基于联邦学习隐私保护的异常金融账户检测方法及装置

本申请涉及计算机信息处理，特别是涉及一种基于联邦学习隐私保护的异常金融账户检测方法及装置。

背景技术：

1、随着人工智能技术的快速发展，可以通过机器学习的方法去检测金融机构中用户账户的异常，从而实现更高要求的个人财产安全保障以及减少非法资金流动的危害。机器学习模型的训练需要庞大的训练数据以及更多维度的特征作为支撑。大数据和云计算的迅猛发展，使得人们对数据安全以及数据隐私的要求进一步提高，尤其像在金融等领域对用户个人隐私数据安全的要求更高。而且不同金融机构之间为保护自身利益以及敏感信息的隐私性不会共享本地私有数据，进而导致数据孤岛的形成，而且单一的金融机构用本地数据进行训练模型检测异常账户，无法达到预想的效果。联邦学习是一种协作式机器学习框架，参与协作的节点利用本地数据训练模型，通过参数聚合实现多来源数据的预测效果。联邦学习能够在多方数据源配合的场景下协同训练全局最优模型，近年来得到广泛关注，成为安全机器学习领域的研究热点。但是存在梯度参数上传至中央服务器过程中存在隐私泄露的风险。

2、基于联邦学习的异常金融账户检测方法中最重要的因素是用户账户数据的特征维度的选择和提取以及训练模型后的梯度参数保护。传统的联邦学习采用逻辑回归模型对异常账户进行分类，在实际应用中，当数据的特征较少且线性可分时，逻辑回归可以是一个简单而有效的分类器，并且具有较低的计算复杂度。但对于特征较多或非线性数据，更复杂的模型通常能够提取更多复杂的特征。传统的联邦学习梯度参数是通过同态加密这种密码学方法来实现，但是对于复杂的数据和操作，加密算法的运行时间相对较长，导致较大的计算开销，其计算开销和加密文本大小的增加，可能对系统性能产生影响。同时同态加密不适合对于更复杂的计算如逻辑运算和非线性函数。差分隐私机制是在梯度参数的基础之上增加一定的噪声来实现对本地梯度参数的保护，而且增加的噪声对原始梯度的影响很小。

技术实现思路

1、为了解决上述技术问题，本发明提供一种基于联邦学习隐私保护的异常金融账户检测方法及装置，能够提高检测异常金融账户的准确性，并提高数据隐私保护的强度。

2、本发明采用如下技术方案：

3、一方面，一种基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，包括：

4、在联邦学习分布式网络的参与节点中，获取用户账户特征数据；

5、基于用户账户特征数据，在参与节点中对cnn卷积神经网络模型进行训练，得到参与节点的梯度参数信息；

6、在参与节点中，将梯度参数信息利用差分隐私保护机制添加高斯噪声，得到保护的梯度参数信息；

7、参与节点将保护的梯度参数信息上传至联邦学习分布式网络的参数聚合节点进行聚合，得到聚合梯度参数信息；

8、参数聚合节点将聚合梯度参数信息分发给各参与节点，将聚合梯度参数拟合到联邦学习异常金融账户检测模型并进行训练；

9、基于训练后的联邦学习异常金融账户检测模型，对用户账户进行检测。

10、优选的，在联邦学习分布式网络的参与节点中，获取用户账户特征数据，包括：

11、在各个金融机构参与节点的本地数据库中，采集用户账户相关信息；

12、对用户账户信息进行分析，获取用户账户特征数据；所述用户账户特征数据包括登录、交易、余额、类型以及账户信用。

13、优选的，每个用户账户特征数据，包括用户账户标签以及用户账户特征；一个用户账户特征数据中包括n个用户账户特征和一个用户账户标签，为如下格式：(账户标签，账户特征1，账户特征2，……，账户特征n)。

14、优选的，基于账户特征数据，在参与节点中对cnn卷积神经网络模型进行训练，得到参与节点的梯度参数信息，包括：

15、将用户账户的特征数据及特征数据衍生出的相关维度信息作为模型输入，在参与节点中输入到cnn卷积神经网络模型进行训练；

16、得到cnn卷积神经网络训练时参数求解过程的梯度参数信息。

17、优选的，将梯度参数信息利用差分隐私保护机制添加高斯噪声，得到保护的梯度参数信息，具体如下：

18、

19、其中，表示得到保护的本地梯度参数信息；wi表示cnn卷积神经网络模型得到的本地梯度参数信息；ni(0,σ2)表示；σ2表示方差；σ2是通过调整隐私预算ε和敏感度δf的值来计算的。

