聯(lián)邦學(xué)習(xí)在保險(xiǎn)行業(yè)的應(yīng)用探索

陳曉靜 楊潤(rùn)昌 洪 璟 上海對(duì)外經(jīng)貿(mào)大學(xué)金融管理學(xué)院

聯(lián)邦學(xué)習(xí)作為隱私計(jì)算的一種，一方面，可以助力保險(xiǎn)行業(yè)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷，細(xì)分客戶需求，提供差異化的保險(xiǎn)產(chǎn)品；另一方面，可以提高保險(xiǎn)行業(yè)對(duì)風(fēng)險(xiǎn)評(píng)分、風(fēng)險(xiǎn)篩查和反保險(xiǎn)欺詐監(jiān)測(cè)的風(fēng)險(xiǎn)管理能力，使更多保險(xiǎn)機(jī)構(gòu)服務(wù)中小微企業(yè)，提升服務(wù)實(shí)體經(jīng)濟(jì)的水平。同類保險(xiǎn)公司的保險(xiǎn)產(chǎn)品類似、客戶特征相近，保險(xiǎn)公司可以建立橫向聯(lián)邦學(xué)習(xí)框架，得到更加精確的風(fēng)控及定價(jià)模型。保險(xiǎn)公司與醫(yī)院、通信公司等其他行業(yè)機(jī)構(gòu)開展數(shù)據(jù)合作，建立縱向聯(lián)邦學(xué)習(xí)框架，從更多維度對(duì)客戶進(jìn)行畫像，提高業(yè)務(wù)水平，防范保險(xiǎn)欺詐。我國(guó)保險(xiǎn)業(yè)逐步進(jìn)入高質(zhì)量發(fā)展階段，需要加快轉(zhuǎn)變發(fā)展方式，以更加積極的心態(tài)迎接行業(yè)轉(zhuǎn)型，而聯(lián)邦學(xué)習(xí)則為保險(xiǎn)業(yè)創(chuàng)新發(fā)展提供了一種新思路。

一、聯(lián)邦學(xué)習(xí)在保險(xiǎn)業(yè)的應(yīng)用場(chǎng)景

聯(lián)邦學(xué)習(xí)由數(shù)據(jù)源、聯(lián)邦學(xué)習(xí)系統(tǒng)、多方客戶端三大要素構(gòu)成。聯(lián)邦學(xué)習(xí)本質(zhì)上是由各個(gè)參與方在本地將原始數(shù)據(jù)處理之后，進(jìn)行模型更新，再對(duì)各個(gè)參與方的模型進(jìn)行匯總優(yōu)化，最后將得到的優(yōu)化模型反饋給各個(gè)參與方。

根據(jù)參與方數(shù)據(jù)分布情況的不同，聯(lián)邦學(xué)習(xí)可以細(xì)分為橫向聯(lián)邦學(xué)習(xí)、縱向聯(lián)邦學(xué)習(xí)與遷移聯(lián)邦學(xué)習(xí)。橫向聯(lián)邦學(xué)習(xí)是指在參與方用戶重疊部分較少、數(shù)據(jù)特征相似性高的情況下，對(duì)數(shù)據(jù)按照橫向（用戶維度）進(jìn)行切分，并取出數(shù)據(jù)特征相似但用戶不同的部分進(jìn)行訓(xùn)練。縱向聯(lián)邦學(xué)習(xí)是指在參與方用戶重疊部分較多、數(shù)據(jù)特征相似性低的情況下，對(duì)數(shù)據(jù)按照縱向（數(shù)據(jù)特征維度）進(jìn)行切分，并取出用戶相似但數(shù)據(jù)特征不同的部分進(jìn)行訓(xùn)練。遷移聯(lián)邦學(xué)習(xí)是指在參與方用戶與數(shù)據(jù)特征重疊部分都較少的情況下，采用遷移學(xué)習(xí)代替數(shù)據(jù)切分，以規(guī)避數(shù)據(jù)切分后規(guī)模較小的問題。

