一种银行客户信用风险分析方法及装置与流程

1.本技术涉及人工智能领域，可以用于金融领域，具体是一种银行客户信用风险分析方法及装置。

背景技术：

2.在金融领域，个人信用评级一直以来是金融机构衡量个人履约风险最重要的因素之一。近年来，个人借贷需求与日俱增，金融机构承担的客户违约风险也随之提高。这些挑战不仅需要商业银行去面对，同时也影响着整个金融环境的稳定性。如何全面与准确地进行个人信用风险评估是金融机构进行风险防控的核心环节，也是不断提高商业银行风险管理水平的必然要求。
3.考虑到大数据时代已经到来，大数据为风险评估提供了多源的客户个人信息。但如何充分利用银行的大数据来更全面地进行个人信用风险评估是商业银行亟待解决的问题之一。不仅如此，在利用这些大数据的同时，如何保护客户的个人隐私，保障信息安全更是目前尚未解决的技术问题。

技术实现要素：

4.针对现有技术中的问题，本技术提供一种银行客户信用风险分析方法及装置，能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析。
5.为解决上述技术问题，本技术提供以下技术方案：
6.第一方面，本技术提供一种银行客户信用风险分析方法，包括：
7.根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
8.利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
9.将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
10.进一步地，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型，包括：
11.利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数；
12.利用所述安全激活函数构建安全的门函数；
13.根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型。
14.进一步地，所述加密的用户个人数据包括多个第一共享值；所述加密的信用等级预测模型参数包括多个第二共享值；所述利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级，包
括：
15.将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值；
16.根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级。
17.第二方面，本技术提供一种银行客户信用风险分析方法，包括：
18.按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
19.根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
20.进一步地，所述按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，包括：
21.对所述加密的用户个人数据进行算术共享处理及布尔共享处理，得到第一处理结果；
22.根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果；
23.按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器。
24.进一步地，所述根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱，包括：
25.根据所述加密的个人风险等级及非加密的用户个人数据生成客户信用属性；
26.根据所述非加密的用户个人数据生成客户信用人际关系；
27.根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱。
28.第三方面，本技术提供一种银行客户信用风险分析装置，包括：
29.风险分析模型构建单元，用于根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
30.个人风险评级单元，用于利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
31.个人风险等级加密发送单元，用于将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
32.进一步地，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述风险分析模型构建单元，包括：
33.激活函数生成模块，用于利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数；
34.安全的门函数生成模块，用于利用所述安全激活函数构建安全的门函数；
35.风险分析模型构建模块，用于根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型。
36.进一步地，所述加密的用户个人数据包括多个第一共享值；所述个人风险评级单
元，包括：