20、另一方面，一种基于联邦学习隐私保护的异常金融账户检测装置，包括：

21、用户账户数据获取模块，被配置为在联邦学习分布式网络的参与节点中，获取用户账户特征数据；

22、梯度参数信息确定模块，被配置为基于账户特征数据，在参与节点中对cnn卷积神经网络模型进行训练，得到参与节点的梯度参数信息；

23、梯度参数隐私保护模块，被配置为在参与节点中，将梯度参数信息利用差分隐私保护机制添加高斯噪声，得到保护的梯度参数信息；

24、保护梯度参数聚合模块，被配置为参与节点将保护的梯度参数信息上传至联邦学习分布式网络的参数聚合节点进行聚合，得到聚合梯度参数信息；

25、模型确定模块，被配置为参数聚合节点将聚合梯度参数信息分发给各参与节点，将聚合梯度参数拟合到联邦学习异常金融账户检测模型并进行训练；

26、异常金融账户检测检测模块，被配置为基于训练后的联邦学习异常金融账户检测模型，对用户账户进行检测。

27、再一方面，一种电子设备，包括：一个或多个处理器、存储器及存储在存储器上并能在处理器上运行的计算机程序，当所述处理器执行所述程序时实现所述基于联邦学习隐私保护的异常金融账户检测方法。

28、又一方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于联邦学习隐私保护的异常金融账户检测方法的步骤。

29、本发明具有如下有益效果：

30、(1)本发明提出的异常金融账户检测方法通过基于多维度的cnn卷积神经网络模型来提取深层特征，而且通过联邦学习的范式可以引入更多异常账户的数据，能够大大提高模型训练的准确率；

31、(2)本发明提出的异常金融账户检测方法通过对参与节点训练模型得到的梯度参数使用差分隐私保护机制增加一定的噪声对梯度扰动来实现数据隐私保护，而且一定的扰动不会对模型的准确率产生影响，同时起到隐私保护的作用，即使攻击者获得了一些信息，也很难还原原始数据。

32、为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

技术特征：

1.一种基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，包括：

2.根据权利要求1所述的基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，在联邦学习分布式网络的参与节点中，获取用户账户特征数据，包括：

3.根据权利要求1所述的基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，每个用户账户特征数据，包括用户账户标签以及用户账户特征；一个用户账户特征数据中包括n个用户账户特征和一个用户账户标签，为如下格式：(账户标签，账户特征1，账户特征2，……，账户特征n)。

4.根据权利要求1所述的基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，基于账户特征数据，在参与节点中对cnn卷积神经网络模型进行训练，得到参与节点的梯度参数信息，包括：

5.根据权利要求1所述的基于联邦学习隐私保护的异常金融账户检测方法，其特征在于，将梯度参数信息利用差分隐私保护机制添加高斯噪声，得到保护的梯度参数信息，具体如下：

6.一种基于联邦学习隐私保护的异常金融账户检测装置，其特征在于，包括：

7.一种电子设备，包括：一个或多个处理器、存储器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，当所述处理器执行所述程序时实现权利要求1-5任一项所述的方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～5中任一所述方法的步骤。

技术总结
本发明提供一种基于联邦学习隐私保护的异常金融账户检测方法及装置，方法包括对参与节点提供的数据特征进行特征转化，提取出符合用于构建异常金融账户检测模型的数据特征输入；根据用户特征数据在参与节点对CNN模型进行训练，确定模型梯度参数；将梯度参数利用差分隐私添加高斯噪声，并将加噪后的梯度参数信息上传到聚合节点进行参数聚合，确定聚合梯度参数；将聚合梯度信息分发给各参与节点，拟合到本地模型进行新一轮的训练；根据训练联邦学习CNN异常金融账户检测模型，对金融账户进行识别。本发明能够提高检测异常金融账户的准确性，并提高数据隐私保护的强度。

技术研发人员：郭荣新,冯建龙,廖生龙,汤婉婷,张佳源,吴金飞
受保护的技术使用者：华侨大学
技术研发日：
技术公布日：2024/2/25