CN114782176B - 一种基于联邦学习的信贷业务推荐方法 - Google Patents

一种基于联邦学习的信贷业务推荐方法 Download PDF

Info

Publication number
CN114782176B
CN114782176B CN202210716521.1A CN202210716521A CN114782176B CN 114782176 B CN114782176 B CN 114782176B CN 202210716521 A CN202210716521 A CN 202210716521A CN 114782176 B CN114782176 B CN 114782176B
Authority
CN
China
Prior art keywords
value
credit
enterprise
financial institutions
neural network
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.)
Active
Application number
CN202210716521.1A
Other languages
English (en)
Other versions
CN114782176A (zh
Inventor
俞学劢
张金琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shuqin Technology Co Ltd
Original Assignee
Zhejiang Shuqin Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Shuqin Technology Co Ltd filed Critical Zhejiang Shuqin Technology Co Ltd
Priority to CN202210716521.1A priority Critical patent/CN114782176B/zh
Publication of CN114782176A publication Critical patent/CN114782176A/zh
Application granted granted Critical
Publication of CN114782176B publication Critical patent/CN114782176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/06—Network architectures or network communication protocols for network security for supporting key management in a packet data network
    • H04L63/062—Network architectures or network communication protocols for network security for supporting key management in a packet data network for key distribution, e.g. centrally by trusted party
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/56—Financial cryptography, e.g. electronic payment or e-cash

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及信息技术领域，具体涉及一种基于联邦学习的信贷业务推荐方法，包括：建立可信服务器，展示信贷业务产品；金融机构收集信贷业务数据；人工标注推荐等级形成样本数据，各自建立并训练神经网络模型；将模型参数加密后发送给可信服务器；可信服务器将模型参数融合；金融机构更新神经网络模型，使用样本数据进行训练，将损失值加密后发送给可信服务器；可信服务器计算全局损失值，若达到预设准确度则再次将模型参数融合完成联邦学习；企业向可信服务器提供企业信息，输入最终神经网络模型，获得最终神经网络模型的输出，按输出降序排列作为企业的信贷业务推荐结果。本发明的实质性效果是：在保证数据隐私的前提下，实现信贷业务产品推荐。

