隐私计算驱动数字化基础设施建设

李南青

“十四五”数字经济发展规划指出，数字经济是继农业经济、工业经济之后的主要经济形态，是以数据资源为关键要素，促进公平与效率更加统一的新经济形态。数字经济发展速度之快、辐射范围之广、影响程度之深前所未有，正推动生产方式、生活方式和治理方式发生深刻变革，成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。

在数字经济时代，如何通过数据新基建发挥数据要素价值，利用海量数据和丰富的应用场景优势，促进数字技术与实体经济深度融合，壮大经济发展新引擎，已成为社会各界共同关注的焦点。隐私计算作为数据新基建的关键底层技术之一，灵活组合区块链、人工智能、大数据、云计算等创新技术，可以根据具体场景中的不同需求，解决数据的安全存储、可信传输、协同生产三大核心问题，助力实现数据价值的可信流通和协同应用，促进数据这一新型生产要素的经济价值最大化。

基于此，银行业作为金融市场的重要组成部分，既是新技术的推动者，也是新技术的受益者，对于推动隐私计算发展、引领数字经济进步责无旁贷。近年来，随着《中华人民共和国数据安全法》（以下简称《数据安全法》）和《中华人民共和国个人信息保护法》（以下简称《个人信息保护法》）的出台，在日趋严格的合规监管、日渐强化的政策引导以及日益旺盛的市场需求等多重背景下，金融机构亟须通过隐私计算化解隐私安全保障与数据价值流通之间的矛盾，建设安全可信的金融数据生态，从而推动我国金融数据融合应用迈入快速发展的新阶段。

隐私计算赋能数据隐私保护与商业价值

对于金融机构而言，我国数据安全领域的法律强化了金融业务中的数据安全责任，对于涉及数据处理活动的金融业务提出了更全面、更具体、更完备的数据安全保护要求。同时，相关法律鼓励数据依法合理有效利用，保障数据依法有序自由流动，并提倡相关领域技术推广和商业创新。

为了应对上述挑战与机遇，提升金融业务数据的安全保护能力，金融机构应切实履行数据安全义务，积极开展包括隐私计算在内的科技驱动创新，做到数据安全与产业发展并重，以及数据保护与价值流转兼顾。

数据安全与产业发展并重

倡导数据安全与产业发展并重的战略目标离不开政府的主导和支持。金融机构在业务开展过程中，须深入研究相关法律法规及政策方针的指示精神，多措并举主动落实。

在产业发展方面，我国《数据安全法》强调了国家坚持以数据开发利用和产业发展促进数据安全，以数据安全保障数据开发利用和产业发展，并明确支持数据开发利用和数据安全技术研究，鼓励数据开发利用和数据安全等领域的技术推广和商业创新，以此建立健全数据交易管理制度，规范数据交易行为，培育数据交易市场。这为金融机构连通数据孤岛，实现跨机构数据价值融合，在风险可控的前提下发展智能化金融业务，提供了机遇。

在数据安全方面，《数据安全法》提到了广受业界关注的数据分类分级保护制度，并进一步围绕数据处理活动的各个阶段，阐明了各类主体应承担的数据安全义务。其要求建立全流程数据安全管理制度，构建完备的数据安全体系。对于开展跨机构数据协作业务，特别强调了收集数据应采取合法、正当手段，获得必要的用户授权，若违反审核义务将承担法律责任。由此可见，金融机构须基于科技创新提升数据安全流程的可行性和实施效率，并在各个数据流通环节有效落实安全保护，从而攻破数据安全的要点和难点。

