金融AI的隐私保护：数据不出域的3种方案
方法论：金融数据隐私保护 | 联邦学习 | 差分隐私 | 同态加密
金融数据的特殊性
银行数据是"敏感中的敏感"：
- 客户信息：姓名、身份证、手机号
- 交易数据：金额、时间、对手方
- 资产信息：存款、理财、贷款
- 行为数据：交易习惯、偏好、位置
监管要求：
- 《个人信息保护法》：数据最小化、目的明确
- 《数据安全法》：分类分级保护
- 央行规定：核心数据不得出境
方案一：联邦学习
原理
传统机器学习: 联邦学习:
┌─────────┐ ┌─────────┐
│ 银行A │ │ 银行A │
│ 数据 │ ──→ 中心 │ 数据 │ ──┐
└─────────┘ 服务器 └─────────┘ │
┌─────────┐ │
┌─────────┐ │ 银行B │ │
│ 银行B │ ──→ 训练 │ 数据 │ ──┤
│ 数据 │ └─────────┘ │ 聚合
└─────────┘ ┌─────────┐ │ 模型
│ 银行C │ │
│ 数据 │ ──┘
└─────────┘
核心：数据不动，模型动。各银行本地训练，只上传模型参数。
代码示例
# 联邦学习框架 (简化版)
class FederatedLearning:
def __init__(self, banks: List[Bank]):
self.banks = banks
self.global_model = None
def train_round(self):
"""一轮联邦训练"""
local_models = []
# 各银行本地训练
for bank in self.banks:
local_model = bank.local_train(self.global_model)
local_models.append(local_model)
# 聚合模型 (FedAvg)
self.global_model = self.aggregate(local_models)
return self.global_model
def aggregate(self, local_models: List[Model]) -> Model:
"""联邦平均"""
global_weights = {}
for key in local_models[0].weights.keys():
# 加权平均
weighted_sum = sum(
model.weights[key] * model.data_size
for model in local_models
)
total_size = sum(model.data_size for model in local_models)
global_weights[key] = weighted_sum / total_size
return Model(weights=global_weights)
适用场景
- 反欺诈模型训练（多家银行联合）
- 信用评分模型优化
- 客户画像共建
方案二：差分隐私
原理
在数据或模型中添加"噪声"，使得无法反推原始数据。
原始数据: 差分隐私后:
姓名 收入 姓名 收入
张三 10000 → 张三 10234 (加噪声)
李四 20000 李四 19876 (加噪声)
王五 15000 王五 15123 (加噪声)
代码示例
import numpy as np
class DifferentialPrivacy:
def __init__(self, epsilon: float = 1.0):
"""
epsilon: 隐私预算，越小隐私保护越强
"""
self.epsilon = epsilon
def add_noise(self, data: np.ndarray, sensitivity: float) -> np.ndarray:
"""
添加拉普拉斯噪声
Args:
data: 原始数据
sensitivity: 敏感度（最大变化量）
"""
scale = sensitivity / self.epsilon
noise = np.random.laplace(0, scale, data.shape)
return data + noise
def privatize_query(self, query_result: float,
sensitivity: float) -> float:
"""
对查询结果添加噪声
"""
scale = sensitivity / self.epsilon
noise = np.random.laplace(0, scale)
return query_result + noise
# 使用示例
dp = DifferentialPrivacy(epsilon=1.0)
# 查询平均收入 (敏感度 = 最大收入 / 人数)
avg_income = 15000
sensitivity = 50000 / 1000 # 假设最大收入5万，1000人
private_avg = dp.privatize_query(avg_income, sensitivity)
print(f"原始结果: {avg_income}")
print(f"隐私结果: {private_avg}")
适用场景
方案三：同态加密
原理
在加密数据上直接计算，结果解密后与明文计算一致。
明文计算: 密文计算:
2 + 3 = 5 E(2) + E(3) = E(5)
↓ 解密
5
代码示例
# 使用TenSEAL库 (简化示例)
import tenseal as ts
class HomomorphicEncryption:
def __init__(self):
# 创建同态加密上下文
self.context = ts.context(
ts.SCHEME_TYPE.CKKS,
poly_modulus_degree=8192,
coeff_mod_bit_sizes=[60, 40, 40, 60]
)
self.context.global_scale = 2**40
self.context.generate_galois_keys()
def encrypt(self, data: list) -> ts.CKKSVector:
"""加密数据"""
return ts.ckks_vector(self.context, data)
def decrypt(self, encrypted: ts.CKKSVector) -> list:
"""解密数据"""
return encrypted.decrypt()
def compute(self, encrypted_a: ts.CKKSVector,
encrypted_b: ts.CKKSVector,
operation: str = "add") -> ts.CKKSVector:
"""
密文计算
支持: add, multiply, dot_product
"""
if operation == "add":
return encrypted_a + encrypted_b
elif operation == "multiply":
return encrypted_a * encrypted_b
else:
raise ValueError(f"不支持的操作: {operation}")
# 使用示例
he = HomomorphicEncryption()
# 银行A加密数据
bank_a_data = [10000, 20000, 15000]
encrypted_a = he.encrypt(bank_a_data)
# 银行B加密数据
bank_b_data = [5000, 10000, 8000]
encrypted_b = he.encrypt(bank_b_data)
# 密文计算 (无需解密)
encrypted_sum = he.compute(encrypted_a, encrypted_b, "add")
# 只有授权方才能解密
result = he.decrypt(encrypted_sum)
print(f"加密计算结果: {result}")
适用场景
三种方案对比
银行实践建议
场景选择
反欺诈模型训练 → 联邦学习
监管报表统计 → 差分隐私
联合风控计算 → 同态加密
实施路径
第一步：评估（1个月）
第二步：试点（2-3个月）
第三步：推广（3-6个月）
合规要点
#隐私保护 #联邦学习 #差分隐私 #同态加密 #金融合规