37.算术布尔输出模块，用于将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值；
38.个人风险评级模块，用于根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级。
39.第四方面，本技术提供一种银行客户信用风险分析装置，包括：
40.秘密数据共享单元，用于按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
41.信用知识图谱构建单元，用于根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
42.进一步地，所述秘密数据共享单元，包括：
43.算术布尔处理模块，用于对所述加密的用户个人数据进行算术共享处理及布尔共享处理，得到第一处理结果；
44.算术布尔互转模块，用于根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果；
45.共享秘密发送模块，用于按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器。
46.进一步地，所述信用知识图谱构建单元，包括：
47.信用属性生成模块，用于根据所述加密的个人风险等级及非加密的用户个人数据生成客户信用属性；
48.信用关系生成模块，用于根据所述非加密的用户个人数据生成客户信用人际关系；
49.信用知识图谱构建模块，用于根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱。
50.第五方面，本技术提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述银行客户信用风险分析方法的步骤。
51.第六方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述银行客户信用风险分析方法的步骤。
52.第七方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述银行客户信用风险分析方法的步骤。
53.针对现有技术中的问题，本技术提供的银行客户信用风险分析方法及装置，一方面能够利用秘密共享技术，通过安全多方计算的方式，在不泄露上方输入参数的前提下，使银行与神经网络模型服务提供商共同参与计算，确保在隐私数据不出库的前提下完成参数预测，即保护了各参与方输入数据的隐私性；另一方面能够利用算术电路及布尔电路，实现两者之间的相互转换，从而降低预测开销，提高预测效率，安全性高，准确性高，适用于银行
客户信用风险评估的场景。
附图说明
54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
55.图1为本技术实施例中银行客户信用风险分析方法的流程图之一；
56.图2为本技术实施例中构建信用风险分析模型的流程图；
57.图3为本技术实施例中得到加密的个人风险等级的流程图；
58.图4为本技术实施例中银行客户信用风险分析方法的流程图之二；
59.图5为本技术实施例中秘密共享加密的用户个人数据至边缘服务器集的流程图；
60.图6为本技术实施例中构建客户信用知识图谱的流程图；
61.图7为本技术实施例中银行客户信用风险分析装置的结构图之一；
62.图8为本技术实施例中风险分析模型构建单元的结构图；
63.图9为本技术实施例中个人风险评级单元的结构图；
64.图10为本技术实施例中银行客户信用风险分析装置的结构图之二；
65.图11为本技术实施例中秘密数据共享单元的结构图；
66.图12为本技术实施例中信用知识图谱构建单元的结构图；
67.图13为本技术实施例中的电子设备的结构示意图；
68.图14为本技术实施例的系统构架示意图。
具体实施方式
69.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
70.需要说明的是，本技术提供的银行客户信用风险分析方法及装置，可用于金融领域，也可用于除金融领域之外的任意领域，本技术提供的银行客户信用风险分析方法及装置的应用领域不做限定。
71.本技术技术方案中对数据的获取、存储、使用及处理等均符合国家法律法规的相关规定。
72.一实施例中，参见图1，为了能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析，本技术提供一种银行客户信用风险分析方法，包括：
73.s101：根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
74.s102：利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
75.s103：将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
76.可以理解的是，近年来，金融领域的大数据为金融风险评估提供了多源的客户个人信息。但如何充分利用银行的大数据来更全面地进行个人信用风险评估是商业银行亟待解决的问题之一。不仅如此，在利用这些大数据的同时，如何保护客户的个人隐私，保障信息的安全更是目前需要解决的技术问题。
77.本技术实施例采用安全多方计算的方法，解决了银行与神经网络模型服务提供商(以下简称服务提供商)，这两个互不信任的参与方在保护各方隐私的前提下的协同计算问题。
