥有维度全面的个人画像数据，但受限于个人数据隐私安全保护的要求，金融机构和互联网企业的数据均无法共享给对方，无法进行联合风控建模。

以往的做法，是将两边的数据通过移动硬盘拷贝到隔离沙箱环境，共同训练得到评估模型，再将隔离沙箱环境中的数据删除，但存在效率低、数据和模型更新不及时的问题。联邦学习技术能较好的解决该问题，本案例介绍 TICS 纵向联邦学习技术应用，支持业界知名互联网金融公司和传统银行合作，在互相不泄露个人隐私数据的前提下，使用分布式存储在各自数据中心的多方数据，完成个人风控建模。

2 方案架构

互联网金融公司 xx钱包和银行训练数据源，均通过边缘侧的安全智能代理 TICS Agent 接入，前者数据是多维特征值，即机器学习中的 X 值（特征），后者数据是银行记录的个人履约情况，即机器学习中的 Y 值（标签），银行侧也可以提供特征值，是典型的纵向联邦训练场景，每个参与方本地生成同态公私钥对，私钥本地保存，公钥共享给其他参与方。训练任务由 xx钱包侧发起，TICS AGG 负责传递密文状态的中间参数，解决 xx钱包和银行的边缘侧各自部署在内网，网络无法直连的问题。训练后的模型每个参与方各自存储部分模型，经过两方的离线批量或在线联邦推理后，生成的信用评估分发布到云测的信用分服务中，该分值封装为外部可直接调用的风控评估服务接口，满足银行侧新增用户的风控检测需求。

方案实施前置条件：

联盟参与方均已加入数据联盟，完成 TICS Agent 代理部署，参考 跨内网代理部署 TICS Agent

数据提供方（xx钱包、银行）已准备联邦学习训练数据资源，且已导入边缘代理节点目录

3 数据接入

联邦学习场景，边缘代理数据接入有两种方式：代理本地路径接入或华为云对象存储服务 OBS 接入，本案例采用前者，包括以下步骤：

登录 TICS Agent 代理：登录华为云控制台 TICS 服务，选择 代理管理，点击代理名进入代理管理页面，点击代理登录地址 “前往代理 Agent”，打开代理登录界面，输入代理用户名 Admin 与代理登录密码，完成代理登录

查看本地连接器状态：点击连接器管理，查看名字为 localConnector 的本地连接器状态是否显示为 “正常”；本地连接器在代理创建时即自动新建，无须手动创建

创建数据：登录代理页面，点击 数据管理 > 创建，输入数据名称，选择连接器 localConnector，点击按钮 “选择数据文件”，选择训练数据集（须提前导入到代理服务器本地路径，默认为 /home/service/tics/data，或通过代理页面 > 算法管理 > 创建 手工导入），对字段进行配置，设置字段类型和字段类别，字段类别包括下面几种

唯一标识（ID）：具备唯一性，用于关联联邦学习多个参与方的数据

特征（Feature）：X 值，一般会有多个特征值，在本案例中即个人的多个维度的分析数据

标签（Label）：Y 值，如分类问题中图片是猫还是狗都属于标签值，是机器学习分析模型的预测目标

准备数据配置参考内容

本案例中 xx钱包提供 ID 和特征数据，字段结构如下：第 1 列是 ID 值，第 2~37 列是特征值。

银行提供 ID、特征数据和标签数据，字段结构如下：第 1 列式 ID 值，第 2~3 列是 特征值，第 4 列是标签值。

4 联邦训练

联邦训练由 xx钱包侧发起，包括以下步骤：

登录 xx钱包代理页面，选择 作业管理 > 联邦机器学习 > 创建，输入以下配置项，单击 “确定” 按钮，完成创建作业

在 作业管理 > 联邦机器学习 页面，可查看到刚刚创建的作业，点击按钮 “开发”，进入作业开发设置页面，依次完成操作

数据选择：勾选 xx钱包和银行侧上传的训练数据集，点击右下角红色按钮 “下一步”