根據(jù)是否具有中心服務(wù)器，聯(lián)邦學(xué)習(xí)架構(gòu)可以細(xì)分為去中心化聯(lián)邦學(xué)習(xí)架構(gòu)和中心化聯(lián)邦學(xué)習(xí)架構(gòu)。去中心化聯(lián)邦學(xué)習(xí)架構(gòu)不需要中心服務(wù)器，各個(gè)參與方將自有的原始數(shù)據(jù)在本地處理后梯度發(fā)送給下一個(gè)參與方，與其所有的數(shù)據(jù)進(jìn)行迭代。在每一個(gè)參與方都進(jìn)行迭代運(yùn)算更新模型之后，再將最終的模型分發(fā)到各個(gè)參與方，以達(dá)到聯(lián)邦學(xué)習(xí)的目的。

根據(jù)業(yè)務(wù)安全等級(jí)的不同，聯(lián)邦學(xué)習(xí)可以分為高安全等級(jí)業(yè)務(wù)和低安全等級(jí)業(yè)務(wù)。其中，高安全等級(jí)業(yè)務(wù)包括智能風(fēng)控、反保險(xiǎn)欺詐等；低安全等級(jí)業(yè)務(wù)包括智能營(yíng)銷、智能運(yùn)營(yíng)等。

（一）高安全等級(jí)業(yè)務(wù)

1.智能風(fēng)控

保險(xiǎn)公司進(jìn)行風(fēng)險(xiǎn)控制所面臨的難題主要有以下幾點(diǎn)：第一，內(nèi)部數(shù)據(jù)質(zhì)量欠佳。傳統(tǒng)保險(xiǎn)公司收集客戶信息主要通過保險(xiǎn)營(yíng)銷員進(jìn)行面對(duì)面的溝通驗(yàn)證，獲取的數(shù)據(jù)質(zhì)量參差不齊，部分?jǐn)?shù)據(jù)不能滿足保險(xiǎn)業(yè)或者保險(xiǎn)公司的要求。第二，內(nèi)部信息割裂。保險(xiǎn)公司承保、理賠等各個(gè)環(huán)節(jié)的數(shù)據(jù)信息流動(dòng)不暢，甚至各省市分支機(jī)構(gòu)內(nèi)部數(shù)據(jù)的共享也難以進(jìn)行。第三，與其他保險(xiǎn)公司合作困難，缺少統(tǒng)一可信的信息數(shù)據(jù)共享平臺(tái)。另外，從所需的數(shù)據(jù)類型來看，保險(xiǎn)公司的風(fēng)控活動(dòng)除了依賴內(nèi)部數(shù)據(jù)，同時(shí)需要收集以下數(shù)據(jù)：行業(yè)欺詐觀察名單、公共記錄、第三方聚合數(shù)據(jù)、社交媒體數(shù)據(jù)和個(gè)人設(shè)備數(shù)據(jù)。值得注意的是，非結(jié)構(gòu)化數(shù)據(jù)的使用率從2018 年的不到50%飆升至2021年的81%。

聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)了數(shù)據(jù)融合、聯(lián)合建模以及模型發(fā)布等一體化方案，提高了大數(shù)據(jù)風(fēng)控能力，提升了風(fēng)控效果。大量非結(jié)構(gòu)化數(shù)據(jù)需要利用聯(lián)邦學(xué)習(xí)進(jìn)行處理分析，通過跨行業(yè)、跨公司建立聯(lián)邦學(xué)習(xí)框架，可以充分利用多維度的特征數(shù)據(jù)，建立全方位的風(fēng)險(xiǎn)防控體系。以美國(guó)醫(yī)療信息局（MIB）為例，MIB為保險(xiǎn)公司提供投保人在其他機(jī)構(gòu)投保人壽保險(xiǎn)的記錄，以此幫助保險(xiǎn)公司篩查不合理的投保與理賠行為。這種數(shù)據(jù)共享方式與聯(lián)邦學(xué)習(xí)相比，多了一個(gè)數(shù)據(jù)信息的“中間商”，不可避免地會(huì)給保險(xiǎn)公司帶來綜合治理成本的增加，而聯(lián)邦學(xué)習(xí)直接將多方數(shù)據(jù)所有者聯(lián)結(jié)在一起，在減少數(shù)據(jù)流通環(huán)節(jié)的同時(shí)，降低數(shù)據(jù)泄露的可能性。

2.反保險(xiǎn)欺詐

同證券、銀行等金融行業(yè)一樣，作為金融業(yè)三大支柱之一的保險(xiǎn)業(yè)面臨著保險(xiǎn)欺詐風(fēng)險(xiǎn)。在金融欺詐中，保險(xiǎn)領(lǐng)域的欺詐比例尤為突出。國(guó)際保險(xiǎn)監(jiān)督官協(xié)會(huì)測(cè)算，全球每年有20%～30%的保險(xiǎn)理賠案件涉嫌欺詐，損失金額約800億美元。

反保險(xiǎn)欺詐有四個(gè)難點(diǎn)：第一，傳統(tǒng)的風(fēng)險(xiǎn)管理體系主要依賴人工，受員工業(yè)務(wù)水平以及職業(yè)道德影響，保險(xiǎn)機(jī)構(gòu)應(yīng)對(duì)反保險(xiǎn)欺詐的手段單一，難以實(shí)時(shí)察覺違規(guī)行為；第二，保險(xiǎn)機(jī)構(gòu)間缺少信息共享機(jī)制，客戶的投保信息涉及個(gè)人隱私，受法律法規(guī)限制，難以在不同保險(xiǎn)機(jī)構(gòu)間共享；第三，保險(xiǎn)詐騙罪的定罪量刑標(biāo)準(zhǔn)較高，使得犯罪分子有可乘之機(jī)；第四，隨著科技進(jìn)步，機(jī)器學(xué)習(xí)、知識(shí)圖譜等技術(shù)得到廣泛應(yīng)用，反保險(xiǎn)欺詐手段日益多樣化。

針對(duì)層出不窮的保險(xiǎn)欺詐現(xiàn)象，保險(xiǎn)公司運(yùn)用多種反保險(xiǎn)欺詐技術(shù)。《反保險(xiǎn)欺詐技術(shù)現(xiàn)狀》研究發(fā)現(xiàn)，保險(xiǎn)公司最常用的反保險(xiǎn)欺詐技術(shù)包括：危險(xiǎn)信號(hào)自動(dòng)標(biāo)記、預(yù)測(cè)建模、文本挖掘、報(bào)表制作、案例管理、異常報(bào)告和數(shù)據(jù)可視化/關(guān)聯(lián)分析?；趩我槐ｋU(xiǎn)公司數(shù)據(jù)構(gòu)建的傳統(tǒng)反欺詐模型難以應(yīng)對(duì)更加復(fù)雜的欺詐手段，而聯(lián)邦學(xué)習(xí)可以打破保險(xiǎn)公司與銀行、醫(yī)療機(jī)構(gòu)等擁有投保人財(cái)務(wù)狀況以及健康信息等行業(yè)間的數(shù)據(jù)孤島現(xiàn)象，通過分析投保人的金融特征、健康狀況等信息，構(gòu)建反保險(xiǎn)欺詐體系，為保險(xiǎn)業(yè)風(fēng)險(xiǎn)管控提供更全面、完善的保障。

（二）低安全等級(jí)業(yè)務(wù)

1.智能營(yíng)銷

《2019 年中國(guó)保險(xiǎn)行業(yè)智能風(fēng)控白皮書》統(tǒng)計(jì)數(shù)據(jù)顯示，保險(xiǎn)公司一年中與客戶的接觸次數(shù)僅為1—2次，長(zhǎng)期型保單如人身險(xiǎn)只有在需要理賠或到期時(shí)，保險(xiǎn)公司才會(huì)與客戶聯(lián)系，而車險(xiǎn)等短期險(xiǎn)如果沒有保險(xiǎn)事故發(fā)生，則一般不與客戶接觸。傳統(tǒng)的保險(xiǎn)銷售工作由于與客戶接觸過少、了解不深，難以挖掘客戶的潛在需求，而過度營(yíng)銷往往會(huì)催生客戶的反感厭惡。聯(lián)邦學(xué)習(xí)通過多維度客戶畫像，對(duì)不同客戶的需求進(jìn)行細(xì)分。一方面，聯(lián)邦學(xué)習(xí)能夠快速捕捉生產(chǎn)生活中的風(fēng)險(xiǎn)因子并進(jìn)行定價(jià)分析，為保險(xiǎn)公司創(chuàng)新產(chǎn)品提供便利，在市場(chǎng)競(jìng)爭(zhēng)中占得先機(jī)，同時(shí)能夠根據(jù)場(chǎng)景靈活定制保險(xiǎn)產(chǎn)品，識(shí)別客戶的潛在風(fēng)險(xiǎn)，提供差異化的精準(zhǔn)定價(jià)，提升銷售成功率，降低退保率；另一方面，聯(lián)邦學(xué)習(xí)通過持續(xù)收集客戶反饋信息，不斷提高模型精確度，實(shí)現(xiàn)模型迭代升級(jí)，并隨著市場(chǎng)的發(fā)展而不斷完善。

2.智能運(yùn)營(yíng)

通過聯(lián)邦學(xué)習(xí)，保險(xiǎn)公司可以實(shí)現(xiàn)對(duì)客戶的全維度用戶畫像，充分了解客戶日常生活所需，通過對(duì)客戶的特征標(biāo)簽進(jìn)行分類管理，節(jié)省運(yùn)營(yíng)管理成本；同時(shí)，方便保險(xiǎn)營(yíng)銷員與特定客戶定期溝通聯(lián)系，建立良好的客戶關(guān)系，為保險(xiǎn)公司創(chuàng)造更多的價(jià)值和利潤(rùn)。智能運(yùn)營(yíng)將保險(xiǎn)從產(chǎn)品升級(jí)到服務(wù)，實(shí)現(xiàn)以單個(gè)保險(xiǎn)產(chǎn)品的銷售激發(fā)出潛在的多險(xiǎn)種購買需求，并且以聯(lián)邦學(xué)習(xí)為基礎(chǔ)構(gòu)建的人工智能能夠?qū)崿F(xiàn)24小時(shí)在線服務(wù)，更快地響應(yīng)客戶需求，降低人力成本。

二、聯(lián)邦學(xué)習(xí)在保險(xiǎn)業(yè)應(yīng)用的挑戰(zhàn)

（一）安全性挑戰(zhàn)

雖然發(fā)明聯(lián)邦學(xué)習(xí)的初衷是為了解決數(shù)據(jù)安全問題，但時(shí)至今日，聯(lián)邦學(xué)習(xí)仍然要面對(duì)多種攻擊帶來的安全風(fēng)險(xiǎn)，主要有四種攻擊：第一，投毒攻擊。投毒攻擊分為數(shù)據(jù)投毒攻擊和模型投毒攻擊。顧名思義，數(shù)據(jù)投毒攻擊，是指在參與方的本地?cái)?shù)據(jù)中加入錯(cuò)誤、有偏差的數(shù)據(jù)，降低參與方模型的精確度，從而影響中心服務(wù)器模型的計(jì)算結(jié)果。模型投毒攻擊，是指通過向中心服務(wù)器發(fā)送參數(shù)錯(cuò)誤的模型數(shù)據(jù)，影響中心服務(wù)器的模型運(yùn)算。第二，后門攻擊，即通過注入對(duì)抗性觸發(fā)器來操縱訓(xùn)練數(shù)據(jù)的子集，使得在被竄改數(shù)據(jù)集上訓(xùn)練的模型在嵌入相同觸發(fā)器的測(cè)試集上出現(xiàn)錯(cuò)誤預(yù)測(cè)，目的是使模型在特定樣本上預(yù)測(cè)出錯(cuò)，而不改變其在其他樣本上的預(yù)測(cè)結(jié)果（邱曉慧等，2022）。第三，搭便車攻擊，即不進(jìn)行本地?cái)?shù)據(jù)處理，而是通過構(gòu)建虛假參數(shù)發(fā)送至中心服務(wù)器，以此獲得由中心服務(wù)器生成的最終模型數(shù)據(jù)。這種攻擊方式具體又分為普通搭便車與偽裝搭便車，后者更加隱蔽，危害更大。第四，女巫攻擊，即通過偽造多個(gè)惡意節(jié)點(diǎn)，影響中心服務(wù)器的模型運(yùn)算，導(dǎo)致最終模型喪失精確性。相較于搭便車攻擊，女巫攻擊的危害更大。

（二）技術(shù)標(biāo)準(zhǔn)不統(tǒng)一帶來普及困難

目前，聯(lián)邦學(xué)習(xí)的標(biāo)準(zhǔn)主要有國(guó)際、國(guó)內(nèi)兩大類。《聯(lián)邦學(xué)習(xí)技術(shù)金融應(yīng)用白皮書》顯示，國(guó)際標(biāo)準(zhǔn)以IEEE 發(fā)布的《聯(lián)邦學(xué)習(xí)基礎(chǔ)架構(gòu)與應(yīng)用指南》（IEEE/P3652.1-2020:IEEE Guide for Architectural Framework and Application of Federated Machine Learning）為主。而國(guó)內(nèi)標(biāo)準(zhǔn)則分為三個(gè)團(tuán)體標(biāo)準(zhǔn)，第一個(gè)是中國(guó)信息通信研究院發(fā)布的《基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)流通產(chǎn)品技術(shù)要求與測(cè)試方法》（BDC 41-2020）；第二個(gè)是中國(guó)人工智能開源軟件發(fā)展聯(lián)盟發(fā)布的《信息技術(shù)服務(wù)聯(lián)邦學(xué)習(xí)參考架構(gòu)》（AIOSS-03-2019）；第三個(gè)是中關(guān)村金融科技產(chǎn)業(yè)發(fā)展聯(lián)盟發(fā)布的《聯(lián)邦學(xué)習(xí)金融行業(yè)應(yīng)用指南》（T/ZFIDA0004-2020）。目前，我國(guó)尚未形成全國(guó)統(tǒng)一的聯(lián)邦學(xué)習(xí)技術(shù)標(biāo)準(zhǔn)體系。由于多方參與以及利用多種隱私信息計(jì)算的特性，不同的聯(lián)邦學(xué)習(xí)技術(shù)標(biāo)準(zhǔn)體系將會(huì)對(duì)數(shù)據(jù)安全性、模型精確性等方面產(chǎn)生影響。因此，亟待有關(guān)政府部門或行業(yè)協(xié)會(huì)聯(lián)合行業(yè)內(nèi)的金融科技企業(yè)統(tǒng)一制訂聯(lián)邦學(xué)習(xí)技術(shù)標(biāo)準(zhǔn)。

（三）缺少模型評(píng)估以及激勵(lì)機(jī)制

一方面，不同體量保險(xiǎn)公司的客戶數(shù)量差異巨大，頭部保險(xiǎn)公司更容易占據(jù)優(yōu)質(zhì)的客戶資源，規(guī)模效應(yīng)帶來的低成本使得頭部保險(xiǎn)公司在個(gè)性化產(chǎn)品定價(jià)與建立精確的風(fēng)控模型中處于有利地位；另一方面，中小型保險(xiǎn)公司獲取信息的渠道有限，所獲取的數(shù)據(jù)量也難以滿足風(fēng)險(xiǎn)建模需要。聯(lián)邦學(xué)習(xí)僅提供了數(shù)據(jù)隱私處理的方法，無法解決激勵(lì)效應(yīng)不足導(dǎo)致參與方不愿意投入資源建設(shè)相關(guān)平臺(tái)的現(xiàn)狀。正如《聯(lián)邦學(xué)習(xí)技術(shù)金融應(yīng)用白皮書》所述：“建立聯(lián)邦學(xué)習(xí)激勵(lì)機(jī)制的難點(diǎn)在于，一是如何盡量公平地評(píng)估每個(gè)參與方的貢獻(xiàn)量；二是如何吸引更多的機(jī)構(gòu)參與聯(lián)邦學(xué)習(xí)貢獻(xiàn)其數(shù)據(jù)與計(jì)算資源，并形成正向激勵(lì)；三是如何對(duì)惡意的參與方進(jìn)行識(shí)別和懲罰，量化貢獻(xiàn)價(jià)值并對(duì)聯(lián)邦學(xué)習(xí)系統(tǒng)的最終模型性能進(jìn)行建模。”

（四）技術(shù)能力不平衡

聯(lián)邦學(xué)習(xí)需要參與方進(jìn)行數(shù)據(jù)分析處理后上傳平臺(tái)，因此，每一個(gè)參與方的數(shù)據(jù)處理能力應(yīng)當(dāng)盡量相當(dāng)，否則會(huì)出現(xiàn)因數(shù)據(jù)處理速度不同，導(dǎo)致其他參與方在模型迭代過程中需要等待較長(zhǎng)時(shí)間，最終影響模型建設(shè)的效率，增加各個(gè)參與方的運(yùn)營(yíng)成本。《反保險(xiǎn)欺詐技術(shù)現(xiàn)狀》調(diào)查顯示，有68%的受訪者表示，有限的IT 資源是反保險(xiǎn)欺詐最大的挑戰(zhàn)。技術(shù)能力以及資源的不足導(dǎo)致中小型保險(xiǎn)公司很難有效地參與聯(lián)邦學(xué)習(xí)框架。