78.服务提供商和银行采用秘密共享技术，分别对客户信用风险评估模型参数和客户用户个人数据在有限域上进行拆分，拆分后的每份称为一个共享值。根据秘密共享的特性，只有参与的双方共同提供各自的共享值时，才能重构出初始秘密，单个参与者无法基于自己所拥有的共享值恢复原本的秘密。因此，采用秘密共享技术可以确保隐私数据在不出库的前提下完成计算。
79.在整个计算协议执行的过程中，只有计算逻辑是公开的，即客户信用风险评估算法公开，参数由服务提供商掌握，不公开。由于任何函数都可以表示为布尔电路的形式，所以可将客户信用风险评估算法表示为布尔电路形式。考虑到客户信用风险评估算法中的线性运算(加法、乘法)在算术电路中的执行效率比布尔电路的更高，本技术实施例使用算术电路处理线性运算，使用布尔电路处理非线性运算(如比较大小运算及选择运算)，并在必要的时候进行两者之间的转换。将客户信用风险评估算法表示为电路之后。为了避免银行和服务提供商直接交互带来的计算开销，引入了两个边缘服务器，银行和服务提供商分别将客户信用卡数据和客户信用风险评估模型参数以秘密共享的方式发送给两个边缘服务器，边缘服务器将收到的共享值作为输入，执行安全的信用风险分析模型协议，即可完成客户信用风险的预测计算。
80.计算结束后，两个边缘服务器将计算后得到的密文共享值都发送给银行，银行汇总后解密获得评估结果。
81.本技术实施例涉及以下两个结构。
82.(1)安全结构：
83.本技术实施例的协议是基于半诚实的安全结构设计的，相比于恶意模型，半诚实模型可以降低协议设计的复杂度，提高协议执行效率。
84.为了避免银行和服务提供商直接交互，降低通信量和计算开销，本技术实施例引入了两个边缘服务器执行安全两方计算协议，并假设这两个边缘服务器是半诚实的，它们分别属于利益冲突的厂商，出于各自的信誉考虑，它们之间不共谋，即会正确地执行协议，但可能尝试在协议执行过程中获得额外的信息。为了保证秘密共享过程的安全，假设所有参与方之间都存在安全的可信信道。
85.(2)系统结构：
86.参见图14，本技术实施例的系统结构由四部分组成：银行b、服务提供商sp、两个边缘服务器p0和p1。其中，银行负责提供用户的用户个人数据，服务提供商负责提供已经训练好的信用风险分析模型，两个边缘服务器对用户个人数据执行安全计算协议，进行预测，预
测结束后将密文结果发送给银行，由银行解密，获得明文预测结果。其中，明文预测结果表征该用户的个人信用风险等级。
87.由于用户个人数据涉及用户隐私，信用风险分析模型属于服务提供商的数据资产，都不能明文发送，需要加以隐私保护。
88.《1》银行将用户个人数据以秘密共享的方式，通过可信信道分别发送给两个边缘服务器；服务提供商将信用风险分析模型参数以秘密共享的方式，通过可信信道分别发送给两个边缘服务器；
89.《2》边缘服务器收到用户个人数据及信用风险分析模型参数之后执行安全两方计算协议；
90.《3》计算完成之后，两个边缘服务器分别将密文的共享值发送给银行，银行汇总后获得明文的预测结果。
91.隐私保护的客户信用风险评估协议包括：
92.(1)根据lstm算法提取出基本的计算单元，包括：加法、乘法、比较大小、选择、向量连接、指数、除法、哈达玛积和矩阵乘以向量；
93.(2)将明文的基本计算单元设计为密文的基本计算单元，并将其视为安全计算底层的“安全组件”，即安全的(算术和布尔)加法、安全的(算术和布尔)乘法、安全的比较大小、安全的选择、安全的向量连接、安全的指数、安全的除法、安全的哈达玛积和安全的矩阵乘以向量组件；
94.(3)通过对这些安全组件的组合，构建出lstm网络中安全的sigmoid和tanh激活函数；
95.(4)通过安全组件和安全的激活函数的组合构建出lstm网络安全的遗忘门、输入门和输出门函数；
96.(5)通过lstm网络安全的门函数组合出安全的lstm网络，从而实现隐私保护的客户信用风险评估方法。
97.按照以上的系统结构，本技术实施例可以通过以下五个方面进行阐述：
98.第一，秘密共享。
99.本部分涉及算术共享(arithmetic sharing)和布尔共享(boolean sharing)以及算术共享转布尔共享a2b和布尔共享转算术共享b2a。上述四个组件是构成第二部分、第三部分及第四部分的基础。
100.第二，安全组件。
101.本部分涉及安全的(算术和布尔)加法、安全的(算术和布尔)乘法、安全的比较大小、安全的选择、安全的向量连接、安全的指数、安全的除法、安全的哈达玛积和安全的矩阵乘以向量组件，是构成第三部分、第四部分及第五部分的基础。
102.第三，安全的激活函数。
103.根据第一部分及第二部分的结果组合出lstm网络中安全的sigmoid和tanh激活函数。
104.第四，lstm网络安全的门函数。
105.根据第一部分、第二部分及第三部分的结果组合出lstm网络中安全的遗忘门、输入门和输出门函数；
106.第五，构建安全的lstm网络(相当于本技术实施例中的信用风险分析模型)
107.电路依次调用安全的遗忘门、输入门和输出门函数，组合出安全的lstm网络。
108.需要说明的是，本技术实施例可能涉及如下术语：
109.①
安全多方计算：主要是针对没有可信第三方的时候，各个参与方如何安全地计算一个约定函数的问题。数学定义表示为：在安全多方计算中，n个参与方p0,p1,...,p
n-1
