为应对金融风控业务中黑名单局限、建模使用数据样本不足、单家机构风控水平有限以及数据安全保护等问题，某股份制银行牵头发起，与多家中小型银行机构开展反欺诈场景合作，基于瑞莱智慧隐私保护计算平台，帮助各银行机构在数据不出库、客户隐私不泄露的前提下实现了黑名单共享、金融联盟风控反欺诈共建。通过凝聚更多中小银行的科技优势，合力打造金融服务生态圈，提升行业风控水平。

银行的风控能力一直被视为核心能力，但中小银行在风控技术和经验上存在明显劣势。当前，中小银行当前开展业务所积累的黑名单较为局限，无法精准高效的识别不良客户，在构建反欺诈模型的过程中积累的欺诈样本不足，无法支撑其构建效果优良的交易反欺诈模型，导致反欺诈工作开展的效果欠佳。

应用需求

为了应对这些问题，某股份制银行牵头发起，与银行同业机构间开展反欺诈场景合作，通过与瑞莱智慧紧密合作，借助于联邦学习等隐私计算技术，以合规安全的方式实现了不同数据源的融合，保证各家中小银行在数据不出库、客户隐私不泄露的情况下实现了联合建模、特征共享，并初步探究欺诈黑名单的共享机制，促进了合作机构间反欺诈水平的提升。

方案优势

瑞莱智慧RealSecure平台综合运用多方安全计算、联邦学习、可信执行环境等技术，实现数据可用不可见，解决跨机构数据合作过程中的数据安全和隐私保护问题，驱动联合风控、联合营销等金融场景业务增长。该平台由瑞莱智慧团队自主研发，依托编译器架构与全同态加密两大核心突破，在性能、安全性与兼容性等方面实现多重提升，具有多项领先的技术优势和独创的功能特点：

第一，搭载首创的联邦AI编译器，实现了传统算法的自动编译，可以直接复用各类机构和企业现有的数据开发基础，实现算法和应用的一脉相承、机器学习生态与隐私保护机器学习生态的和谐统一；

第二，具有世界领先的全同态加密技术、性能卓越的数据对齐技术、全新的匿踪查询实现路径、自动超参数调优引擎等核心技术，并通过自动寻踪最优计算路径和高效的自研加密算法，实现了卓越的密文计算能力；

第三，独创以底层数据流图的视角揭示算法和对应的分布式联邦学习的联系，使得运算流程透明可见、可审计，并通过数据流图变换完成两者间的自动转换；

第四，面向使用者提供“协议模型及安全性假设、技术实现原理、数据抓包监测、运算日志审计”的全方位安全评估验证，共同驱动极致安全与效能；

第五，拥有维度丰富的数据生态，各数据使用方在部署隐私保护计算节点后，无需额外开发对接，就可以快速接入，使用数据生态中的各类数据。

在整体方案实施中，参与的银行方均需部署RealSecure隐私保护计算节点，银行部署节点后，可以快速接入运营商、设备、支付类等数十类外部数据源，并基于金融特征、交易特征、行为特征等数据信息构建反欺诈模型。同时，RealSecure平台通过使用秘密分享、全同态、半同态加密等技术来确保每个计算节点在整个计算过程中都无法看到其他参与方的任何隐私信息。在此基础上，基于横向联邦和匿踪查询等功能实现了各银行机构间的反欺诈模型共建与共享。

应用效果

该案例一方面通过匿踪查询实现了银行间的黑名单安全共享，另一方面通过横向联邦帮助银行实现了欺诈样本的安全共享与模型共建。在实际的应用效果上，以反欺诈场景的模型效果为例，原银行A、银行B在本地构建的反欺诈模型，AUC值分别为0.71和0.72，KS值为0.23和0.32。相比之下通过隐私保护计算平台构建横向联邦学习得到的模型AUC和KS分别是0.74和0.35，由此可见基于隐私保护计算技术的横向联邦应用在一定程度上为金融反欺诈业务带来了显著的指标提升。

案例可推广价值

目前，联合风控是隐私计算在金融领域的一个重要应用场景。通常而言，金融机构自身拥有的业务数据难以满足金融风控的需求，同时由于不同机构之间数据分散、数据保护等原因，金融机构之间、金融机构与其他行业机构之间的数据融合壁垒较高，“数据孤岛”现象严重，金融机构的风控水平受到限制。通过利用隐私计算技术，能够在安全合规的前提下实现跨机构间的数据容融合与共享，解决单个金融机构样本量有限的问题，实现数据价值的联合挖掘，综合提升风控能力。在该案例中，多家银行在不分享明文数据和匿踪查询的基础上，各行基于自身积累数据创新性的推出了“黑名单共享+横向联邦学习”的金融联盟风控反欺诈模式，为隐私计算在金融领域更广泛的价值落地与生态构建提供借鉴意义。