隐私计算在银行风控

隐私计算在金融行业的应用正日益深入，为金融机构带来了诸多优势和创新机遇。以下是隐私计算在金融领域的一些主要应用场景和技术：应用场景联合风控：隐私计算技术可以帮助金融机构整合内外部数据资源进行风控预测精准营销，提升客户转化率。例如，通过联邦学习模型，某大型股份制银行在个人信贷营销中实现了显著的转化率提升。反洗钱与反欺诈：隐私计算技术能够提高金融机构的反洗钱和反欺诈能力，通过安全的数据共享和分析，识别信用等级，降低多头信贷和欺诈风险。通过跨行业的数据联合建模，金融机构可以更有效地评估信贷风险，提高风控效果。精准营销：在金融营销中，隐私计算允许金融机构合规地调用外部数据，从而结合内外部数据进行，识别可疑交易和行为。保险精算：在保险行业，隐私计算可以用于精算模型的构建，帮助保险公司在不泄露客户隐私的情况下进行风险评估和定价。金融身份认证与征信评估：隐私计算技术可以在身份认证和征信评估过程中保护用户的敏感信息，同时提高评估的准确性。技术路径隐私计算技术在金融行业的应用主要依赖于以下几种技术：多方安全计算（MPC）：允许多个参与方在不暴露各自数据的情况下进行联合计算。联邦学习：在保护数据隐私的

近日，零壹财经•零壹智库发布国内首个系统研究隐私计算在金融领域应用的报告——《开启新纪元：隐私计算在金融领域应用发展报告(2021）》，星环科技荣登隐私计算厂商图谱，并成为国内唯一一家拥有大数据背景、可靠、易用的隐私计算平台，从技术层面让跨企业的AI协作成为可能。现在《数据安全法》等开始实施，数据安全、隐私计算成为行业关注的热点，对于底层的基础软件应用而言，从源头上层层把控数据安全，势必会的入选企业。此次报告由零壹财经·零壹智库作为研究机构，由中国科技体制改革委员会数字经济发展研究小组、深圳市信用促进会、横琴数链数字金融研究院联合发布，旨在遴选出一批具有代表性的隐私计算厂商，树立引领等。一旦大数据平台宕机，组织中诸多核心业务将无法开展，造成的损失不可估量。作为大数据和人工智能基础软件平台供应商，星环科技一直非常重视企业用户的数据安全问题。今年3月，星环科技发布了隐私计算和联邦学习技术，可以保障数据在加密状态下被采集、传输、存储、计算、共享和流通，中间的数据不会被攻击和被泄露。星环科技的联邦学习平台SophonP²C拥有隐私计算、加密网络通信等多种功能，为多方安全建模提供完整的

部分大数据量应用的处理效率，全方位的提升了该全国性股份制商业银行的经营效率，为以后的银行AI等创新型场景打造了夯实的基础。该全国性股份制商业银行在基于TDH的EAST报送系统上线的半年多时间中，高效的科技TDH大数据基础平台建立的EAST监管合规系统，是该全国性股份制商业银行在新金融监管要求下的第一个监管报送系统层面的技术革新，在响应人民银行、银保监会等部门“创新型监管技术”要求的同时，提升了银行合规人员的工作效率，未来，该全国性股份制商业银行会在监管科技方面做更多前沿性技术的创新与尝试。使用星环科技TDH大数据基础平台后该全国性股份制商业银行：填充了大数据技术的空白；实现非结构化数据与结构化数据技术架构的统一及非结构化数据的统一管理；有效地解决了历史数据应用场景；提升了数据仓库及满足监管机构的监管报送要求。在系统计算效率，系统易用度等方面均得到了很大程度的提升。对科技人员：有效缓解了每一次报送前都要进行加班加点的压力，减少了系统处理等待的时间，提高了科技人员的工作效率；对业务人员：数据查询效率的提升，大大提高了业务人员在数据核对时以及数据补录调整后的再校验工作场景的效率，实现了从原有的“一天只能校验一次”到“一天校验多次”的质变提升。总而言之，该全国性股份制商业银行基于星环

