本申请公开了一种金融联盟联合风控建模方法、装置、设备及介质，涉及金融风控技术领域。该方法包括：根据金融联盟联合风控建模时当前的金融风险预测任务，确定参与所述联合风控建模的金融机构节点；利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境；基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型。通过本申请的技术方案，可以有效降低梯度回推攻击的风险，增加数据的利用率，降低数据泄露风险。泄露风险。泄露风险。
【技术实现步骤摘要】
一种金融联盟联合风控建模方法、装置、设备及介质
[0001]本专利技术涉及金融风控
，特别涉及一种金融联盟联合风控建模方法、装置、设备及介质。
技术介绍
[0002]随着金融科技的快速发展，金融行业越来越依赖于大数据和人工智能技术。金融风控是金融行业的重要组成部分，它的作用是为银行、信贷公司等金融机构提供客户信用评估、信贷审批、风险管控等服务，对于保障金融行业的安全和稳定具有至关重要的意义。
[0003]当前，金融机构联合进行风控建模时，主要采用分布式计算和数据共享两种方法。分布式计算将任务分解成多个子任务，分别在不同的计算机上运行，最后将计算结果汇总实现分布式计算；数据共享将不同机构的数据整合起来共同使用，从而提高数据利用率。然而，这两种方法都存在局限性，分布式计算存在梯度回推风险，数据共享存在隐私泄露风险。
[0004]因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供一种金融联盟联合风控建模方法、装置、设备及介质，能够有效降低梯度回推攻击的风险，提高计算过程中的数据安全性和隐私性。其具体方案如下：
[0006]第一方面，本申请公开了一种金融联盟联合风控建模方法，包括：
[0007]根据金融联盟联合风控建模时当前的金融风险预测任务，确定参与所述联合风控建模的金融机构节点；
[0008]利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境；
[0009]基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型。
[0010]可选的，所述利用不同的预设训练数据选择策略选择训练数据进行模型训练，包括：
[0011]根据当前样本数据中的梯度变化情况调整数据选取比例；
[0012]按照所述数据选取比例，从所述当前样本数据中随机选择训练数据进行模型训练。
[0013]可选的，所述基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型，包括：
[0014]基于预设选举策略从所述金融机构节点中确定出当前聚合节点，并在所述聚合节点加载全局模型；
[0015]基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点利用各自的预设训练数据选择策略选择训练数据进行本地建模计算，得到各自的模型梯度；其中，所述其他参与节点为除所述聚合节点外的参与所述联合风控建模的金融机构节点；
[0016]将所述模型梯度汇聚到所述当前聚合节点，并将所述模型梯度按照预设权值比例进行聚合，以通过聚合后梯度对所述全局模型进行更新，得到当前全局模型；
[0017]通过令牌控制权轮流从所述其他参与节点中重新选举出新聚合节点，然后将所述当前全局模型迁移至所述新聚合节点，并重复执行所述在所述聚合节点加载全局模型的步骤，直到所述其他参与节点全部参与训练后，确定出目标联合风控模型。
[0018]可选的，所述基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点利用各自的预设训练数据选择策略选择训练数据进行本地建模计算，得到各自的模型梯度，包括：
[0019]基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点通过鉴权服务验证所述全局模型的数据完整性，并在验证通过后加载所述全局模型，然后利用各自的预设训练数据选择策略选择训练数据，根据所述全局模型进行本地建模计算，得到各自的模型梯度。
[0020]可选的，所述的金融联盟联合风控建模方法，还包括：
[0021]设置节点异常监控策略，并通过所述节点异常监控策略监控所述金融机构节点之间的心跳；
[0022]当所述心跳异常时，确定出导致所述心跳异常的第一金融机构节点，并基于所述预设选举策略从剩余的第二金融机构节点中选举出当前聚合节点；
[0023]当所述第一金融机构节点恢复正常后，重新将所述第一金融机构节点加入所述第二金融机构节点中，得到第三金融机构节点，以便基于所述预设选举策略从所述第三金融机构节点中选举出当前聚合节点。
[0024]可选的，所述利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境，包括：
[0025]利用网络隧道技术中的第二层隧道协议，针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境。
[0026]可选的，所述基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型之后，还包括：
[0027]获取待评估金融风险数据；
[0028]利用所述目标联合风控模型对所述待评估金融风险数据进行预测，以得到预测结果反馈数据；
[0029]根据所述预测结果反馈数据对所述目标联合风控模型进行优化。
[0030]第二方面，本申请公开了一种金融联盟联合风控建模装置，包括：
[0031]节点确定模块，用于根据金融联盟联合风控建模时当前的金融风险预测任务，确
定参与所述联合风控建模的金融机构节点；
[0032]可信执行环境创建模块，用于利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境；
[0033]目标联合风控模型确定模块，用于基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型。
[0034]第三方面，本申请公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的金融联盟联合风控建模方法。
[0035]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的金融联盟联合风控建模方法。
[0036]本申请提供了一种金融联盟联合风控建模方法，包括：根据金融联盟联合风控建模时当前的金融风险预测任务，确定参与所述联合风控建模的金融机构节点；利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境；基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型。可见，相较于传统的建模方式，本申请采用网络隧道技术构建对等本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种金融联盟联合风控建模方法，其特征在于，包括：根据金融联盟联合风控建模时当前的金融风险预测任务，确定参与所述联合风控建模的金融机构节点；利用网络隧道技术针对所述金融机构节点构建对等网络，并在所述对等网络下创建可信执行环境；基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型。2.根据权利要求1所述的金融联盟联合风控建模方法，其特征在于，所述利用不同的预设训练数据选择策略选择训练数据进行模型训练，包括：根据当前样本数据中的梯度变化情况调整数据选取比例；按照所述数据选取比例，从所述当前样本数据中随机选择训练数据进行模型训练。3.根据权利要求1所述的金融联盟联合风控建模方法，其特征在于，所述基于所述可信执行环境，通过令牌控制权轮流从所述金融机构节点中选举聚合节点，并利用不同的预设训练数据选择策略选择训练数据进行模型训练，当所述金融机构节点全部参与训练后，确定出目标联合风控模型，包括：基于预设选举策略从所述金融机构节点中确定出当前聚合节点，并在所述聚合节点加载全局模型；基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点利用各自的预设训练数据选择策略选择训练数据进行本地建模计算，得到各自的模型梯度；其中，所述其他参与节点为除所述聚合节点外的参与所述联合风控建模的金融机构节点；将所述模型梯度汇聚到所述当前聚合节点，并将所述模型梯度按照预设权值比例进行聚合，以通过聚合后梯度对所述全局模型进行更新，得到当前全局模型；通过令牌控制权轮流从所述其他参与节点中重新选举出新聚合节点，然后将所述当前全局模型迁移至所述新聚合节点，并重复执行所述在所述聚合节点加载全局模型的步骤，直到所述其他参与节点全部参与训练后，确定出目标联合风控模型。4.根据权利要求3所述的金融联盟联合风控建模方法，其特征在于，所述基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点利用各自的预设训练数据选择策略选择训练数据进行本地建模计算，得到各自的模型梯度，包括：基于所述可信执行环境，将所述全局模型分发给其他参与节点，以便所述其他参与节点通过鉴权服务验证所述全局模型的数据完整性，并在验证通过后加载所述全局模型，然后利用各自的预设训练数据选择策略选择训练数据，根据所述全局模型进行本地建...
【专利技术属性】
技术研发人员：孙善宝，王晓利，解萌，罗清彩，沈国栋，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。