数据保护与价值流转兼顾

以数据安全保障数据开发利用和产业发展，势必需要应对如何兼顾数据保护义务与价值流转需求的挑战，隐私计算为此提供了有效解法。

隨着《数据安全法》等一系列配套法律法规的逐步生效，以往简单直接的数据明文交换、明文计算协作模式，在新的合规框架下可能不再适用，且会带来显著的合规和法律风险。具体来看，金融机构的反洗钱、反欺诈、授信评估、风控、营销等主要业务，都可以通过联合多家金融机构的数据显著提升成效。但与此同时，跨机构的数据流通，也可能带来额外的非授权数据使用风险和敏感金融数据泄露风险，从而导致不满足《数据安全法》的要求。

为了消除这些风险，通过隐私计算等前沿技术升级现有数据安全体系，保障可信数据授权管理、数据价值可控流转，是促进金融数据有效利用，兼顾数据保护与价值流转的关键。

隐私计算在银行业务中的创新应用

置身于数字化转型和金融科技变革之中，银行业正在积极探索合法合规的数据挖掘和治理能力，攻坚“隐私计算”成为破局之道。

目前，隐私计算技术已广泛应用在智慧风控、智慧营销、反洗钱、反欺诈等多重普惠金融业务场景中，综合多方安全计算、联邦学习、可信计算、区块链等前沿技术，为数据流转过程中所涉及的查、算、验提供全密态数据计算能力，减少事后追责成本，促进金融数据的协同生产。

智慧风控：联合多方数据，提升风控质效

银行可利用隐私计算技术，在满足数据明文不离开本机构的合规要求下，实现跨机构隐私安全的联合计算和数据安全融合，在贷款全周期流程中实时、精准、全面地分析客户，从而识别高风险客户。

在小微企业风控场景中，为了保护用户隐私和数据安全，银行不能与合作公司直接聚合数据训练模型，而基于以联邦学习为核心的隐私计算技术，可以实现多方共同构建联合模型而无需共享数据，并且联合模型的效果比任一方单边数据建模效果要好。随着模型效果的提升，贷款不良率明显下降。

智慧营销：丰富用户画像，增强服务效果

在存量客户挖掘、异业交叉营销等场景中，由于单一金融机构拥有的数据资源有限、数据特征单一，通常难以精准、实时地分析客户偏好，难以为客户提供优质服务。对此，得益于隐私计算技术的落地应用，银行可在保障数据融合应用安全、合规的前提下，提升用户画像的效率和准确性，从而发掘潜在客户价值。

以微众银行为例，其基于以联邦学习为核心的隐私计算技术打造了一套针对拉新获客以及用户促活的营销解决方案，构建安全合规和隐私保护的营销闭环，并将其应用于多个业务。同时，利用该技术还实现了AI技术终生学习和抗攻击性，大幅提升了服务质量与效率，打造了针对用户端的智能客服机器人、智能语音机器人、智能核身解决方案，以及针对银行后端的智能质检机器人、智能培训机器人、营销助手机器人等。

反洗钱、反欺诈：数据最小化披露，护航金融安全

基于不同机构间黑名单比对的业务异常检测，是反洗钱、反欺诈合规流程中的主要手段。但鉴于金融机构客户名单的敏感性，金融机构不能泄露任何客户名单明文信息或者可以被技术破解的密文信息。隐私计算技术可以完全解决这一问题，实现黑名单比对过程中的数据最小化披露。

此外，在反洗钱场景中，银行还可以利用基于联邦学习的隐私计算技术，联合多家银行共同培育反洗钱模式。银行之间通过提供相同特征维度的数据，使数据集包含大量实证案例，保证相关模型表现良好。该技术极大地提高了相关模型的性能，显著减少了手工评审的工作量和难度。

微众银行致力于推动中国隐私计算行业高效发展

作为国内首家互联网银行，微众银行自成立起便始终以科技为核心驱动力，以“让金融普惠大众”为初心和使命，积极运用金融科技构建普惠金融新业态、新模式。包括隐私计算在内的全方位科技运用使微众银行的各项成本持续优化、效率显著提升，从而为践行普惠和服务小微奠定并夯实了基础。

2022年3月，在全球知识产权综合信息服务提供商IPRdaily与incoPat创新指数研究中心联合发布的“全球隐私计算技术发明专利排行榜（TOP100）”中，微众银行以204件专利位列排行榜第八名，在所有入选榜单的银行当中，微众银行名列全球第一。同月，微众银行凭借在隐私计算领域的前瞻性探索、卓越的产品创新能力以及优秀的技术落地能力，成为《2022年中国隐私计算行业研究报告》中唯一获评“隐私计算卓越者”的银行机构。

推动隐私计算应用落地，倡导技术开放

微众银行是中国率先投入隐私计算技术研发并走向实践的企业之一，以“区块链”“联邦学习”和“多方安全计算”三大关键技术构建隐私计算核心能力，并践行开放理念进行技术开源，大幅降低了隐私计算的应用门槛，有效拉近了隐私计算技术和行业应用的距离。

在区块链方面，微众银行在多年技术沉淀的基础上，发布的区块链核心项目已超过10个，构建了涵盖底层、中间件和应用组件的全栈技术体系。其中，由微众银行牵头研发的国产安全可控区块链底层平台FISCO BCOS，成为国家信息中心顶层设计的区块链服务网络BSN中首个国产联盟链底层框架。FISCO BCOS开源社区现已成为最大、最活跃的国产开源联盟链生态圈之一，目前汇聚超3000家企业及机构、逾7万名社区成员共建、共治、共享，社区内涌现出的产业数字化标杆应用超过200个，覆盖政务、跨境数据流通、金融、公益、医疗、教育等多个领域。

在联邦学习方面，早在2019年2月，微众银行便将自主研发的全球首个工业级联邦学习框架FATE予以正式发布，提供基于数据隐私保护的分布式安全计算框架，为机器学习、深度学习、迁移学习算法提供高性能的安全计算支持。目前，FATE已在信贷风控、客户权益定价、智慧零售、智慧医疗、监管科技等领域推动应用落地。

在多方安全计算方面，微众银行给出了场景式隐私保护解决方案WeDPR。该方案组合多种隐私保护策略，融合多方安全计算、同态加密、零知识证明、选择性披露等算法，满足多变业务流程，并围绕开放数据平台、敏感黑名单互通、联合风控、匿名投票、安全支付、隐秘竞拍等典型场景，陆续开源其中的核心算法实现。结合区块链和多方安全计算的优势，微众银行还推出多方大数据隐私计算平台WeDPR-PPC。该平台首批通过中国信息通信研究院“区块链辅助的隐私计算产品”权威评测，并创行业之先，面向全行业开放核心功能体验，助力各界伙伴在可快速迭代的实验环境中，探索隐私计算的实际效果和能力边界。

发展可信联邦学习，引领中国隐私计算技术进步

针对近年来隐私计算面临的安全、效率等挑战，微众银行持续推动从“联邦学习”到“可信联邦学习”的跨越发展，助推隐私计算应用于多种场景，降低隐私计算的成本，提升隐私计算的应用质量，从而加速隐私计算行业的发展。

可以预见，可信联邦学习是技术融合的必然走向，是能够满足用户和监管等各方面需求的分布式机器学习范式。在此范式中，隐私保护、模型性能、算法效率是核心的“三角基石”，并且与模型的决策可解释性和模型的可监管性两大支柱，共同构成了更加安全可信的联邦学习。数据安全可证明、模型性能可使用、机器学习效率可控、决策可解释、模型可监管和普惠是可信联邦学习的核心特征。

未来，以隐私计算为代表的前沿技术的普及，将推动数据安全体系的变革，显著提升數据安全流程可行性和实施效率，促进数据生产要素价值的发掘创新。作为中国隐私计算技术的领先布局者，微众银行致力于利用隐私计算驱动数字化基础设施建设升级，提升普惠金融服务质效，助力我国经济高质量发展。

（作者系微众银行党委书记、行长）

责任编辑：孙 爽