Description

一种基于联邦学习的信贷业务推荐方法
技术领域
本发明涉及信息技术领域，具体涉及一种基于联邦学习的信贷业务推荐方法。
背景技术
贷款指贷款、贴现、透支等出贷资金的总称。银行通过贷款的方式将所集中的货币和货币资金投放出去，可以满足社会扩大再生产对补充资金的需要，促进经济的发展，同时，银行也可以由此取得贷款利息收入，增加银行自身的积累。按照贷款期限分为：中长期贷款、贷款期限在超过5年，中期贷款、贷款期限在超过1年，5年以内，短期贷款、贷款期限在1年以内，透支、没有固定期限的贷款。按照贷款担保方式分为：信用贷款、担保贷款、保证贷款、按揭贷款、质押贷款和票据贴现。以及衍生的保函、科技贷款、农业贷款等产品。每种类型的信贷产品适合不同的企业。如科技企业选择相应的科技贷款会更为合适，而从事农业相关行业的企业则偏向于选择农业贷款。缺少流动资金的企业则对经营性贷款更感兴趣。为此有必要研究为企业推荐信贷业务产品的方法，以使企业选择最为合适的信贷产品，使金融更好的服务于企业经营生产。但目前每家金融机构掌握的信贷业务数据均有限，不能覆盖全部行业，因此需要在推荐信贷产品时保护金融机构的数据隐私。
如中国专利CN113409134A，公开日2021年9月17日，提供一种基于联邦学习的企业融资授信方法及装置，涉及人工智能领域，也可用于金融领域，方法包括：接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的；其技术方案能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。但其技术方案并不能为企业推荐最佳信贷业务产品。
发明内容
本发明要解决的技术问题是：目前缺乏为企业提供信贷业务产品推荐方案的技术问题。提出了一种基于联邦学习的信贷业务推荐方法，能够融合多个金融机构的历史业务数据，在保证数据隐私的前提下，为企业推荐金融业务产品。
为解决上述技术问题，本发明所采取的技术方案为：一种基于联邦学习的信贷业务推荐方法，包括：
建立可信服务器，所述可信服务器建立信贷业务展示页面，展示若干个金融机构的信贷业务产品供企业选择；
金融机构各自收集企业办理的信贷业务数据，建立信贷业务分类信息和企业信息；
金融机构将信贷业务分类信息关联企业信息，人工标注推荐等级形成样本数据，各自建立并训练神经网络模型；
若干个金融机构将神经网络模型的模型参数加密后发送给所述可信服务器；
所述可信服务器将神经网络模型的模型参数融合后发送给若干个金融机构；
金融机构使用融合后的模型参数更新神经网络模型，使用样本数据进行训练直到达到终止条件，将损失值加密后发送给可信服务器；
所述可信服务器计算全局损失值，若达到预设准确度则通知若干个金融机构再次上传模型参数，将模型参数融合后完成联邦学习，将最终神经网络模型发送给若干个金融机构；
若未达到预设准确度，则继续训练直到全局损失值达到预设准确度或者达到最大迭代数；
企业浏览信贷业务展示页面时，向所述可信服务器提供企业信息，所述可信服务器将每个信贷业务产品的信贷业务分类信息关联所述企业信息输入最终神经网络模型，获得最终神经网络模型的输出，将信贷业务产品按所述输出降序排列作为企业的信贷业务推荐结果。
作为优选，人工标注推荐等级前，所述金融机构将信贷业务分类信息关联企业信息转换为数值标签，而后人工标注推荐等级后作为样本数据。
作为优选，将信贷业务分类信息关联企业信息转换为数值标签的过程包括：
罗列信贷业务分类信息和企业信息的标签特征和数值特征，罗列标签特征的全部标签值，为每个标签值关联一个数值，将标签特征的标签值替换为数值完成标签特征转换为数值标签，将数值特征的取值范围划分为若干个取值区间，将取值区间排序，取值区间的序号即为落入区间内的数值特征的数值标签。
作为优选，若干个金融机构的神经网络模型的神经元结构相同，且每个神经元的传递函数相同，若干个金融机构的神经网络模型经各自训练后，神经元的权重和偏移值构成模型参数；
若干个金融机构将模型参数加密的方法包括：
若干个金融机构商定神经网络模型的神经元及连接的排序，第i个连接的权重记为wi，第j个神经元的偏移值记为bj；
金融机构各自统计训练神经网络模型使用的样本数据数量Nk，k表示金融机构序号，计算wi与Nk的乘积记为Wj，计算bj与Nk的乘积记为Bj；
金融机构将Wi、Bj和Nk加密后发送给可信服务器；
可信服务器计算wi=∑(wi*Nk)/∑Nk，bj=∑(bj*Nk)/∑Nk，分别作为第i个连接的权重和第j个神经元的偏移值。
作为优选，金融机构将Wi和Bj分别加上混淆值后上传，若干个金融机构之间建立若干个配对，配对的金融机构的混淆值的和为0。
作为优选，若干个金融机构生成相互抵消的混淆值的方法包括：
若干个金融机构之间随机建立多个配对，每个金融机构参与多个配对；
多个配对内的金融机构生成和为0的多对混淆值，每个金融机构将参与生成多个混淆值；
金融机构将参与生成的多个混淆值求和，作为最终混淆值。
作为优选，若干个金融机构生成相互抵消的混淆值的方法包括：
金融机构生成随机正奇数，计算随机正奇数的余弦值，公开余弦值；
每个金融机构依次与其他金融机构配对，使用余弦函数的倍角公式计算配对的两个金融机构生成的随机正奇数乘积的余弦值；
取余弦值的前预设位小数作为混淆值的绝对值，根据配对的两个金融机构公开的余弦值的大小确定混淆值的正负符号。
作为优选，所述信贷业务分类信息记录业务种类、金额区间和期限区间，所述业务种类包括信用贷款、抵押贷款、保函和票据贴现。
作为优选，所述企业信息包括企业提供的企业资产信息、历史信贷业务信息和近一年账户交易流水。
作为优选，当企业向可信服务器请求查看信贷业务展示页面时，可信服务器为企业生成临时非对称加密秘钥对，分别记为公钥和私钥，将公钥发送给企业，企业使用公钥加密企业信息后，发送给可信服务器，可信服务器使用私钥解密获得企业信息。
本发明的实质性效果是：通过融合多个金融机构的历史数据，建立联邦学习训练神经网络模型，在保证金融机构历史数据隐私的前提下，完成神经网络模型的训练，实现为企业推荐信贷业务产品；融合多个金融机构的历史数据，提高了神经网络模型的准确度，推荐信贷业务产品更为准确；借助改进的加密数据传输方案进一步提高了数据的隐私安全性。