，分别拥有自己的输入数据d0,d1,...,d
n-1
，这n个参与方想要在不泄露各自输入的前提下，安全计算一个公共函数f(d0,d1,...,d
n-1
)，并且最终能得到正确的计算结果。
110.②
不经意传输(oblivious transfer，ot)：描述了发送方和接收方之间的通信，发送方将多份信息传输给接收方，接收方以隐私的方式选择多份信息中的一份：发送方确保接收方除了选择的那份信息外不再获得其他的信息，并且发送方对接收方到底获得了哪份信息一无所知。不经意传输是安全多方计算中构建混淆电路和秘密共享的基础。1-out-of-2ot是二选一的不经意传输协议。
111.③
秘密共享：秘密共享是一种将秘密分割存储在一组参与方中的密码学技术，可以将一个秘密分成n份,每份成为一个共享值，这些共享值被分发给n个参与方,只有参与方的特定子集共同提供各自的共享值,才能重构出初始秘密，秘密共享是构成安全计算的基础。
112.从上述描述可知，本技术提供的银行客户信用风险分析方法，一方面能够利用秘密共享技术，通过安全多方计算的方式，在不泄露上方输入参数的前提下，使银行与神经网络模型服务提供商共同参与计算，确保在隐私数据不出库的前提下完成参数预测，即保护了各参与方输入数据的隐私性；另一方面能够利用算术电路及布尔电路，实现两者之间的相互转换，从而降低预测开销，提高预测效率，安全性高，准确性高，适用于银行客户信用风险评估的场景。
113.一实施例中，参见图2，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型，包括：利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数(s201)；利用所述安全激活函数构建安全的门函数(s202)；根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型(s203)。
114.可以了解的是，安全组件(也称时间循环神经网络计算单元)涉及如下内容：
115.第一，安全的(算术和布尔)加法
116.电路直接调用算术电路和布尔电路中的加法组件。
117.第二，安全的(算术和布尔)乘法
118.电路直接调用算术电路和布尔电路中的乘法组件。
119.第三，安全的比较大小
120.电路直接调用布尔电路中的比较大小组件。
121.第四，安全的选择
122.p0拥有输入x，p1拥有输入y，选择位为z∈{0,1}，要根据z进行选择，如果z＝1，则选择x，否则选择y，该选择过程可以用z
·
x+(1-z)
·
y进行表达。故电路首先调用布尔共享对输入x和y进行拆分，接着调用两次安全的布尔乘法和布尔加法组件，即可得到安全的选择组件。
123.第五，安全的向量连接
124.p0拥有输入向量x＝(x0,x1,...)，p1拥有输入向量y＝(y0,y1,...)，需要进行向量x和y的连接[x,y]＝[(x0,x1,...),(y0,y1,...)]＝(x0,x1,...,y0,y1,...)。故电路首先调用算术共享对输入向量x和y进行拆分，接着p0和p1本地进行向量连接，再调用安全的算术加法组件，即可得到安全的向量连接组件。
[0125]
第六，安全的指数
[0126]
电路直接调用布尔电路中的指数组件。
[0127]
第七，安全的除法
[0128]
电路直接调用布尔电路中的除法组件。
[0129]
第八，安全的哈达玛积
[0130]
对于两个同阶矩阵和若则称矩阵为a和b的哈达玛积，哈达玛积是线性运算，因此哈达玛积安全组件是基于算术电路的。在本专利中要计算的是向量的哈达玛积，因此以向量为例设计哈达玛积安全组件。p0拥有n
×
1的向量x＝(x0,x1,...,x
n-1
)，p1拥有n
×
1的向量y＝(y0,y1,...,y
n-1
)，需要计算可以看出，哈达玛积其实就是调用了多个乘法组件。故电路首先调用算术共享对输入向量x和y进行拆分，接着调用多个算术电路中的乘法和加法组件，即可得到安全的哈达玛积组件。
[0131]
第九，安全的矩阵乘以向量
[0132]
矩阵乘以向量是线性运算，因此基于算术电路设计。p0拥有一个m
×
n的矩阵x，p1拥有一个n
×
1的向量y，要计算矩阵乘以向量xy，计算完成后得到一个m
×
1的向量z，电路调用算术共享对输入矩阵x和向量y中的每个元素进行拆分。
[0133]
在预计算阶段先生成一个矩阵三元组c＝ab，其中a是m
×
n的矩阵，b是n
×
1的向量，c是m
×
1的向量，双方分别本地计算其中i∈{0,1}，接着电路调用安全的算术加法组件，计算恢复出矩阵e和向量f，然后双方分别本地计算其中i∈{0,1}，再调用安全的算术加法组件恢复出向量z，即可完成安全的矩阵乘以向量组件。
[0134]
进一步地，构建安全的激活函数。
[0135]
第一，构建安全的sigmoid激活函数
[0136]
对于sigmoid(x)＝1/(1+e^(-x))来说，电路依次调用安全的算术加法、安全的指数和安全的算术加法组件，接着调用a2b协议将中间状态由算术共享转换为布尔共享，最后调用安全的除法组件，即可得到安全的sigmoid函数。
[0137]
第二，构建安全的tanh激活函数
[0138]
对于tanh(x)＝2sigmoid(2x)-1来说，安全的sigmoid激活函数已经设计完成，可直接调用，所以电路依次调用安全的布尔乘法、安全的sigmoid激活函数、安全的布尔乘法和安全的布尔加法组件，即可得到安全的tanh激活函数。
[0139]
进一步地，构建lstm网络安全的门函数。
[0140]
第一，构建lstm网络安全的遗忘门函数
[0141]
对于遗忘门f
t
＝sigmoid(wf·
[h
t-1
,x
t
]+bf)来说，电路先依次调用安全的向量连接、安全的矩阵乘以向量、安全的算术加法组件，接着调用的a2b协议将中间状态由算术共享转换为布尔共享，最后调用安全的sigmoid激活函数，即可得到布尔共享的输出ft。
[0142]
第二，构建lstm网络安全的输入门函数
[0143]
步骤1：对于输入门i
t
＝sigmoid(wi·
[h
t-1
,x
t
]+bi)来说，电路先依次调用安全的向量连接、安全的矩阵乘以向量、安全的算术加法组件，接着调用a2b协议将中间状态由算术共享转换为布尔共享，最后调用安全的sigmoid激活函数，即可得到布尔共享的输出it；
[0144]
步骤2：对于当前输入的单元状态来说，电路先依次调用安全的向量连接、安全的矩阵乘以向量、安全的算术加法组件，接着调用a2b协议将中间状态由算术共享转换为布尔共享，最后调用安全的tanh激活函数，即可得到布尔共享的输出～ct；
[0145]
步骤3：对于来说，首先调用b2a协议将前面步骤得到的输出ft、it和～ct由布尔共享转换为算术共享，再调用安全的哈达玛积和安全的算术加法组件，即可得到算术共享的输出ct。
[0146]
第三，构建lstm网络安全的输出门函数。
[0147]
步骤1：对于输出门o
t
＝sigmoid(wo·
[h
t-1
,x
t
]+bo)来说，电路先依次调用安全的向量连接、安全的矩阵乘以向量、安全的算术加法组件，接着调用a2b协议将中间状态由算术共享转换为布尔共享，最后调用安全的sigmoid激活函数，即可得到布尔共享的输出ot；
[0148]
步骤2：对于最终的单元状态来说，首先调用b2a协议将前面步骤得到的输出ct、ot由布尔共享转换为算术共享，再调用安全的tanh激活函数和安全的哈达玛积组件，即可得到算术共享的输出ht。
[0149]
最后，构建安全的lstm网络。
[0150]
(1)银行b对m个时刻的用户信用卡数据向量x＝(x0,...x
t
,...xm)中的每个元素xi调用秘密共享协议进行拆分，将拆分后的共享值通过可信信道分别发送给两个边缘服务器p0和p1；
[0151]
服务提供商sp对lstm模型参数向量wf,wi,wc,wo和bf,bi,bc,bo中的每个元素调用秘密共享协议进行拆分，将拆分后的共享值通过可信信道分别发送给两个边缘服务器p0和p1；
[0152]
(2)设定t＝0时刻每个门的初始状态为f0,i0,c0,o0，p0和p1对这些初始状态调用秘密共享协议进行拆分，并设置当前时刻为t＝1；
[0153]
(3)while t＜m do
[0154]
(4)p0和p1进行安全的遗忘门计算
[0155][0156]
计算结束后，p0得到p1得到
[0157]
(5)p0和p1进行安全的输入门计算
[0158]
[0159]
计算结束后，p0得到p1得到
[0160]
(6)p0和p1进行安全的输出门计算
[0161][0162]
计算结束后，p0得到p1得到
[0163]
(7)end while
[0164]
(8)p0和p1分别将和发送给银行b(其中和为计算的中间结果，表示t时刻的状态更新)；
[0165]
(9)银行b计算即可得到lstm网络的最终明文输出(c
t
,h
t
)。
[0166]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
[0167]
电路依次调用安全的遗忘门、输入门和输出门函数，构建出安全的lstm网络。
[0168]
从上述描述可知，本技术提供的银行客户信用风险分析方法，能够利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级。
[0169]
一实施例中，参见图3，所述加密的用户个人数据包括多个第一共享值；所述加密的信用等级预测模型参数包括多个第二共享值；所述利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级，包括：将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值(s301)；根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级(s302)。
[0170]
具体实施时：
[0171]
将所述银行方的多个共享值及服务提供商的多个共享值按照预设逻辑输入所述信用等级预测模型进行安全多方计算，得到算术共享输出值或布尔共享输出值；根据所述算术共享输出值或布尔共享输出值解密所述的个人信用风险等级。
[0172]
1、银行采用秘密共享对用户信用卡数据进行拆分，将拆分后的共享值通过可信信道分别发送给两个边缘服务器；服务提供商采用秘密共享对信用等级预测模型参数进行拆分，将拆分后的共享值通过可信信道分别发送给两个边缘服务器；
[0173]
2、边缘服务器收到用户信用卡数据和模型参数的共享值之后，执行安全的lstm网络协议，进行安全两方计算；
[0174]
