[发明专利]一种用于执行终端梯度安全数据应用的风控方法及系统

说明书

本发明提供一种用于执行终端梯度安全数据应用的风控方法及系统，所述方法包括以下步骤：结合外部数据建立智能金融风控模型；通过数学原理、密码学原理建立技术保障机制，让多个数据参与方在技术信任的共识下开展协同计算，形成高阶数据智能；基于非对称加密、不经意传输密码学技术，通过隐私计算的匿踪查询构建出多方查询时的数据交互加密通信通道，在整个查询交互过程中进行数据混淆、数据加密、数据传输、数据解密及精准匹配。本发明通过联邦学习和安全多方计算等技术实现多方数据的协同计算和价值共享，满足了金融保险场景对于多方数据在风控建模、精准营销、反欺诈等业务环节的应用。

技术领域

本发明涉及隐私安全计算技术领域，具体而言，涉及一种用于执行终端梯度安全数据应用的风控方法及系统。

背景技术

近年，数据安全与隐私泄露问题愈发被关注，数据使用与隐私保护之间的矛盾日益突出；随着国内外一系列数据安全与隐私保护相关政策法规的出台，隐私计算技术对金融风控的改变将在发展过程中逐步呈现；基于计算机、通信、数学、密码学等多学科交叉的隐私保护计算(Privacy-Preserving Computing，简称“隐私计算”)技术为解决上述矛盾提供了可能。

无可信第三方是达成技术信任的较优方式，通过改变底层计算协议，或者通过特殊的数学解构算法设计秘钥交互的流程、加解密的操作等来实现去除可信第三方的需要，在数学和密码学原理上保证无需可信第三方仍然能够完成联邦学习等隐私计算，应用隐私计算技术之后，征信机构的将信息分拆提供给用户，同时还能保证比较高的安全性强度。

目前，以银行为代表的金融机构一方面期望在监管允许范围内，以更低的信任代价、更安全和更高效的方式使用联邦学习等隐私计算技术，因此对于无可信第三方的技术方案有迫切诉求；然而另一方面，为了解决传统匿踪查询方案带来的计费难题，有时仍需引入可信第三方来保证场景落地时能够满足商务合作的现实要求。

传统模式下的数据源方或数据流转服务方会对银行查询条件中的用户身份信息(例如姓名、身份证、手机号)进行匹配，并返回对应的查询结果，这时数据源方或数据流转服务方就有机会获知银行方查询条件中的用户身份信息，并推测出该用户是银行哪些业务场景的目标客户，从技术逻辑上存在非法缓存甚至再次使用这些信息的可能。

发明内容

鉴于此，本发明的目的旨在通过联邦学习(Federated Learning，FL)和安全多方计算(secure Multi-Party Computing，MPC)等代表性技术，在满足“数据可用不可见”的情况下，实现多方数据的协同计算和价值共享，满足金融保险场景对于多方数据在风控建模、精准营销、反欺诈等业务环节的应用。

本发明提供一种用于执行终端梯度安全数据应用的风控方法，包括以下步骤：

S1、结合外部数据建立智能金融风控模型；

所述外部数据包括：身份、学历、消费、通信、征信中的一种或多种组合；

所述建立智能金融风控模型的方法包括：通过联邦学习算法或基于安全多方计算的机器学习，各方数据不出私域的条件下通过分布式的协同加密计算实现联合建模；

S2、通过数学原理、密码学原理建立技术保障机制，让多个数据参与方在技术信任的共识下开展协同计算，形成高阶数据智能；

S3、基于非对称加密、不经意传输密码学技术，通过隐私计算的匿踪查询构建出多方查询时的数据交互加密通信通道，在整个查询交互过程中进行数据混淆、数据加密、数据传输、数据解密及精准匹配；