附图说明
图1为实施例一信贷业务推荐方法流程示意图。
图2为实施例一转换数值标签过程示意图。
图3为实施例一将模型参数加密方法流程示意图。
图4为实施例一生成相互抵消混淆值方法流程示意图。
图5为实施例二生成临时非对称加密秘钥对方法流程示意图。
图6为实施例二使用公钥加密企业信息方法流程示意图。
图7为实施例二使用私钥解密获得企业信息方法流程示意图。
图8为实施例三生成相互抵消混淆值方法流程示意图。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
实施例一：
一种基于联邦学习的信贷业务推荐方法，请参阅附图1，包括：
步骤A01）建立可信服务器，可信服务器建立信贷业务展示页面，展示若干个金融机构的信贷业务产品供企业选择。信贷业务产品的种类包括信用贷款、抵押贷款、保函和票据贴现。时间上存在长期贷款、中长期贷款和短期贷款。且信贷产品的利率计算方式和还款方式均互不相同，对此，企业需要在众多的信贷产品中作出对比，选择出最适合自身情况的信贷产品。企业需要花费大量的时间获取和比对信贷产品，十分耗时费力。建立可信服务器集中为企业展示信贷业务产品，便于企业获取信贷业务的信息，不至于遗漏重要信贷信息而造成损失。
步骤A02）金融机构各自收集企业办理的信贷业务数据，建立信贷业务分类信息和企业信息。金融机构各自收集企业之前已经办理过的信贷业务数据。信贷业务分类信息记录业务种类、金额区间和期限区间，业务种类包括信用贷款、抵押贷款、保函和票据贴现。企业信息包括企业提供的企业资产信息、历史信贷业务信息和近一年账户交易流水。近一年账户交易流水进行求和，并计算近三个月的月流水均值。
步骤A03）金融机构将信贷业务分类信息关联企业信息，人工标注推荐等级形成样本数据，各自建立并训练神经网络模型。人工标注推荐等级前，金融机构将信贷业务分类信息关联企业信息转换为数值标签，而后人工标注推荐等级后作为样本数据。对于同一个企业信息，分别关联不同的信贷业务产品的信息，人工标注相应的信贷业务产品的推荐等级，即构成多个样本数据。
步骤A04）若干个金融机构将神经网络模型的模型参数加密后发送给可信服务器。神经网络模型的神经元结构和激活函数是相同的，模型参数包括每个连接的权重wki和每个神经元的偏移值bkj，其中，i表示连接的排序序号，j表示神经元的排序序号。将神经元协商排定顺序，将神经元之间的连接协商排定顺序，每个神经元将具有一个排序序号，且神经元之间的每个连接也将具有一个排序序号。k表示金融机构的序号，金融机构之间商定排序，每个金融机构被分配一个序号。
步骤A05）可信服务器将神经网络模型的模型参数融合后发送给若干个金融机构。计算wi=∑(wki*nk)/∑nk，bj=∑(bkj*nk)/∑nk，wi即为融合后神经元连接i的权重，bj即为神经元j的偏移值。nk为第k个金融机构训练神经网络模型的样本数据的数量。神经网络模型的激活函数推荐采用Relu函数，输出神经元采用Softmax函数。
步骤A06）金融机构使用融合后的模型参数更新神经网络模型，使用样本数据进行训练直到达到终止条件，将损失值加密后发送给可信服务器。终止条件至使用样本数据训练和测试神经网络模型，使神经网络模型的预测结果损失值在预设范围内，或者达到了最大迭代次数。
步骤A07）可信服务器计算全局损失值，若达到预设准确度，则通知若干个金融机构再次上传模型参数，将模型参数融合后完成联邦学习，将最终神经网络模型发送给若干个金融机构。可信服务器计算全局损失值C=∑(ck*nk)/∑nk，若全局损失值C小于预设阈值，则判定联邦学习完成。通知若干个金融机构再次上传模型参数，并再次融合后，作为最终的神经网络模型的模型参数。
步骤A08）若未达到预设准确度，则继续训练直到全局损失值达到预设准确度或者达到最大迭代数。
步骤A09）企业浏览信贷业务展示页面时，向可信服务器提供企业信息，可信服务器将每个信贷业务产品的信贷业务分类信息关联企业信息输入最终神经网络模型，获得最终神经网络模型的输出，将信贷业务产品按输出降序排列作为企业的信贷业务推荐结果。企业将自身的信息提交给可信服务器，可信服务器依次将信贷业务与企业信息关联，输入到神经网络模型中，神经网络模型将输出推荐等级。神经网络模型的输出表示向输入的企业推荐所输入的信贷业务的推荐等级。
信贷业务分类信息记录业务种类、金额区间和期限区间，业务种类包括信用贷款、抵押贷款、保函和票据贴现。企业信息包括企业提供的企业资产信息、历史信贷业务信息和近一年账户交易流水。近一年账户交易流水进行求和并计算月流水均值。如表1所示，为金融机构甲经人工标注推荐等级后的部分样本数据。
其中，企业信息的数据格式为{(动产资产折合金额,不动产资产折合金额),(信用贷款业务办理次数,抵押贷款业务办理次数,保函业务办理次数,票据贴现业务办理次数),(近一年账户交易流水总额,近三个月的月流水均值金额)}。企业A的企业信息为{(600,100),(3,0,2,0),(1200,50)}，表示企业A的动产资产折合金额的总额为600万元，不动产资产折合金额的总额为100万元。企业A曾经办理过3次信用贷款业务办理，0次抵押贷款业务办理次数，2次保函业务办理和0次票据贴现业务办理次数。企业A近一年账户交易流水总额为1200万元，近三个月的月流水均值金额50万元。相应的，企业B的企业信息为{(100,300),(1,3,4,1),(3000,200)}，表示企业B的动产资产折合金额的总额为100万元，不动产资产折合金额的总额为300万元。企业B曾经办理过1次信用贷款业务办理，3次抵押贷款业务办理次数，4次保函业务办理和1次票据贴现业务办理次数。企业B近一年账户交易流水总额为3000万元，近三个月的月流水均值金额200万元。
信贷业务分类信息的数据格式为{(业务类型,业务起始金额,业务最高金额,业务最低期限,业务最高期限)}，如银行甲提供的信贷业务产品的信贷业务分类信息为{(1,100,500,1,3)}，表示该信贷业务产品的类型为信用贷款，起始贷款金额为100万元，最高贷款金额为500万元，最低贷款年限为1年，最长贷款年限为3年。
推荐等级取值范围为[1,9]内的整数，推荐等级越高，代表信贷业务越适合该企业，进而越推荐给对应企业。
表1 金融机构甲的部分样本数据
企业信息 信贷业务分类信息 推荐等级
{(600,100),(3,0,2,0),(1200,50)} {(1,100,500,1,3)} 9
{(600,100),(3,0,2,0),(1200,50)} {(2,500,1000,3,7)} 2
{(600,100),(3,0,2,0),(1200,50)} {(3,100,900,1,3)} 8
{(600,100),(3,0,2,0),(1200,50)} {(4,300,600,2,5)} 4
{(600,100),(3,0,2,0),(1200,50)} {(1,600,1000,2,6)} 7
{(100,300),(1,3,4,1),(3000,200)} {(1,100,500,1,3)} 5
{(100,300),(1,3,4,1),(3000,200)} {(2,500,1000,3,7)} 8
{(100,300),(1,3,4,1),(3000,200)} {(3,100,900,1,3)} 3
{(100,300),(1,3,4,1),(3000,200)} {(4,300,600,2,5)} 9
{(100,300),(1,3,4,1),(3000,200)} {(1,600,1000,2,6)} 4
如对于第1条样本数据，表示对应企业A而言，信贷业务分类信息为{(1,100,500,1,3)}的信贷产品的推荐等级为9级。而信贷业务分类信息为{(2,500,1000,3,7)}的信贷产品的推荐等级为2级。同样信贷业务分类信息为{(2,500,1000,3,7)}的信贷产品对企业B的推荐等级则为8级。
企业信息和信贷业务分类信息均需要经过近似处理，舍去相关数据的小数位，使数据规整为最接近的整数，且最好接近整10倍数或整百倍数。且训练神经网络模型时，需要进一步将样本数据中的数据进行归一化处理。归一化处理的方法为：为每个字段值设置最大值，当数值小于最大值时，归一化的值为数值与最大值的商，当数值大于或等于最大值时，归一化的值等于1。
请参阅附图2，将信贷业务分类信息关联企业信息转换为数值标签的过程包括：步骤B01）罗列信贷业务分类信息和企业信息的标签特征和数值特征，罗列标签特征的全部标签值；步骤B02）为每个标签值关联一个数值，将标签特征的标签值替换为数值完成标签特征转换为数值标签；步骤B03）将数值特征的取值范围划分为若干个取值区间，将取值区间排序；步骤B04）取值区间的序号即为落入区间内的数值特征的数值标签。
本实施例中，标签特征有业务类型，数值特征有动产资产折合金额、不动产资产折合金额、信用贷款业务办理次数、抵押贷款业务办理次数、保函业务办理次数、票据贴现业务办理次数、近一年账户交易流水总额、近三个月的月流水均值金额、业务起始金额、业务最高金额、业务最低期限和业务最高期限。业务类型的标签有四个，分别为信用贷款、抵押贷款、保函和票据贴现，相应的分别关联数值标签为1至4，使用数值标签分别指代相应的特征标签。而对于动产资产折合金额、不动产资产折合金额、近一年账户交易流水总额、近三个月的月流水均值金额、业务起始金额和业务最高金额，则将数值划分为如下的区间：[0,100]、(100,200]、(200,300]、(300,400]、…、(4900,+∞)，以区间右端的值作为区间指代值。既可以直接使用指代值作为数据，也可以使用区间的序号作为数据。进行归一化时，除以5000即可，单位为万元。
若干个金融机构的神经网络模型的神经元结构相同，且每个神经元的传递函数相同，若干个金融机构的神经网络模型经各自训练后，神经元的权重和偏移值构成模型参数。请参阅附图3，若干个金融机构将模型参数加密的方法包括：
步骤C01）若干个金融机构商定神经网络模型的神经元及连接的排序，第i个连接的权重记为wi，第j个神经元的偏移值记为bj；
步骤C02）金融机构各自统计训练神经网络模型使用的样本数据数量Nk，k表示金融机构序号，计算wi与Nk的乘积记为Wj，计算bj与Nk的乘积记为Bj；
步骤C03）金融机构将Wi、Bj和Nk加密后发送给可信服务器；
步骤C04）可信服务器计算wi=∑(wi*Nk)/∑Nk，bj=∑(bj*Nk)/∑Nk，分别作为第i个连接的权重和第j个神经元的偏移值。
神经网络模型包括输入层、若干个中间层和输出层，输入层的输出即为输入的数据，第一个中间层的神经元与一个或多个输入层的神经元连接。后续中间层的神经元与前一层中间层的一个或多个神经元连接。中间层的神经元的输入为In=∑wi*xi+bj，wi为对应连接的权重，xi为所连接的上一层神经元的输出，bj为神经元的偏移值，中间层神经元的输出为Out=Relu(In)=Relu(∑wi*xi+bj)。输出层神经元与前一层中间层的若干个神经元连接，输入为所连接的神经元的输出，输入为Out=Softmax(In)。
金融机构将Wi和Bj分别加上混淆值后上传，若干个金融机构之间建立若干个配对，配对的金融机构的混淆值的和为0。
请参阅附图4，若干个金融机构生成相互抵消的混淆值的方法包括：
步骤D01）若干个金融机构之间随机建立多个配对，每个金融机构参与多个配对；
步骤D02）多个配对内的金融机构生成和为0的多对混淆值，每个金融机构将参与生成多个混淆值；
步骤D03）金融机构将参与生成的多个混淆值求和，作为最终混淆值。
本实施例中有三个金融机构参与联邦学习，分别为金融机构甲、金融机构乙和金融机构丙。甲和乙建立配对，并生成一对和为0的混淆值，分别为-90和90，分别分配给甲和乙。甲和丙也建立配对，生成一对混淆值为82和-82，分别分配给甲和丙。乙和丙同样建立配对，生成一对混淆值为32和-32，分别分配给乙和丙。最终金融机构甲的混淆值为-90+82=-8，金融机构乙的混淆值为90+32=122，金融机构丙的混淆值为-82-32=-114，三个混淆值的和整体仍然为0，金融机构甲、乙和丙，分别计算wi与Nk的乘积记为Wi，计算bj与Nk的乘积记为Bj，将各自的混淆值与Wi和Bj相加后发送给加密后发送给可信服务器。同时将Nk发送给可信服务器。可信服务器求和后再除以样本数据量的总量，获得每个连接的平均权重和每个神经元的平均偏移值。将每个连接的平均权重和每个神经元的平均偏移值发送给参与的金融机构，更新神经网络模型。而后由各个金融机构再次进行训练，直到各自训练的神经网络模型达到训练完成条件。各个金融机构上传神经网络模型的损失值，由可信服务器计算全局损失值。
