CN114372864A - 基于联邦学习的金融机构客户信用风险分析方法及系统 - Google Patents
基于联邦学习的金融机构客户信用风险分析方法及系统 Download PDFInfo
- Publication number
- CN114372864A CN114372864A CN202111597114.5A CN202111597114A CN114372864A CN 114372864 A CN114372864 A CN 114372864A CN 202111597114 A CN202111597114 A CN 202111597114A CN 114372864 A CN114372864 A CN 114372864A
- Authority
- CN
- China
- Prior art keywords
- client
- model
- version
- module
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于联邦学习的金融机构客户信用风险分析方法及系统,包括客户端和服务端,所述客户端通过网络接口访问服务端,所述服务端管理客户端地址和版本,服务端实时配置客户端的认证信息;所述客户端包括框架应用、训练应用和预测应用;所述服务端包括框架服务、版本服务和模型服务;该基于联邦学习的金融机构客户信用风险分析方法及系统,本发明可以在保证数据安全与保护数据隐私的情况下,打破数据孤岛,训练金融机构客户信用风险预测模型并对未来数据进行预测;模型闭环管理,服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现闭环的流程管控。
Description
技术领域
本发明属于人工智能技术领域,尤其是一种基于联邦学习的金融机构客户信用风险分析方法及系统。
背景技术
在金融机构中需要对客户进行风险分析操作,从而能够了解该名客户的信用信息,进而决定该客户的相关权益,而联邦机器学习又名联邦学习,联合学习,联盟学习。联邦机器学习是一个机器学习框架,能有效帮助多个金融机构在满足用户隐私保护、数据安全和政府法规的要求下,构建联邦学习网络,进行数据使用和机器学习建模,现有技术中没有将金融机构的客户信用风险分析与联邦学习结合在一起,从而在一定程度上不能够起到在保证数据安全与保护数据隐私的情况下,打破数据孤岛,训练金融机构客户信用风险预测模型并对未来数据进行预测的作用。
发明内容
发明目的:提供一种基于联邦学习的金融机构客户信用风险分析方法及系统,以解决现有技术存在的上述问题。
技术方案:
一种基于联邦学习的金融机构客户信用风险分析方法,该方法包括以下步骤:
S1:客户端设有多个,服务端管理各个客户端的地址和版本,各个客户端使用神经网络模型,各个客户端训练库的数据规模和数据特征存在差异;
S2:客户端在服务端进行认证,向服务端上报特征列数量,特征行条数,不涉及隐私数据,服务端的模型预处理配置使各个客户端的神经网络参数对齐;
S3:服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现模型闭环的流程管控;
S4:客户端通过Http接口访问服务端,客户端实时获取服务端命令,服务端对各个客户端的接入请求进行权限管理;
S5:对于认证过的客户端,允许该客户端进行模型训练、上报模型、聚合模型以及上报预测结果等请求;对于未经认证不合法的请求,进行断开关闭;
S6:服务器中的版本管理实时监测和判断接入的客户端的版本,并及时对版本进行升级操作。
一种分析系统,包括客户端和服务端,所述客户端通过网络接口访问服务端,所述服务端管理客户端地址和版本,服务端实时配置客户端的认证信息;
所述客户端包括框架应用、训练应用和预测应用;
所述服务端包括框架服务、版本服务和模型服务。
在进一步的实施例中,所述网络接口为Http接口。
在进一步的实施例中,所述框架应用、训练应用、预测应用、框架服务、版本服务和模型服务均包括网络模块和存储模块,所述网络模块用于链接客户端和服务端,所述存储模块用于存储数据。
在进一步的实施例中,所述框架应用和框架服务均包括模型模块A;
所述框架应用还包括版本管理模块,所述框架服务还包括权限模块;
所述模型模块A包括模型预处理和模块参数管理,所述框架应用通过网络模块向框架服务发起Http访问,实现模型预处理,版本维护功能。
在进一步的实施例中,所述版本服务还包括版本模块,所述版本模块包括客户端管理、版本参数和版本生成器,所述版本服务用于判断从客户端管理处收集的客户端版本参数是否满足版本需求,所述版本生成器用于生成版本。
在进一步的实施例中,所述模型服务还包括模型模块B,所述模型服务用于实现模型管理的闭环;
所述训练应用还包括模型模块C,所述预测应用还包括模型模块D,所述的模型模块B、模型模块C和模型模块D均包括神经网络。
在进一步的实施例中,所述模型模块B还包括聚合管理、训练管理和预测管理。
在进一步的实施例中,所述模型模块C还包括训练逻辑和训练集管理。
在进一步的实施例中,所述模型模块D还包括预测逻辑和预测集管理。
本发明的有益效果:
(1)模型训练和预测使用人工智能神经网络,客户端之间无数据交互,本发明可以在保证数据安全与保护数据隐私的情况下,打破数据孤岛,训练金融机构客户信用风险预测模型并对未来数据进行预测;模型闭环管理,服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现闭环的流程管控;
(2)联邦学习系统的客户端,使用神经网络模型,对客户端本地的金融机构客户信用数据进行模型训练,各个客户端训练库的数据规模和数据特征存在差异,只需上报特征列数量,特征行条数,不涉及隐私数据,通过服务端的模型预处理配置,使各个客户端神经网络参数对齐;
(3)版本管理,联邦学习系统的自更新是部署和运维方面的重点,版本管理实时判断各个客户端的版本,及时进行升级操作,确保参与联邦学习的金融机构使用最新的系统服务。
附图说明
图1是本发明的总体图。
图2是本发明的框架服务图。
图3是本发明的框架应用图。
图4是本发明的版本服务图。
图5是本发明的模型服务图。
图6是本发明的训练应用图。
图7是本发明的预测应用图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
以下结合附图对本发明作进一步详细说明。
参照图1-7,为本发明公开的一种基于联邦学习的金融机构客户信用风险分析方法,该方法包括以下步骤:
S1:客户端设有多个,服务端管理各个客户端的地址和版本,各个客户端使用神经网络模型,各个客户端训练库的数据规模和数据特征存在差异;
S2:客户端在服务端进行认证,向服务端上报特征列数量,特征行条数,不涉及隐私数据,服务端的模型预处理配置使各个客户端的神经网络参数对齐;
S3:服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现模型闭环的流程管控;
S4:客户端通过Http接口访问服务端,客户端实时获取服务端命令,服务端对各个客户端的接入请求进行权限管理;
S5:对于认证过的客户端,允许该客户端进行模型训练、上报模型、聚合模型以及上报预测结果等请求;对于未经认证不合法的请求,进行断开关闭;
S6:服务器中的版本管理实时监测和判断接入的客户端的版本,并及时对版本进行升级操作。
一种分析系统,该系统是基于一种基于联邦学习的金融机构客户信用风险分析方法上,包括客户端和服务端,所述客户端通过网络接口访问服务端,所述网络接口为Http接口;所述服务端管理客户端地址和版本,服务端实时配置客户端的认证信息;服务端展示各个客户端的训练、预测结果;
所述客户端包括框架应用、训练应用和预测应用;所述服务端包括框架服务、版本服务和模型服务;所述框架应用、训练应用、预测应用、框架服务、版本服务和模型服务均包括网络模块和存储模块,所述网络模块用于链接客户端和服务端,所述存储模块用于存储数据;所述框架应用和框架服务均包括模型模块A;所述框架应用还包括版本管理模块,所述框架服务还包括权限模块;所述模型模块A包括模型预处理和模块参数管理,所述框架应用通过网络模块向框架服务发起Http访问,框架应用是在客户端运行的基础服务,实现模型预处理,版本维护功能;
所述版本服务还包括版本模块,所述版本模块包括客户端管理、版本参数和版本生成器,所述版本服务用于判断从客户端管理处收集的客户端版本参数是否满足版本需求,所述版本生成器用于生成版本;版本服务是在服务端运行的,负责客户端版本管理的功能,实时判断接入的客户端是否满足版本需求,否则及时继续版本更新操作;
所述模型服务还包括模型模块B,所述模型模块B还包括聚合管理、训练管理和预测管理,模型服务是在服务端运行的,负责模型预处理,模型聚合,训练、预测结果存储的功能,所述模型服务用于实现模型管理的闭环;所述训练应用还包括模型模块C,所述模型模块C还包括训练逻辑和训练集管理,训练应用是在客户端运行的模型训练功能,负责将本地的客户信用风险数据依据神经网络模型要求,进行模型训练;所述预测应用还包括模型模块D,所述的模型模块B、模型模块C和模型模块D均包括神经网络;所述模型模块D还包括预测逻辑和预测集管理,预测应用是在客户端运行的数据预测功能,从模型服务下载聚合模型,使用本地的客户信用风险数据预测风险可能性并上报模型预测结果。
综上所述,模型训练和预测使用人工智能神经网络,客户端之间无数据交互,本发明可以在保证数据安全与保护数据隐私的情况下,打破数据孤岛,训练金融机构客户信用风险预测模型并对未来数据进行预测;模型闭环管理,服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现闭环的流程管控;联邦学习系统的客户端,使用神经网络模型,对客户端本地的金融机构客户信用数据进行模型训练,各个客户端训练库的数据规模和数据特征存在差异,只需上报特征列数量,特征行条数,不涉及隐私数据,通过服务端的模型预处理配置,使各个客户端神经网络参数对齐;版本管理,联邦学习系统的自更新是部署和运维方面的重点,版本管理实时判断各个客户端的版本,及时进行升级操作,确保参与联邦学习的金融机构使用最新的系统服务。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量,由此,限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括至少一个该特征。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种基于联邦学习的金融机构客户信用风险分析方法,其特征在于:该方法包括以下步骤:
S1:客户端设有多个,服务端管理各个客户端的地址和版本,各个客户端使用神经网络模型,各个客户端训练库的数据规模和数据特征存在差异;
S2:客户端在服务端进行认证,向服务端上报特征列数量,特征行条数,不涉及隐私数据,服务端的模型预处理配置使各个客户端的神经网络参数对齐;
S3:服务端管理训练前各个客户端的模型预处理,管理客户端训练后的模型参数合并,实现模型闭环的流程管控;
S4:客户端通过Http接口访问服务端,客户端实时获取服务端命令,服务端对各个客户端的接入请求进行权限管理;
S5:对于认证过的客户端,允许该客户端进行模型训练、上报模型、聚合模型以及上报预测结果等请求;对于未经认证不合法的请求,进行断开关闭;
S6:服务器中的版本管理实时监测和判断接入的客户端的版本,并及时对版本进行升级操作。
2.一种基于如权利要求1所述的分析方法的分析系统,其特征在于:包括客户端和服务端,所述客户端通过网络接口访问服务端,所述服务端管理客户端地址和版本,服务端实时配置客户端的认证信息;
所述客户端包括框架应用、训练应用和预测应用;
所述服务端包括框架服务、版本服务和模型服务。
3.根据权利要求2所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述网络接口为Http接口。
4.根据权利要求2所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述框架应用、训练应用、预测应用、框架服务、版本服务和模型服务均包括网络模块和存储模块,所述网络模块用于链接客户端和服务端,所述存储模块用于存储数据。
5.根据权利要求2所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述框架应用和框架服务均包括模型模块A;
所述框架应用还包括版本管理模块,所述框架服务还包括权限模块;
所述模型模块A包括模型预处理和模块参数管理,所述框架应用通过网络模块向框架服务发起Http访问,实现模型预处理,版本维护功能。
6.根据权利要求2所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述版本服务还包括版本模块,所述版本模块包括客户端管理、版本参数和版本生成器,所述版本服务用于判断从客户端管理处收集的客户端版本参数是否满足版本需求,所述版本生成器用于生成版本。