三、聯(lián)邦學(xué)習(xí)在保險(xiǎn)業(yè)應(yīng)用建議

（一）設(shè)定激勵(lì)機(jī)制

激勵(lì)機(jī)制的設(shè)定主要從兩個(gè)方面考慮，即正向激勵(lì)機(jī)制與反向激勵(lì)機(jī)制。正向激勵(lì)機(jī)制鼓勵(lì)參與方盡可能整合數(shù)據(jù)資源以及提高數(shù)據(jù)質(zhì)量，而反向激勵(lì)機(jī)制則是對(duì)貢獻(xiàn)數(shù)據(jù)量較少以及數(shù)據(jù)質(zhì)量不高的參與方采取懲罰措施。第一，激勵(lì)機(jī)制的設(shè)定可以從數(shù)據(jù)的數(shù)量及質(zhì)量入手，比如數(shù)據(jù)貢獻(xiàn)量較大的參與方可以向數(shù)據(jù)貢獻(xiàn)量較少的參與方收取一定的費(fèi)用，從而提高行業(yè)內(nèi)頭部保險(xiǎn)公司數(shù)據(jù)共享的積極性。第二，以政府為核心建立信息數(shù)據(jù)共享中心，這樣既能夠保證數(shù)據(jù)的高質(zhì)量，又可以確保本地?cái)?shù)據(jù)的安全性，同時(shí)還可以為金融監(jiān)管提供便利。

（二）建設(shè)數(shù)據(jù)平臺(tái)互聯(lián)互通

各機(jī)構(gòu)的聯(lián)邦學(xué)習(xí)平臺(tái)一般都是基于自有知識(shí)產(chǎn)權(quán)的算法，引入更多的參與方需要對(duì)平臺(tái)進(jìn)行適配性調(diào)整。為了使數(shù)據(jù)流通管理更加便捷高效，業(yè)內(nèi)應(yīng)建立統(tǒng)一的標(biāo)準(zhǔn)數(shù)據(jù)庫，采用相同的技術(shù)協(xié)議，如此既可以減少平臺(tái)維護(hù)成本，避免資源浪費(fèi)，又可以使數(shù)據(jù)共享流程易于操作。同時(shí)，構(gòu)建數(shù)據(jù)共享平臺(tái)有利于數(shù)據(jù)確權(quán)，保護(hù)數(shù)據(jù)所有者的合法權(quán)益，避免數(shù)據(jù)被濫用，也便于被監(jiān)管。

（三）多種隱私計(jì)算技術(shù)助力信息數(shù)據(jù)安全

雖然聯(lián)邦學(xué)習(xí)可以保證極高的隱私安全性，但通過模型反演，仍然可以使數(shù)據(jù)重現(xiàn)。因此，聯(lián)邦學(xué)習(xí)需要其他輔助技術(shù)諸如可信執(zhí)行環(huán)境、同態(tài)加密、安全多方計(jì)算等技術(shù)的支持，才能做到既保護(hù)隱私數(shù)據(jù)安全，又能高效地獲得可靠的結(jié)果。以保險(xiǎn)公司查詢投保人疾病史為例，在該場(chǎng)景下，保險(xiǎn)公司和醫(yī)療機(jī)構(gòu)建立縱向聯(lián)邦學(xué)習(xí)框架，保險(xiǎn)公司需要向相關(guān)醫(yī)療機(jī)構(gòu)提供查詢條件，醫(yī)療機(jī)構(gòu)根據(jù)查詢條件進(jìn)行查詢并反饋結(jié)果。借助隱私保護(hù)計(jì)算的PSI（隱私集合求交）能夠?qū)崿F(xiàn)數(shù)據(jù)庫數(shù)據(jù)及查詢條件的“雙盲”，保護(hù)數(shù)據(jù)和個(gè)人隱私的安全。再者，以智能風(fēng)控為例，所需數(shù)據(jù)上傳前要經(jīng)過加密以及脫敏程序，授權(quán)使用的數(shù)據(jù)需要在區(qū)塊鏈存證，既要對(duì)上鏈前的數(shù)據(jù)來源、生成機(jī)制、存儲(chǔ)過程進(jìn)行真實(shí)性交叉驗(yàn)證，又要做到上鏈后的數(shù)據(jù)使用可記錄、過程可審計(jì)、不可篡改等。