样本对齐：由于本次测试数据集已提前完成样本对齐工作，直接点击下一步即可；若两侧的训练数据未进行样本对齐，须选择两侧训练数据的样本对齐字段，执行对齐操作

特征选择：默认采用等频分箱策略，可以选择参与联邦学习训练的特征，若跳过该步骤，则默认将使用所有特征

模型训练：点击右下角红色按钮 “启动训练”，发起联邦训练任务，在历史作业中科查看训练任务执行状态

模型评估：训练任务完成后生成预测模型，可选择使用模型对测试数据集进行评估作业，点击 “评估作业”按钮，输入测试样本数据集，发起模型评估操作

创建纵向联邦训练作业配置指南参考

5 数据安全

本案例采用纵向联邦学习技术，使用同态加密计算支持 XGBoost 训练业务场景，xx钱包和银行侧在作业开始前，各生成公私钥对，并将公钥同步给对方。

联邦学习训练的全过程参考上图，包括以下步骤：

交行启动训练，触发 XGBoost 算法，本地 XGBoost 算法基于用户标签，生成每个样本的一阶梯度 g 和二阶梯度 h

调用同态加密模块， 将每个样本的一阶梯度 g 和二阶梯度 h 用自身公钥加密

将加密的每个样本的 [[g]] 和 [[h]] 发送给 xx钱包

xx钱包方共有36个特征，假设每个特征有10个候选的分割点，则使用同态计算每个候选分割点（36*10=360个点）的左子树，右子树的加密的 [[g]] 和 [[h]]的累加和，生成密文 [[G]] [[H]]

xx钱包侧返回加密的累积和 [[G]] [[H]]

银行用本地同态私钥，解密获得明文 G H，共 720 个值（360 个分割点，左右子树，即 360 * 2 ）

银行侧计算每个分割点的分数 Gain，并将分数返回给 xx钱包

xx钱包选择分数最高的分割点，优先作为树模型的分割节点

注：以上步骤中涉及的证书，统一由华为云 TICS 服务发放

重复执行以上 1 - 8 步骤，直到选出所有树模型的最优分割点 ，完成树模型的构建

6 应用价值

各参与方在不泄露各自数据前提下，基于 TICS 的联邦学习方案完成了基于多方数据的联合建模，有助于提升用户风控模型准确度。经实测验证，在信用卡发放审批场景，联邦学习风控建模可帮助提升批复率 5~10 个点，对于提升终端用户体验很有帮助。

从技术上分析，本方案以下几个功能特性获得用户高度认可：

高性能联邦学习加密算法：在本方案中，实现联邦训练和同态加密的协同优化，支持基于矩阵的密态数据计算，实现树节点选择的批量计算，大幅提升联邦学习训练效率

云边协同技术架构：支持用户数据云侧或边侧部署，满足银行侧数据本地化存储要求

开箱即用的联邦学习框架：简单易用、所见即所得，用户通过简单配置即可完成联邦学习建模操作，复杂的数据加密处理等过程封装在后台，大幅降低业务用户使用联邦学习的技术门槛

场景丰富：支持 XGBoost（包括分类和线性回归模型）、逻辑回归、决策树模型和神经网络模型，支持纵向和横向联邦学习建模，满足多样化的用户业务场景需求

联邦协同：支持多厂商异构联邦学习框架互联互通，建立跨厂商联邦学习技术生态体系，协同训练

7 FAQ

Q1 模型训练由哪一侧发起

参与联邦学习的任意一方，均可作为模型训练的发起方

Q2 联邦学习的训练效率怎么样

TICS 测试联邦学习运行 XGBoost 5 课树 5 层大概要 10 分钟，纯本地运行同样的模型，预计在1分钟左右。因此联邦学习对训练效率会有 10 倍左右的影响，主要是加解密操作和密文计算带来的额外时延等影响比较大。

相比业界其他联邦学习平台，TICS 联邦学习训练效率有 2~3 倍左右的提升，TICS 的联邦训练和同态加密操作做了协同优化，支持基于矩阵的密态数据计算，实现树节点选择的批量计算，借助并行计算方式大幅提升联邦学习训练效率。

机器学习 金融专区

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。