7.根据权利要求2所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述模型服务还包括模型模块B,所述模型服务用于实现模型管理的闭环;
所述训练应用还包括模型模块C,所述预测应用还包括模型模块D,所述的模型模块B、模型模块C和模型模块D均包括神经网络。
8.根据权利要求7所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述模型模块B还包括聚合管理、训练管理和预测管理。
9.根据权利要求7所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述模型模块C还包括训练逻辑和训练集管理。
10.根据权利要求7所述的基于联邦学习的金融机构客户信用风险分析系统,其特征在于:所述模型模块D还包括预测逻辑和预测集管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597114.5A CN114372864A (zh) | 2021-12-24 | 2021-12-24 | 基于联邦学习的金融机构客户信用风险分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597114.5A CN114372864A (zh) | 2021-12-24 | 2021-12-24 | 基于联邦学习的金融机构客户信用风险分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372864A true CN114372864A (zh) | 2022-04-19 |
Family
ID=81141698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111597114.5A Pending CN114372864A (zh) | 2021-12-24 | 2021-12-24 | 基于联邦学习的金融机构客户信用风险分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372864A (zh) |
-
2021
- 2021-12-24 CN CN202111597114.5A patent/CN114372864A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nowak et al. | Verticals in 5G MEC-use cases and security challenges | |
BR112019015066A2 (pt) | Sistema de conexões universais de bchain todos/tudo/toda parte | |
US8260900B2 (en) | Network operation management | |
CN109255255A (zh) | 基于区块链的数据处理方法、装置、设备和存储介质 | |
CN107317730A (zh) | 用于监控区块链节点状态的方法、设备和系统 | |
CN104718526A (zh) | 安全移动框架 | |
Zhang et al. | Construction site information decentralized management using blockchain and smart contracts | |
CN105554059A (zh) | 基于北斗导航技术的物流运输智能感知与位置服务系统 | |
CN101951384B (zh) | 一种分布式安全域逻辑边界保护方法 | |
CN109285067A (zh) | 一种基于车辆管理的风控平台 | |
CN105493093A (zh) | 用于促进对资源的动态的基于上下文访问控制的机制 | |
CN110084048B (zh) | 一种银行统一用户管理的实现方法 | |
CN101657807A (zh) | 用于动态控制对网络的访问的方法和系统 | |
CN109376275A (zh) | 用于监控区块链上的业务指标的方法、装置及介质 | |
Ma et al. | A blockchain-based risk and information system control framework | |
CN107103479A (zh) | 金融交易实时反欺诈系统 | |
CN109460003A (zh) | 车辆故障预测建模方法及系统 | |
CN107294955A (zh) | 电子文件加密中间件管控系统及方法 | |
CN110033387A (zh) | 基于区块链的理赔数据处理方法、装置、介质及电子设备 | |
Aboolian et al. | Responsive make‐to‐order supply chain network design | |
Feng et al. | Vulnerability-aware task scheduling for edge intelligence empowered trajectory analysis in intelligent transportation systems | |
Sathish et al. | A survey on Blockchain mechanisms (BCM) based on internet of things (IoT) applications | |
CN114372864A (zh) | 基于联邦学习的金融机构客户信用风险分析方法及系统 | |
CN105741444B (zh) | 基于Linux系统金融自助设备的应用认证方法和装置 | |
Majeed et al. | Devising a secure architecture of internet of everything (IoE) to avoid the data exploitation in cross culture communications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |