场景应用 | 工商银行反欺诈风险识别案例

本期很荣幸为大家带来一篇工商银行的精彩投稿。文章从背景、建模过程、落地场景、实施方案及产业价值各方面，详细介绍了隐私计算技术在金融行业反欺诈场景的应用案例。该案例对金融行业跨企业联防联控的生态体系建设、以及隐私计算在金融场景的加速落地起到了良好的示范和推动作用。

工商银行是FATE开源社区TSC Board成员和首批成员单位，本文为工商银行软件开发中心提供。感谢工商银行软件开发中心对FATE社区的支持，以下是文章详细内容~

✦

✦

电信诈骗是当前社会关注的热点问题，近年来，国家为打击治理电信诈骗，出台各项政策和法规，近期随着《中华人民共和国反电信网络诈骗法》表决通过，更加彰显国家对守护好人民钱袋子安全的决心。在金融业银行前期已纷纷建立了企业级的反欺诈体系，在机构内数据统一共享的基础上实现覆盖业务前、中、后各环节的智能反欺诈防控。然而仅使用自身数据，仍然存在数据不完整、不全面、不及时的问题。隐私计算技术，为数据要素的有效流通提供了必要手段，正在为金融行业的反欺诈构筑新的模式，即依托隐私计算技术，在金融行业内部、金融行业与其他行业有望形成“联盟式”欺诈防控合作体系，助力金融反欺诈效果的进一步提升。工商银行较早启动隐私计算平台建设，其中通过对FATE开源框架的二次开发，在反欺诈业务领域取得一定成效。

· 案例背景 ·

经对欺诈案例分析后发现，诈骗分子的异常行为在运营商侧有所留存（如频繁异地联网等），如果应用这些数据可以帮助金融机构更准确的判断欺诈风险事件。但运营商侧信息涉及大量隐私数据，若无法通过安全合规的方式开展合作，则金融机构将无法有效使用跨机构数据进行企业间反欺诈协作。联邦学习结合隐私保护技术和分布式模型训练，保证企业数据不出本地的情况下实现机器学习模型的共建共享，为跨企业、跨行业反欺诈风控提供可能。

本项目以反欺诈风险识别场景为目标，应用联邦学习技术，在我行诈骗风险特征基础上，引入运营商层面通信类特征，最终在双方数据互不出库的基础上建立联邦学习模型。该案例旨在提升行内反欺诈模型效果，更早、更准确地抓出可疑客户，为客户提供安全的金融服务。

· 案例介绍 ·

一、建模过程介绍

1、建模数据的准备

本次联邦学习建模，工行侧要提供样本标签以及近百个样本特征，运营商侧提供超50个通信类数据特征。

2、样本对齐过程

本项目使用PSI（隐私集合求交）技术实现样本对齐。 PSI的主要目标是在不泄露非双方共同客户的前提下，完成双方共有客户的筛选工作，如下图所示：

图1 反欺诈风险客户筛选图示

3、联邦建模

本项目采用基于lightgbm的纵向SecureBoost，使用双方特征和工行标签共同训练模型，用于筛选出高风险欺诈客户名单。在整个训练过程中，各自的数据互不交换，避免数据泄露；建模完成后模型分布式存储，避免模型泄露。

4、模型效果评估

筛选TOP100高风险欺诈客户的准确率较仅用行内数据特征提升38%以上，TOP500查准率同比提升35%以上。

二、落地场景和实施方案

图2 反欺诈系统欺诈检测工作流程

工行反欺诈系统每日发起批量模型预测批量，通过联邦学习平台将交易特征和运营商侧的客户特征融合计算，得到客户的欺诈风险评分。对于高欺诈风险评分的客户，工行反欺诈系统将其保存到可疑欺诈客户名单中。该名单将在各业务接入渠道生效，一旦发现交易与名单有关，则会直接进行交易终止。

· 产业价值 ·

图3 反欺诈风险识别技术的产业价值

通过隐私计算技术，可以联合运营商、大型同业机构、支付清算协会等机构合作建立反欺诈模型，推动运营商诈骗黑、灰名单的深度挖掘的试点项目：一是大幅提升了工行反欺诈模型和名单的识别精度和范围，在客户登陆、交易、改密等环节提前识别、阻断可疑客户操作，为金融行业进一步分析欺诈风险和优化反欺诈模型提供有力支撑；二是通过开放银行的反欺诈服务输出，共享防控成果，赋能同业企业客户，共建金融行业跨企业的联防联控的生态体系。

【社区征稿】

FATE（Federated AI Technology Enabler）开源社区是全球首个隐私计算联邦学习开源社区，拥有全球首个工业级安全联邦学习框架。同时FATE开源社区以“开源开放，共力创新”为愿景，汇聚更多开发者、行业专家、创新力量，共同推动联邦学习技术发展及应用实践。基于此，目前社区向广大行业从业者征稿，希望给行业从业者打造一个技术交流的平台，欢迎大家踊跃投稿（公众号后台留言或联系小助手）

【github直达】：阅读原文或复制链接https://github.com/FederatedAI/FATE即可，点击star，方便下次使用。