科技水平位列行业前茅。问题与需求该全国性股份制商业银行数据仓库及数据集市原采用Oracle数据库作为底层数据库进行数据的存储、计算、加工。自近年来后随着互联网银行、手机银行、移动支付等相关新兴银行银行AI等创新型场景打造了夯实的基础。该全国性股份制商业银行在基于TDH的EAST报送系统上线的半年多时间中，高效的满足监管机构的监管报送要求。在系统计算效率，系统易用度等方面均得到了很大程度的提升。对、技术产品创新快速迭代的态势，实现了高质量、跨越式发展。在金额科技领域，该全国性股份制商业银行无历史科技包袱、无历史不良资产，在信贷风控、不良资产率、资产负债比等多项银行业核心资产上位于全国前列，整体业务的不断开展，该全国性股份制商业银行数据仓库的使用已逐渐出现了以下问题：现有的存储资源不够用；半结构、非结构数据存储运用效率不高；大数据量的情况下，传统数据数据库技术已经出现了出现严重效率不高，已开始逐步影响行内业务部门的日常工作；部分监管数据无法及时汇总计算，部分大数据量应用系统查询出现高延时性等待。面对上述问题，2018年底，该全国性股份制商业银行开始大数据平台市场调研与技术选型。在历时近1年的

隐私计算在数据流通应用中非常重要。不仅可以满足各行业对用户数据和企业数据的隐私保护需求，还可以为数据流通平台提供更高的灵活性和信度，使得数据交易更加便捷安全。金融行业：金融机构需要处理大量用户敏感数据，如个人信息、账户数据、交易记录等，隐私计算技术可以对这些数据进行加密和处理，确保用户的隐私得到充分保护的同时，满足金融机构数据共享和交易的需求。政务领域：政府机构需要处理大量涉及个人隐私的数据，如居民户籍信息、社保数据、税务信息等，通过隐私计算的加密处理，政府部门可以在满足隐私保护的前提下，更好地进行数据共享和交流，提高政务工作效率。医疗行业：医疗机构需要处理大量患者的个人健康信息，如病历、检查结果、用药信息等，隐私计算可以确保这些敏感数据的安全性，同时为医疗机构之间的数据共享和交流提供技术支持，进一步促进医疗行业的发展。通信行业和互联网行业：随着移动互联网的普及和数字化时代的到来，个人和企业的隐私数据在通信和互联网领域得到广泛应。隐私计算技术可以对个人隐私数据进行保护，防止数据泄露和滥用，同时为企业之间的数据共享和交易提供更安全可靠的解决方案。除了以上几个行业，隐私计算还在新兴行业

2021年,中国信通院云大所联合隐私计算联盟发布《隐私计算白皮书(2021年)》,全面展示了隐私计算发展状况。经过一年多的发展,隐私计算在政策、技术、应用等方面上均迎来了新的进展。《隐私计算白皮书(2022年)》将全面展现行业成就及发展新态势,希望为产业界应用隐私计算技术提供参考指导,推动隐私计算行业健康发展,让隐私计算在数据要素市场建设过程中发挥更大的价值。本研究报告亮点如下:纵览发展历程落地的方向持续发展,可用性和可信性进一步增强。通过对技术发展的前沿进行整理和分析,洞察隐私计算技术发展趋势,为落地应用搭建桥梁。聚焦应用实际,凸显应用优势在广泛调研的基础上全面梳理隐私计算在实际数据流参考。道阻且长,行则将至;行而不辍,未来可期。面对这个日新月异、快速发展的行业,我们期待与业界共同守正创新,推动隐私计算行业健康发展,让隐私计算在数据要素市场建设和数据流通过程中发挥更大的价值,踔厉奋发谱写隐私计算新篇章!*来源:隐私计算联盟、中国信息通信研究院云计算与大数据研究所",明确当前进展根据隐私计算技术出现、发展、落地到广泛应用的不同特点,梳理隐私计算发展阶段,明确当下发展阶段并研判未来发展前景。把握技术前沿,洞察发展趋势作为数据安全流通的关键技术,隐私计算技术向推动应用

安全隐私计算是一种在数据处理和计算过程中，能够同时确保数据安全性和隐私性的技术体系。技术原理与特点多种技术融合：融合了密码学、分布式计算、人工智能等多领域技术。如联邦学习通过加密模型参数更新来保护数据泄露。采用可信执行环境（TEE）、硬件安全模块（HSM）等技术，为计算过程提供隔离和保护，确保计算在可信的环境中进行。应用场景金融领域：用于信贷风险评估、反洗钱、金融市场预测等场景。不同金融机构之间数据隐私；安全多方计算利用加密协议使多方在不泄露隐私数据的情况下进行协同计算；同态加密允许直接对密文进行特定类型的计算，计算结果解密后与对明文计算结果相同。数据隐私保护：在数据的全生命周期，包括数据收集、存储、传输、处理和共享等各个环节，都采取严格的隐私保护措施。对敏感数据进行加密、脱敏、匿名化等处理，确保数据在使用过程中不被泄露、篡改或滥用。安全的计算环境：构建安全的计算环境，防止外部攻击和内部可在不共享敏感客户数据的情况下，联合进行风险模型的建立和评估，提高风险预测的准确性，同时保护客户隐私。医疗健康领域：医疗机构之间可在保护患者隐私的前提下，进行医疗数据的共享和分析，开展联合疾病研究

隐私计算在众多领域都有着广泛且重要的应用场景。金融领域联合风控：银行、证券、保险等金融机构之间，可利用隐私计算技术在不泄露各自客户敏感信息（如资产状况、交易记录等）的前提下，共同进行风险评估和信用评级。例如，通过多方安全计算或联邦学习，整合多方数据来更精准地判断客户的信贷违约风险，提高信贷决策的科学性，降低不良贷款率。反洗钱监测：不同金融机构的数据汇聚后，借助隐私计算能在加密状态下分析交易行为模式，识别可疑洗钱活动。各机构无需公开客户的具体交易流水等隐私数据，仅通过隐私计算的协同分析机制，发现异常资金流向和交易特征，助力监管机构有效打击洗钱犯罪。金融市场预测：投资机构、金融研究机构等可在保护自身数据隐私的基础上，共享部分市场数据、宏观经济数据等，运用隐私计算技术进行数据挖掘和分析，共同构建更准确的金融市场预测模型，为投资者提供更具前瞻性的投资建议。医疗健康领域医疗数据共享与科研：医疗机构之间存在大量数据孤岛问题，隐私计算为解决这一难题提供了方案。例如，不同医院可通过联邦学习技术，在不泄露患者隐私的情况下，联合开展疾病诊断模型、治疗方案优化模型的训练，加速医学科研进展，提升疾病整体诊治

本章节的示例语句均可在示例图my_graph中执行，执行前请先创建示例图my_graph，建图语句如下:creategraphmy_graphwithschema(:Boy{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})(:Girl{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})[:Friend{sinceint}][:Likes{sinceint}]graphproperties:{`graph.shard.number`:3,`graph.replication.number`:...

通过beeline或JDBC时，设置参数configquery.langcypher;将查询语言切换为TEoC模式。根据使用场景选择查询模式（默认为immediate模式）immediate模式通常用于并发及短查询场景，查询结果和中间结果通常不超过百万。通过configcrux.execution.modeimmediate;切换。analysis模式通常用于分析场景，创建图、插入数据以及图算法相关的语句必须在该模式下进行。通过configcrux.execution.modeanalysis;切换。

StellarDB支持用户添加自定义函数，添加后可在cypher语句中使用。自定义函数实现自定义函数通过java/scala语言开发，可继承实现两种基类，编译成jar包，通过指定命令加载到StellarDB。需要实现的基类为如下两种，可自行选择继承合适的基类：继承UDF基类继承GenericUDF基类。继承UDF基类该类实现简单，功能较为单一。支持Quark的基本类型、数组和Map。适合实现简单的逻辑。继承org.apache.hadoop.hive.ql.exec.UDF类继承UDF类必须实现evaluate方法且返回值类型不能为void，支持定义多个evaluate方法不同参数列表用于处理不同类型数据。@Description(name="my_plus",value="my_plus()-ifstring,doconcat;ifinteger,doplus",extended="Example:\n>selectmy_plus('a','b');\n>ab\n>selectmy_plus(3,5);\n>8")/***实现UDF函数，若字符串执行拼接，in...

声明简介声明是指为特定数据类型的变量分配一定的存储空间，并命名该变量以便引用它；必须先声明变量，然后才能引用它；对声明的变量可以进行赋值操作来改变它的值；声明的变量其作用域是Session级别的。变量声明使用decl关键字声明一个变量必须为变量指定名称和类型，且名称不能与已有的变量名相同。声明但未赋值的变量的默认值为null。变量名声明对大小写敏感。变量声明的语句遵循如下格式:DECL[<variable_name>:<variable_type>];使用方法示例如下表所示：语句说明declx:int;声明一个类型为int的变量xdecls:string;声明一个类型为string的变量sdecll:long;声明一个类型为long的变量ldeclb:boolean;声明一个类型为boolean的变量bdecld:double;声明一个类型为double的变量ddecltime:localdatetime;声明一个类型为localdatetime的变量timedecld1:decimal;声明一个类型为decimal的变量d1decllist1:list[int...

类型表达式类型例子十进制型整数10,-213十进制小数1.25,3.604E-14,-2.31十进制型长整数199345843592l,-12381543923L任意精度的有符号十进制数123bd,123.31BD八进制整数(0开头)084,-096字符串"星环",'信息科技'布尔类型true,false,TRUE,FALSE数组类型[1，2，3],["星环","信息科技"],[decimal(10.2,3,1),decimal(100.2,3,2)],[localdatetime("2021-01-18T09:50:12.627"),localdatetime("2021-11-18T03:50:12.113")]时间类型localdatetime("2021-01-18T09:50:12.627")Decimal类型decimal(10.2,3,1)地理空间类型point(20.5,30.5),point(-20.5,-30.5)时序类型{localdatetime("2023-01-01T15:16:17")::"nice"},{localdatetime("1997-01-01...

快速上手本章节将引导您快速熟悉StellarDB，并为您初步介绍如何通过KGExplorer和beeline客户端操作StellarDB。其中，"StellarDB初探"一节通过构建一张人物关系图，从零介绍如何在StellarDB进行基本操作；"StellarDB进阶"一节为您提供了内置于StellarDB的《哈利·波特》人物关系图，帮助您进一步探索StellarDB。StellarDB初探使用KGExplorer构建图从Manager页面进入KGExplorer页面。若KGExplorer开启了单点登录，会自动跳转Federation登录页面，按如图方式登录：KGExplorer用戶开启方法以及详细使用说明请查看章节《KGExplorer使用文档》。点击登录后进入KGExplorer主页面。我们首先需要构建图名为"hello_world"的图。在主页面右上角点击创建图按钮开始图谱schema的构建。按照引导填写图基本信息后点击确定进入构建页面。在画布中，我们为"hello_world"图创建Boy和Girl两种类型的点，两种类型的点均包含name、salary、age、single四...

3.1在TDH平台安装StellarDB3.2StellarDB安装校验3.3StellarDB低版本升级至StellarDB5.0.1

StellarDB5.0.1版本对图算法场景进行了大规模改进和提升，内置算法性能得到较大提升。在语法方面，StellarDB5.0.1的内置图算法对于返回的节点，会直接以节点类型返回。因此可以直接使用uid(vertex)访问节点的uid，而不再需要node_rk_to_uid函数进行uid的转换。可以参考PageRank等函数。另外，对于图算法返回的节点，我们也可以灵活的访问其其他属性作为返回值。图计算简介StellarDB的图计算使用TEoC语句调用相应图算法。算法的输入数据为图的点、边数据。当前版本中图计算支持结果返回、结果导出和结果写回。在使用图算法时，使用configcrux.execution.modeanalysis;语句切换到分析模式下使用图算法语句。图数据视图StellarDB支持创建一个可被持久化的视图，用于加速图算法执行过程。创建视图创建视图的语法如下所示：createquerytemporarygraphviewGRAPH_VIEW_NAMEas(v)[e]withGRAPH_ALGO(@GRAPH_VIEW_NAME,VIEW_STORE_PATH,CONFI...

索引是数据库中某些数据的冗余副本，目的是使查询性能更优。作为代价，数据库需要额外存储空间和较慢写入速度，因此决定哪些字段需要索引是一项重要且不易的任务。（新）StellarDB5.0.1版本不再对旧版本使用的manipulatecreate_index和manipulatedelete_index语法进行支持，在新版本中统一使用createindex和dropindex进行索引的创建和删除新增索引CREATEINDEX[IFNOTEXISTS]FOR(LabelName)ON[f1,f2,...];CREATEINDEX[IFNOTEXISTS]FOR[LabelName]ON[f1,f2,...];不支持对TIME_SERIES类型的属性创建索引默认情况下,对同一个Label的某个属性多次创建索引会报错;但如果带有IFNOTEXISTS,则不会抛出任何错误包裹点边LabelName的括号不同，注意区分示例1.在点labelperson的属性name和age上建立索引CREATEINDEXIFNOTEXISTSFOR(person)ON[name,age];示例2.在边labelask...

为什么引入动态图模型？在实际应用过程中很容易可以发现，图数据在很多图数据的应用场景中并不是静态不变的，而是动态演进的，这些场景中包括例如金融反欺诈场景中金融交易网络随着时间的推进而发生的交易变化、交易社群变化等；又比如社交网络中新增用户、用户关注或者取消关注、更改账户信息等。将图数据变化的历史记录下来，不仅可以用于历史数据规律的总结，还可以利用动态图数据进行动态图神经网络相关技术的研究，从而进一步挖掘数据中潜在的数据价值和更加灵活高效的业务场景，譬如预测某一个时刻某一事件是否会发生。动态图模型的动态变化图数据的动态变化主要分为两类，一类是节点或边的属性的值的变化；另一类变化是子图（结构）的变化，如新增/删除点边。这两种图数据的动态变化可以单独发生，也可以同时发生。从图数据的属性变化角度来看，StellarDB5.0.1动态图模型可以记录图中节点或者边属性的所有历史版本（而非新数据覆盖旧数据）。在实际数据开发使用中，还可以结合诸如柱状图、趋势图等对历史数据进行可视化，更加直观、更加适合业务使用。从图数据的子图（结构）的角度来看，StellarDB5.0.1动态图模型还可以返回不同时间子图...