同盾科技牵头制定标准，推动数据安全在金融领域应用

近日，由同盾科技、浙江大学人工智能省部共建协同创新中心、之江实验室、中信银行等单位共同发起的《联邦学习金融行业应用指南》团体标准获批通过。该标准旨在利用联邦学习技术在不进行数据汇集的情况下对数据进行安全计算提供指引，在复杂的金融业务场景下，既保障数据安全又实现数据价值挖掘，发挥金融业数据要素倍增作用。

金融业作为数据密集型行业，积极落实国家政策，深化研究数据管理机制、深度挖掘数据内在价值、深入做好数据安全保护，为金融装上数据引擎，实现多向赋能。

同盾科技合伙人、人工智能研究院院长李晓林教授表示，随着人工智能、大数据等技术的进步，金融领域数据采集手段更先进，渠道更多元，资源更丰富。同时，金融业与科技企业形成合力，不断优化数据治理，加强标准制订，强化数据保护，推动数据的精细化管理与差异化防护。《联邦学习金融行业应用指南》在这一背景下应运而生。

联邦学习是多个参与方在保证各自原始的隐私数据不出数据方定义的私有边界前提下，协作完成某项机器学习任务的机器学习模式。在智能风控、智能投顾、精准营销、企业信审等复杂的金融业务场景中，需要使用多个参与方数据进行建模活动，都可以应用联邦学习技术。

联邦学习技术在金融领域应用通常包括“联邦预处理”“联邦模型训练”和“联邦模型预测”三个阶段。同盾科技牵头发起的《联邦学习金融行业应用指南》从金融业务场景、联邦任务、联邦对象、联邦模式、联邦架构、联邦算法等角度，明确各技术要素之间的关系与应用流程，并对数据安全性提出要求。

李晓林教授表示，联邦学习技术的最大优势，就是在不进行数据汇集的情况下，通过联邦网络对多方数据进行安全计算和建模学习，从而在满足银行等金融机构“数据不出行”的前提下，实现数据驱动的智能化发展。具体来说，这一技术从以下几个方面确保数据安全：

隐私保护：个人信息均在脱敏和去标识化之后使用，充分保护消费者个人隐私，不允许参与方联邦后重标识化。

数据分级安全：对不同安全级别的数据采用不同方式进行处理，联邦参与方进行数据安全交换时不损害企业合法权益、公众权益和国家安全。协调方在进行密钥管理或计算中间数据等工作时无法获取参与方隐私信息。

数据交换安全：参与方数据交换过程中，保障数据隐私不被泄露。

网络通信安全：联邦过程中使用加密通道，保证网络安全。

协调方可信：协调方只允许执行约定的规则进行计算，辅助参与方之间进行信息传输交换，不允许存储数据和中间结果。协调方需接受监管和参与方对协调过程的审计。

计算安全：联邦算法具备计算安全性，攻击者在有限的攻击时间和计算能力下无法成功实施攻击。

李晓林教授介绍，基于联邦学习技术与理论，同盾科技人工智能研究院自主研发了知识联邦理论框架体系。目前，同盾的这一技术已经在多家国有大型银行、股份制银行等机构展开部署和测试，协助金融机构健全数据治理机制，数据模型，形成多层次、系统化的数据管理体系。未来，同盾还将积极推动创新技术应用，加强标准建设，打造开放合规的数据合作生态平台。