若全局损失值处于预设的阈值范围内，则完成联邦学习。此时各个金融机构再次上传混淆值与Wi和Bj相加的值，可信服务器再次求得每个连接的平均权重和每个神经元的平均偏移值。发送给每个金融机构进行更新，即获得最终的神经网络模型。同时可信服务器也获得了最终的神经网络模型。企业浏览信贷业务产品时，提交企业信息给可信服务器。可信服务器将企业信息和每个信贷业务产品的信贷业务分类信息，经过预处理后，一起输入到最终的神经网络模型中，获得推荐等级。将全部信贷业务产品按照推荐等级降序排列，截取前若干个信贷业务产品，即为推荐结果。由此完成为企业推荐信贷业务产品的目的。
本实施例的效果是：通过融合多个金融机构的历史数据，建立联邦学习训练神经网络模型，在保证金融机构历史数据隐私的前提下，完成神经网络模型的训练，实现为企业推荐信贷业务产品；融合多个金融机构的历史数据，提高了神经网络模型的准确度，推荐信贷业务产品更为准确；借助改进的加密数据传输方案进一步提高了数据的隐私安全性。
实施例二：
一种基于联邦学习的信贷业务推荐方法，本实施例在实施例一的基础上，对企业信息提供了具体的保护。本实施例中，当企业向可信服务器请求查看信贷业务展示页面时，可信服务器为企业生成临时非对称加密秘钥对，分别记为公钥和私钥。将公钥发送给企业，企业使用公钥加密企业信息后，发送给可信服务器。可信服务器使用私钥解密获得企业信息。而后再将企业信息和每个信贷业务产品的信贷业务分类信息，经过预处理后，一起输入到最终的神经网络模型中，获得推荐等级。
请参阅附图5，可信服务器为企业生成临时非对称加密秘钥对的过程包括：步骤E01）可信服务器生成加密数、解密数、小数位限值和限值，加密数为小数，解密数为正奇数，加密数和解密数的乘积等于2π的整倍数加1，小数位限值为预设整数值，限值为允许加密的最大数值在十进制下的位数，记为M；步骤E02）令解密数为私钥，加密数和限值为公钥，将公钥发送给企业；步骤E03）企业使用公钥加密企业信息，将加密后的企业信息发送给可信服务器；步骤E04）可信服务器使用私钥解密获得企业信息。
其中步骤E03）中，请参阅附图6，使用公钥加密企业信息的方法包括：
步骤E31）将企业信息转换为二进制流，将二进制流按预设长度截断为若干个二进制数B，将二进制数B以十进制表示，记为Bd；
步骤E32）尝试生成辅助数，使辅助数的余弦值保留前M位小数，保留的前M位小数恰好与Bd相符，且辅助数的小数位不超过小数位限值；
步骤E33）计算辅助数与加密数乘积的余弦值作为二进制数B的密文；
步骤E34）全部二进制数B的的密文构成企业信息的密文。
在步骤E04）中，请参阅附图7，可信服务器使用私钥解密获得企业信息的方法包括：
步骤E41）使用余弦函数的倍角公式计算辅助数、加密数及解密数的乘积的余弦值，保留前M位小数，保留的前M位小数将恰好与Bd相符；
步骤E42）解密全部二进制数B的密文，获得全部二进制数B，即获得二进制流，进而获得企业信息。
本实施例采用加密数为正小数，记为正小数g，解密数为正奇数，记为正奇数e，记d*e=(10^s*k*π)_N+1，其中s为小数位限值，k为正偶数，N表示括号内的数保留N位小数。在具体实施时，本领域技术人员自行设置N的值，只要足够保证计算的准确度即可。本实施例中设置N的值为6，s的值设置为5。
可信服务器生成正小数g和正奇数e分别为g=6073746.1302726，e=3，满足g*e=(10^s*k*π)_N+1=(29*10^5*2*π)_N+1=18221238.390819。即在6位小数的精度下，g*e的乘积是29*10^5个2π周期加1的值。验证计算，任意举例cos(2.567)=-0.83941376，而cos(d*e*g*2.567)=cos(46773918.949232)= -0.83941104。误差为0.00000272，误差率为0.0003%。在误差范围内能够用于加解密。若要提高精度，则提高N的值即可。如设置N=100，将提供更高的精度。
辅助数记为小数m，保留前M位小数即计算round(10^M*cos(m))。m的小数位数受到限制，即m的小数位数需要不超过s的值。即生成小数位数不超过s的辅助数m，round(10^M*cos(m))=Bd。而后计算C=(cos(d*g*m))_N作为密文。
某个截断的二进制数B为：0010 0100，转换为十进制得到Bd=36。尝试生成小数m，使round(10^M*cos(m))=Bd。本实施例中截断的二进制数长度为1字节，即最大值为255，即Bd可能的最大长度为3位，因此M的值取3。尝试生成小数m，获得m=26.6673时，有cos(26.6673)=0.036229625079962。尝试生成m是方便快速的，且m的值并不唯一，因此本实施例提供的限时加密是一种密文不唯一的加密算法。比如m取值26.6675时，有cos(26.6675)=0.036029755658376，取值26.6674时，有cos(26.6674)=0.036129690549818，取值26.6676时，有cos(26.6676)=0.035929820406637。这些取值的共同特点是计算round(10^3*cos(m))均得到Bd=36的结果。同时m的小数位的位数均小于5。
选定m=26.6673，计算C=(cos(g*m))_N作为密文，cos(g*m)=cos(6073746.1302726*26.6673)=-0.859909163882019726095。保留6位小数，获得C=(cos(g*m))_N=-0.859909。将C=-0.859909作为二进制段的密文。全部二进制段的密文构成企业信息的密文。
可信服务器收到密文后，计算T=(cos(g*e*m)_N=(dup_e(C))_N，其中dup_e()表示余弦函数的e倍角公式，由g*e=(10^s*k*π)_N+1，则有T=(cos(10^s*k*π*m+m))_N=(cos(m))_N。计算round(10^M*T)即得验证哈希值片段的十六进制数的十进制表示Bd。全部验证哈希值片段被解密出来后，拼接即可获得完整的验证哈希值。
计算T=(cos(g*e*m)_N=(dup_e(C))_N=(cos(3*g*m)_N=(dup_3(C))_N。
已知余弦函数的倍角公式为：
cos(mx)=∑(-1)^k*m!/((2k)!*(m-2k)!)*(cosx)^(m-2k)*(sinx)^(2k)，其中m为偶数，k∈[0,m/2]。
cos(mx)=∑(-1)^k*m!/((2k)!*(m-2k)!)*(cosx)^(m-2k)*(sinx)^(2k)，其中m为奇数，k∈[0,(m-1)/2]。
获得dup_3(C)=4*C^3-3*C=0.036309602469642，取6位小数，得T=(dup_3(C))_N=0.036309，计算round(10^M*T)=round(10^3*T)=round(36.309)=36。即得Bd=36，将Bd=36转换为二进制数，得到B=36=0010 0100B。
本实施例中加密算法的安全性建立在计算给定数的余弦值快捷，且精度可自行设置，而从余弦值反向推算角度值则十分困难的规律之上。由余弦值反向推算角度值，有两种方式：穷举破解和反余弦函数计算。
穷举破解需要逐个遍历每个可能值，C=(cos(d*m))_N，其中有两个未知的变量，即d和m。尝试生成猜测值d’和猜测值m’，计算cos(d’*m’)，使cos(d’*m’)恰好与公开的密文C相同。而m是小数，且s的值较大时，如s取值100，则m的小数位最长能够有100个。假设m的整数固定为常数，且d的值为常数，仅仅遍历m的小数。由于遍历100位小数位需要进行10^100次余弦函数运算。以1GHz的计算频率，需要用时10^91秒，约3*10^82年。以537212.00Tflops的算力进行计算时， Tflops为每秒万亿次浮点运算，认为余弦函数计算与单次浮点运算时间相同，仍然需要的时间仍为2*10^82秒，约6*10^73年。可见，通过增加s的值足以应对穷举破解。
由于反余弦函数arccos的值域为[-π/2，π/2]，得到反余弦函数arccos的值后，还需要进行修正。即将arccos(C)的值与2*k*π相加。由于π为无理数，即有无数个小数位。m的值的小数位也不确定，因而无法确定m的值。更何况密文C仅保留了N位小数，超过N位的小数位被截断，是有损变换。使用C进行反余弦函数计算的结果本身即存在较大的误差。
相对于实施例一，本实施例提供了使企业的企业信息不会被泄露的高安全性的传输方法，能够有效保护企业的隐私数据。
实施例三：
一种基于联邦学习的信贷业务推荐方法，本实施例在实施例一的基础上，进一步提供了具体的安全性更高的交换混淆值的方法。请参阅附图8，若干个金融机构生成相互抵消的混淆值的方法包括：
步骤F01）金融机构生成随机正奇数，计算随机正奇数的余弦值，公开余弦值；
步骤F02）每个金融机构依次与其他金融机构配对，使用余弦函数的倍角公式计算配对的两个金融机构生成的随机正奇数乘积的余弦值；
步骤F03）取余弦值的前预设位小数作为混淆值的绝对值，根据配对的两个金融机构公开的余弦值的大小确定混淆值的正负符号。
本实施例中有三个金融机构参与联邦学习，分别为金融机构甲、金融机构乙和金融机构丙。金融机构甲、金融机构乙和金融机构丙分别生成的随机正奇数和公开的余弦值如表2所示。
表2 金融机构公开的余弦值及各自保密的正奇数
金融机构 随机正奇数r 余弦值
甲 3 -0.98999249
乙 7 0.75390225
丙 9 -0.91113026
在步骤F01）中，金融机构甲、乙和丙分别生成随机正奇数，随机正奇数以r表示，计算随机正奇数的余弦值公开。而后金融机构甲、乙和丙同时进行如下的操作：
金融机构甲首先读取金融机构乙公开的余弦值，使用余弦函数的倍角公式计算金融机构甲乙的随机正奇数的乘积的余弦值。对于甲而言，计算过程为：T_甲_乙=dup_3(0.75390225)，dup_3()表示余弦函数的3倍角公式。获得cos(r_甲*r_乙)=4*0.75390225^3-3*0.75390225=-0.54772926。直接取前3位小数作为混淆值的绝对值，即绝对值为547。由于金融机构甲公开的余弦值小于金融机构乙公开的余弦值，即-0.98999249小于0.75390225，因此金融机构甲与乙配对时，获得的混淆值为-547。
而后金融机构甲读取金融机构丙公开的余弦值，使用余弦函数的倍角公式计算金融机构甲丙的随机正奇数的乘积的余弦值。T_甲_丙=dup_3(-0.91113026)，获得cos(r_甲*r_丙)=4*-0.91113026^3-3*-0.91113026=-0.2921388。直接取前3位小数作为混淆值的绝对值，即绝对值为292。由于金融机构公开的余弦值小于金融机构公开的余弦值，即-0.98999249小于-0.91113026，因此金融机构甲与丙配对时，获得的混淆值为-292。金融机构甲将混淆值-547与混淆值-292求和，作为最终的混淆值-839。
同时的，金融机构乙读取金融机构甲公开的余弦值，使用余弦函数的倍角公式计算金融机构甲乙的随机正奇数的乘积的余弦值。对于乙而言，计算过程为：T_乙_甲=dup_7(-0.98999249)，dup_7()表示余弦函数的7倍角公式。获得cos(r_乙*r_甲)=64*-0.98999249^7-112*-0.98999249^5+56*-0.98999249^3-7*-0.98999249=-0.54772898。虽然后几位小数与金融机构甲计算的有所差别，但误差在允许范围内，直接取前3位小数作为混淆值的绝对值，即绝对值为547。由于金融机构乙公开的余弦值大于金融机构甲公开的余弦值，即0.75390225大于-0.98999249，因此金融机构乙与甲配对时，获得的混淆值为547。
同样获得因此金融机构乙与丙配对时，获得的混淆值为985。最终金融机构乙的混淆值为547和985的和，即为1532。
同时的，金融机构丙分别读取金融机构甲和金融机构乙公开的余弦值，分别计算cos(r_丙*r_甲)和cos(r_丙*r_乙)，获得相应的混淆值分别为292和-985，最终金融机构丙获得混淆值为-693。金融机构甲、乙和丙最终的混淆值满足：-839+1532-693=0，不会影响模型参数的融合计算。
相对于实施例一，本实施例提供的混淆数交换方法具有更高的安全性，能够确保金融机构的数据不被窃听，造成数据隐私的泄露。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种基于联邦学习的信贷业务推荐方法，其特征在于，包括：
建立可信服务器，所述可信服务器建立信贷业务展示页面，展示若干个金融机构的信贷业务产品供企业选择；
金融机构各自收集企业办理的信贷业地址索引字符串务数据，建立信贷业务分类信息和企业信息；
金融机构将信贷业务分类信息关联企业信息，人工标注推荐等级形成样本数据，各自建立并训练神经网络模型；
若干个金融机构将神经网络模型的模型参数加密后发送给所述可信服务器；
所述可信服务器将神经网络模型的模型参数融合后发送给若干个金融机构；
金融机构使用融合后的模型参数更新神经网络模型，使用样本数据进行训练直到达到终止条件，将损失值加密后发送给可信服务器；
所述可信服务器计算全局损失值，若达到预设准确度则通知若干个金融机构再次上传模型参数，将模型参数融合后完成联邦学习，将最终神经网络模型发送给若干个金融机构；
若未达到预设准确度，则继续训练直到全局损失值达到预设准确度或者达到最大迭代数；
企业浏览信贷业务展示页面时，向所述可信服务器提供企业信息，所述可信服务器将每个信贷业务产品的信贷业务分类信息关联所述企业信息输入最终神经网络模型，获得最终神经网络模型的输出，将信贷业务产品按所述输出降序排列作为企业的信贷业务推荐结果；
若干个金融机构的神经网络模型的神经元结构相同，且每个神经元的传递函数相同，若干个金融机构的神经网络模型经各自训练后，神经元的权重和偏移值构成模型参数；
若干个金融机构将模型参数加密的方法包括：
若干个金融机构商定神经网络模型的神经元及连接的排序，第i个连接的权重记为wi，第j个神经元的偏移值记为bj；
金融机构各自统计训练神经网络模型使用的样本数据数量Nk，k表示金融机构序号，计算wi与Nk的乘积记为Wj，计算bj与Nk的乘积记为Bj；
金融机构将Wi、Bj和Nk加密后发送给可信服务器；
可信服务器计算wi=∑(wi*Nk)/∑Nk，bj=∑(bj*Nk)/∑Nk，分别作为第i个连接的权重和第j个神经元的偏移值；
若干个金融机构生成相互抵消的混淆值的方法包括：
金融机构生成随机正奇数，计算随机正奇数的余弦值，公开余弦值；
每个金融机构依次与其他金融机构配对，使用余弦函数的倍角公式计算配对的两个金融机构生成的随机正奇数乘积的余弦值；
取余弦值的前预设位小数作为混淆值的绝对值，根据配对的两个金融机构公开的余弦值的大小确定混淆值的正负符号。
2.根据权利要求1所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
人工标注推荐等级前，所述金融机构将信贷业务分类信息关联企业信息转换为数值标签，而后人工标注推荐等级后作为样本数据。
3.根据权利要求2所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
将信贷业务分类信息关联企业信息转换为数值标签的过程包括：
罗列信贷业务分类信息和企业信息的标签特征和数值特征，罗列标签特征的全部标签值，为每个标签值关联一个数值，将标签特征的标签值替换为数值完成标签特征转换为数值标签，将数值特征的取值范围划分为若干个取值区间，将取值区间排序，取值区间的序号即为落入区间内的数值特征的数值标签。
4.根据权利要求1所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
金融机构将Wi和Bj分别加上混淆值后上传，若干个金融机构之间建立若干个配对，配对的金融机构的混淆值的和为0。
5.根据权利要求1所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
若干个金融机构生成相互抵消的混淆值的方法包括：
若干个金融机构之间随机建立多个配对，每个金融机构参与多个配对；
多个配对内的金融机构生成和为0的多对混淆值，每个金融机构将参与生成多个混淆值；
金融机构将参与生成的多个混淆值求和，作为最终混淆值。
6.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
所述信贷业务分类信息记录业务种类、金额区间和期限区间，所述业务种类包括信用贷款、抵押贷款、保函和票据贴现。
7.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
所述企业信息包括企业提供的企业资产信息、历史信贷业务信息和近一年账户交易流水。
8.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法，其特征在于，
当企业向可信服务器请求查看信贷业务展示页面时，可信服务器为企业生成临时非对称加密秘钥对，分别记为公钥和私钥，将公钥发送给企业，企业使用公钥加密企业信息后，发送给可信服务器，可信服务器使用私钥解密获得企业信息。
CN202210716521.1A 2022-06-23 2022-06-23 一种基于联邦学习的信贷业务推荐方法 Active CN114782176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716521.1A CN114782176B (zh) 2022-06-23 2022-06-23 一种基于联邦学习的信贷业务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716521.1A CN114782176B (zh) 2022-06-23 2022-06-23 一种基于联邦学习的信贷业务推荐方法

Publications (2)

Publication Number Publication Date
CN114782176A CN114782176A (zh) 2022-07-22
CN114782176B true CN114782176B (zh) 2022-10-25

Family

ID=82422502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716521.1A Active CN114782176B (zh) 2022-06-23 2022-06-23 一种基于联邦学习的信贷业务推荐方法

Country Status (1)

Country Link
CN (1) CN114782176B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
CN109656960A (zh) * 2018-09-27 2019-04-19 深圳壹账通智能科技有限公司 信贷业务的智能推荐方法、装置、终端设备及存储介质
CN110110229A (zh) * 2019-04-25 2019-08-09 深圳前海微众银行股份有限公司 一种信息推荐方法及装置
CN110399742A (zh) * 2019-07-29 2019-11-01 深圳前海微众银行股份有限公司 一种联邦迁移学习模型的训练、预测方法及装置
WO2020147965A1 (en) * 2019-01-18 2020-07-23 Huawei Technologies Co., Ltd. Enhanced privacy federated learning system
CN111553745A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于联邦的模型更新方法、装置、设备及计算机存储介质
CN113409134A (zh) * 2021-06-30 2021-09-17 中国工商银行股份有限公司 基于联邦学习的企业融资授信方法及装置
CN114625976A (zh) * 2022-05-16 2022-06-14 深圳市宏博信息科技有限公司 一种基于联邦学习的数据推荐方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113614750A (zh) * 2019-03-26 2021-11-05 华为技术有限公司 联邦学习系统中的机器学习模型的超参数优化装置和方法
CN111581663B (zh) * 2020-04-30 2022-05-03 电子科技大学 面向非规则用户的保护隐私的联邦深度学习方法
KR20220009646A (ko) * 2020-07-16 2022-01-25 한국전자통신연구원 인식 모델 성향 분석 기반 연합 학습 추천 장치 및 방법, 사용자 단말에서의 연합 학습 방법
CN112541593B (zh) * 2020-12-06 2022-05-17 支付宝(杭州)信息技术有限公司 基于隐私保护的联合训练业务模型的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109656960A (zh) * 2018-09-27 2019-04-19 深圳壹账通智能科技有限公司 信贷业务的智能推荐方法、装置、终端设备及存储介质
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质
WO2020147965A1 (en) * 2019-01-18 2020-07-23 Huawei Technologies Co., Ltd. Enhanced privacy federated learning system
CN110110229A (zh) * 2019-04-25 2019-08-09 深圳前海微众银行股份有限公司 一种信息推荐方法及装置
CN110399742A (zh) * 2019-07-29 2019-11-01 深圳前海微众银行股份有限公司 一种联邦迁移学习模型的训练、预测方法及装置
CN111553745A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于联邦的模型更新方法、装置、设备及计算机存储介质
CN113409134A (zh) * 2021-06-30 2021-09-17 中国工商银行股份有限公司 基于联邦学习的企业融资授信方法及装置
CN114625976A (zh) * 2022-05-16 2022-06-14 深圳市宏博信息科技有限公司 一种基于联邦学习的数据推荐方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Federated Learning for IoT-based Decentralized Healthcare Systems;H. Elayan, M. Aloqaily and M. Guizani;《2021 International Wireless Communications and Mobile Computing (IWCMC)》;20210809;第105-109页 *
边缘计算隐私保护研究进展;周俊等;《计算机研究与发展》;20201009(第10期);第21-45页 *

Also Published As

Publication number Publication date
CN114782176A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
US11783417B1 (en) Systems for redeeming shares in an entity holding digital math-based assets
US11568398B1 (en) Systems and methods for storing digital math-based assets using a secure portal
Thamrin et al. Blockchain-based land certificate management in indonesia
CN108768614B (zh) 基于区块链通证技术的数字学历管理方法
US20200005410A1 (en) System and Method for Facilitating Legal Review for Commercial Loan Transactions
CN107358500A (zh) 基于区块链的评价排序方法
CN109102288B (zh) 一种基于区块链和大数据的雇佣关系的评估和推荐系统
CN113268760B (zh) 一种基于区块链的分布式数据融合平台
CN114510737B (zh) 一种基于区块链的经营数据限时开放系统
CN113343284B (zh) 一种基于区块链的隐私数据共享方法
Shehada et al. The challenges facing IFRS for accounting of cryptocurrencies
WO2022018574A1 (en) System and method for assessment of crypto and digital assests
Mehmonov et al. Legal Regime of Digital Rights
YILDIRIM et al. Blockchain Technology and Its Potential Effects on Accounting: A Systematic Literature Review
Matytsin Concept and types of distance digital investment transactions in the information space
CN114782176B (zh) 一种基于联邦学习的信贷业务推荐方法
CN113034267A (zh) 一种基于供应链的电子保函系统
CN117093637A (zh) 一种电子商务交易大数据云平台
Ito et al. Bubble Prediction of Non-Fungible Tokens (NFTs): An Empirical Investigation
Ayedh et al. Implications of cryptocurrency and blockchain on auditing and accounting practices: the Malaysian experience
Barnes Blockchain redux–cracking the code on cryptocurrencies
Elhag et al. Blockchain and cryptocurrency technology in the Saudi Arabia
CN114722362B (zh) 一种基于隐私计算的贷后监督方法
CN113779622B (zh) 一种适用于多应用场景的安全数据融合系统
CN114757766B (zh) 一种基于区块链的扶贫贷款审批系统

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
GR01 Patent grant
GR01 Patent grant