[发明专利]一种基于横向联邦学习的反洗钱识别方法、装置及系统

权利要求书

1.一种基于横向联邦学习的反洗钱识别方法，其特征在于，包括：

对若干参与节点的样本数据表中各数据特征进行特征对齐，生成用于构建反洗钱模型的基础数据特征；其中，每一所述样本数据表包括若干数据样本，且每一数据样本均设置有用户ID以及样本生成时间；

根据用户ID以及样本生成时间对各所述参与节点的样本数据表进行样本同步；其中，在进行样本同步时，将当前参与节点中一选定数据样本的用户ID和样本生成时间发送至未拥有所述选定数据样本但拥有与所述选定数据样本用户ID相同的数据样本的参与节点；

向各所述参与节点下发时序特征构造指令，以使各所述参与节点在接收所述时序特征构造指令时，根据所述时序构造指令所包含的统计时间维度信息，所需的基础数据特征的特征名称以及计算方式，基于样本同步后的样本数据表计算所需构造的时序特征的基础特征值；根据各所述基础特征值计算所述时序特征的最终特征值；

将所述时序特征的最终特征值下发至各所述参与节点，以使各所述参与节点根据所述时序特征的最终特征值以及自身的数据特征的特征值，通过横向联邦学习生成反洗钱识别模型并根据所述反洗钱识别模型进行反洗钱识别；

所述对若干参与节点的样本数据表中各数据特征进行特征对齐，生成用于构建反洗钱模型的基础数据特征，具体包括：

取各参与节点的样本数据表中的各数据特征的特征交集，获得若干第一基础数据特征；逐一计算除所述第一基础数据特征外的各数据特征的全局有效率；将全局有效率超过第一预设阈值的数据特征，作为第二基础数据特征；将所有所述第一基础数据特征以及所有所述第二基础数据特征作为所述用于构建反洗钱模型的基础数据特征；

其中，通过以下公式计算一数据特征的全局有效率：

g_r为一数据特征的全局有效率、M为参与节点的数量，I_rM为数据特征在第M个参与节点的局部有效率、n_M为第M个参与节点的数据样本的数量。

2.一种基于横向联邦学习的反洗钱识别装置，其特征在于，包括：特征对齐模块、样本同步模块、时序特征构造模块以及反洗钱识别模块；

所述特征对齐模块，用于对若干参与节点的样本数据表中各数据特征进行特征对齐，生成用于构建反洗钱模型的基础数据特征；其中，每一所述样本数据表包括若干数据样本，且每一数据样本均设置有用户ID以及样本生成时间；所述对若干参与节点的样本数据表中各数据特征进行特征对齐，生成用于构建反洗钱模型的基础数据特征，具体包括：取各参与节点的样本数据表中的各数据特征的特征交集，获得若干第一基础数据特征；逐一计算除所述第一基础数据特征外的各数据特征的全局有效率；将全局有效率超过第一预设阈值的数据特征，作为第二基础数据特征；将所有所述第一基础数据特征以及所有所述第二基础数据特征作为所述用于构建反洗钱模型的基础数据特征；其中，通过以下公式计算一数据特征的全局有效率：g_r为一数据特征的全局有效率、M为参与节点的数量，I_rM为数据特征在第M个参与节点的局部有效率、n_M为第M个参与节点的数据样本的数量；所述样本同步模块，用于根据用户ID以及样本生成时间对各所述参与节点的样本数据表进行样本同步；其中，在进行样本同步时，将当前参与节点中一选定数据样本的用户ID和样本生成时间发送至未拥有所述选定数据样本但拥有与所述选定数据样本用户ID相同的数据样本的参与节点；

所述时序特征构造模块，用于向各所述参与节点下发时序特征构造指令，以使各所述参与节点在接收所述时序特征构造指令时，根据所述时序构造指令所包含的统计时间维度信息，所需的基础数据特征的特征名称以及计算方式，计算所需构造的时序特征的基础特征值；根据各所述基础特征值，基于样本同步后的样本数据表计算所述时序特征的最终特征值；

所述反洗钱识别模块，用于将所述时序特征的最终特征值下发至各所述参与节点，以使各所述参与节点根据所述时序特征的最终特征值以及自身的数据特征的特征值，通过横向联邦学习生成反洗钱识别模型并根据所述反洗钱识别模型进行反洗钱识别。

3.一种基于横向联邦学习的反洗钱识别系统，其特征在于，包括：中心节点以及若干参与节点；其中，所述中心节点包括如权利要求2所述的基于横向联邦学习的反洗钱识别装置。