第一财经专访李旭阳：反诈骗、管控金融风险，腾讯安全发力联邦学习技术

近年来，金融机构积极拥抱金融科技，大规模的信息化、网络化建设逐渐开展，依托网络和信息系统的技术支撑，被更加广泛地运用于金融机构的内部经营管理之中。

然而，伴随技术的进步和业务的创新，金融机构在推出更符合客户需求业务的同时，也将面临更多的操作风险。顺应技术发展趋势，网络诈骗手段变得更加专业化、公司化、链条化，犯罪手段也更加智能，这就为金融机构的风险管控带来了巨大挑战。

近日，腾讯安全副总裁李旭阳在接受第一财经专访时表示：“联邦学习将在隐私保护和数据合规的情况下进行内外部的大数据合作，在加强金融机构管控风险能力的同时，有效解决数据应用困局。”

来源：第一财经

记者：易柏伶

做好贷前、贷中、贷后风险管理，是银行和金融机构关心的核心命题。随着许多业务由线下转移至线上，如何从海量线上用户中筛选出合适的客户进行放贷让银行倍感压力。

在接受第一财经记者专访时，腾讯安全副总裁李旭阳表示，联邦学习的出现成为了解决该难题的“利器”，以数据可用不可见的方式，在数据不出本地的情况下，让不同利益方数据实现串联，打破数据孤岛，为银行和金融机构提供更科学的风险管理方式。

“联邦学习”最早由谷歌科学家H.Brendan McMahan于2016年提出，又名“联邦机器学习”，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模，降低了传统中心化机器学习带来的隐私泄露风险和因数据泄露带来的相应成本。

据了解，联邦学习是基于数据隐私保护的安全计算框架，是一系列技术实现的统称，为机器学习、深度学习、迁移学习算法提供安全计算支持。安全底层支持同态加密、秘密共享、哈希散列等多方安全计算机制，算法层支持多方安全计算模式下的逻辑回归、Boosting、联邦迁移学习等。

假设有两个不同的企业各自拥有不同数据，按照欧洲GDPR用户隐私准则，不能粗暴地将双方数据加以合并。联邦学习可以做到各个企业的自有数据不出本地，然后通过联邦系统进行加密机制下的参数交换，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型，这个虚拟模型就好像能达到数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候，数据本身不移动，也不泄露隐私和影响数据合规。这样，建好的模型在各自的区域仅为本地的目标服务。

李旭阳称，在海量线上用户中，要想低成本地筛选客户，需要应用大数据和AI算法。腾讯安全利用其多年的互联网反诈骗技术的积累，为银行风控体系做多因子，使得银行在其原有风控体系上进一步提升风控水平。

腾讯反诈骗技术积累的突破可追溯到2015年，腾讯安全反诈骗实验室和中国联通达成合作并在深圳开展试点。通过网址云、号码云、APK云检测等技术，实验室将其在号码云上多年的经验移植到打击电信诈骗上，智能反电话诈骗盒子“鹰眼”就在那时诞生。

李旭阳介绍，诈骗行为有一些固定的行为模式，反映到数据上来，就能提炼出特征模型。如在诈骗侧，犯罪分子通常聚集在一个窝点、打电话呈批量特性，利用这些地理位置、通话频率等数据上的特征，根据话单序列，通过概率事件的计算方法，腾讯反诈骗实验室可以对诈骗团伙进行识别。

据了解，合作期间，深圳联通信息诈骗中涉案金额由最初的26%下降到6%，最为严重的冒充公检法诈骗案中，诈骗案件金额降低了80%。

反诈骗技术应用于金融领域，并不是简单的平移，考虑的因素更多，面临场景复杂度也更高。李旭阳坦言，“今后利用知识图谱、大量的机器学习、AI方法来识别金融诈骗的频率会越来越高。以前偏统计学的小概率事件尚且能通过简单的平移来做，但现在数据量太大，数据动辄上千维，有用的几十维，完全利用传统的方法已经不可行，所以现在基本都用AI的方式处理大数据，帮助银行进行风控。”

在反诈骗领域，通过网络社交平台、电话、短信等渠道获取信息的过程称为信息流。假设诈骗成功，后续银行转帐等还涉及资金流、人员流和设备流。“而腾讯、其他互联网企业，三大运营商，银行等，每一家的数据因为受政策法律的限制，都不能共享。如果这几家数据都打通，相对来说做反诈会更容易。”

联邦学习是一项公开的底层技术，许多互联网企业都有所布局。李旭阳表示，未来联邦学习还将应用到普惠金融的推行中。

8月6日，央行公布了北京金融科技创新监管第二批11个试点名单，腾讯安全灵鲲与浦发银行、北京金控共同合作的“多方数据学习‘政融通’在线融资项目”成功入选，成为全国首个基于联邦学习的普惠金融试点应用。（详情点击☞腾讯灵鲲成功入选北京金融科技创新监管第二批试点名单）

李旭阳透露，在政府普惠金融领域，腾讯安全后续或将与顺德、宜昌、湖州等地合作。在反诈领域，利用其原有黑灰产知识图谱，未来也会与其他企业达成合作。“比如珍爱网、快手等，通过联邦学习去发现并抵御诈骗。”