隐私计算实践--腾讯云计算共建金融信贷准入评分模型
发布日期：2024-07-14 05:51:32
浏览次数： 1780
来源：说安全 如何安全
案例描述
在金融机构与外部数据合作方建模的时候，需要建模数据出库至可信沙箱环境建模，增加了数据泄露的风险。当数据外传给数据方时，由于数据方对数据保护的严格程度往往参差不齐，所以这个过程成了银行等金融机构数据管理链条上薄弱的一环。此外，从合规性角度分析，数据外传存在不可忽视的法律风险，因此将数据发送给外部数据合作方前往往需要很长的审批时间（需要使用者、提供者、平台方三重确认）。加上数据量少且缺乏实时性，导致建模质量不佳。
基于隐私计算的建模平台，使得数据合作双方的风险建模分析师可在平台上协作完成多金融信贷场景的准入评分模型，帮助金融机构在建模风险模型时不再需要数据外传，杜绝数据泄露风险和法律合规风险，也减少了冗长的审批流程，效果良好并已上线持续调用应用到业务策略中。
技术方案
在本案例中，腾讯云计算（北京）有限责任公司针对现有开源联邦学习平台存在的操作便利性、协作功能、权限管理及数据安全性等问题，自研了腾讯云安全隐私计算平台，包括调度模块（Controller）及分布在数据应用方和数据提供方的控制管理终端（Capitalist），通过隐私计算平台轻松完成数据的校验、注册、授权和隔离。
同时将分析师的建模设置下发为实际的联邦计算任务，并对任务进行状态监控，方便分析师获取联邦任务流程进度。通过隐私计算平台的联邦学习模块，银行原始数据不会出银行，确保了数据安全，分析师也不需要学习复杂的脚本编写即可按照之前工作习惯完成工作。联邦学习建模方案如图所示。
本方案的联邦学习平台，在腾讯自研的隐私计算框架的基础上进行创新改造。对于联邦计算任务本身而言，针对当前存在的速度慢、安全性较差等问题，对现有算法和密码系统进行大幅度改进，大大加强隐私保护的同时，提升了建模效率。具体包括：
（1）平台对联邦学习密码系统和联邦算法进行改进。其使用的随机迭代放射密码（RIAC）系统比传统Paillier算法系统快80%以上。并结合快速梯度直方图算法，使联邦梯度提升树运算时间对比开源框架下降了85%，极大加速建模效率。
（2）平台对联邦逻辑回归算法进行了协议创新，剔除了“可信第三方”角色，从原理上大大增强了安全性，避免了数据泄露风险。
此外，该联邦计算平台提供了更贴合风险建模实际场景需求的图形化操作界面。分析师按照日常工作流程，选择所需数据、求交规则、所需特征工程工具（如特征衍生、特征编码，特征过滤等）及最终建模算法的参数，全程只需要简单的鼠标即可完成建模，不再需要编写复杂的脚本或者学习不同组建之间的依赖关系和工作方式，极大降低了分析师的学习成本和时间成本。
根据分析师工作的实际需求，平台增加了参数和模型效果对比等直观易用的工具，使得分析师的工作效率更高。如图所示，分析师建模时可以对数据多次调参，找出效果最好的参数组合，终端页面会将每一次的结果并列，以方便对比。这增加了对社会公众的隐私保护，减少了隐私泄露风险，带来良好的社会效益。
价值分析
通过运用联邦学习技术，该平台在实际的业务场景中协助完成了车贷申请评分、DCP申请评分等风控模型，效果良好。
从经济价值方面考虑，联邦计算可帮助金融机构更好地防范风险，降低违约率，增加利润。同时，上述方案中易用的图形化界面，更快的算法，降低了银行分析师的培训成本和时间成本。其次，平台使用更安全的无第三方算法，消除了银行的合规风险和数据泄露风险，加强了对社会公众的隐私保护，减少了隐私泄露风险，带来了良好的社会效益。
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
粤ICP备17114055号
支持私有云部署