3、计算完成之后，两个边缘服务器分别将密文的共享值发送给银行，银行汇总后获得明文的检测结果，即可获得用户的个人信用风险等级。
[0175]
从上述描述可知，本技术提供的银行客户信用风险分析方法，能够利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级。
[0176]
一实施例中，参见图4，为了能够按照秘密共享的方式，在保护用户隐私的前提下
进行客户信用风险分析，一种银行客户信用风险分析方法，包括：
[0177]
s401：按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
[0178]
s402：根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
[0179]
可以理解的是，步骤s401至步骤s402的执行主体是银行业务服务器。其系统构架与前述步骤s101至步骤s103的系统构架相同。
[0180]
系统包括4个参与方：银行b、服务提供商sp和两个边缘服务器p0和p1
[0181]
步骤1：银行b将用户的用户个人数据以秘密共享的方式，通过可信信道分别发送给两个边缘服务器，服务提供商sp将模型参数以秘密共享的方式，通过可信信道分别发送给两个边缘服务器；
[0182]
步骤2：两个边缘服务器得到用户个人数据和模型参数的共享值之后调用安全的lstm网络，即可进行安全两方计算。
[0183]
步骤3：计算完成之后两个边缘服务器分别将共享值发送给银行，银行汇总之后解密即可得到预测的明文结果。
[0184]
具体步骤说明详见前述。
[0185]
需要说明的是，步骤s402是根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。此应用场景可以为：银行中的客户包括大中型企业的股东，各股东的持股比例可能不同，同一股东也可能在多家企业持股。当采用了本技术提供的方法对该股东进行了个人风险等级预测(评级)后，银行可以根据该股东的用户个人数据(包括但不限于其在各家公司持股情况、与其持股企业发生过交易的其他企业及股东等)构建出一个知识图谱。
[0186]
依此知识图谱，银行可以根据其持股情况，按照其持股比例等预设策略计算出其对持股企业的整体信用影响以及其对该企业中其他股东的信用等级的影响。
[0187]
相似地，银行还可以构建出其他用户的知识图谱。显然，由于各知识图谱中的用户彼此之间可能发生金融交易，银行还可以根据这些金融交易历史记录将这个知识图谱组合成为更大范围的知识图谱。
[0188]
一实施例中，用加密的个人风险等级及加密的用户个人数据构建客户信用知识图谱。
[0189]
具体地，参见图6，所述根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱，包括：根据所述加密的个人风险等级及非加密的用户个人数据生成客户信用属性(s601)；根据所述非加密的用户个人数据生成客户信用人际关系(s602)；根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱(s603)。
[0190]
其中，构建知识图谱的工具包括但不限于：
[0191]
(1)deepdive开源知识抽取工具：从更少的结构化数据和统计推断中提取结构化的知识而无需编写任何复杂的机器学习代码。
[0192]
(2)fudannlp：主要是为中文自然语言处理而开发的工具包，也包含为实现这些任
务的机器学习算法和数据集。可以实现中文分词，词性标注，实体名识别，句法分析，时间表达式识别，信息检索，文本分类，聚类等。
[0193]
(3)nlpir：主要功能包括中文分词；英文分词；词性标注；命名实体识别；新词识别；关键词提取；支持用户专业词典与微博分析。nlpir系统支持多种编码、多种操作系统、多种开发语言与平台。
[0194]
(4)ltp：语言技术平台(language technology platform，ltp)提供了一系列中文自然语言处理工具，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等等工作。
[0195]
一实施例中，参见图5，所述按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，包括：对所述加密的用户个人数据进行算术共享处理及布尔共享处理，得到第一处理结果(s501)；根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果(s502)；按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器(s503)。
[0196]
可以理解的是，步骤s501至步骤s503阐述了银行按照秘密共享的方式处理用户个人信息，并将处理后的结构以共享值的形式发送给边缘服务器的过程。以下分为五个方面进行阐述：
[0197]
①
算术共享(arithmetic sharing)
[0198]
以p0共享x为例。p0选择设置共享值并将r发送给p1，p1设置共享值
[0199]
②
布尔共享(boolean sharing)
[0200]
以p0共享x为例。p0选择r∈z2，设置共享值并将r发送给p1，p1设置共享值
[0201]
③
yao共享(yao sharing)
[0202]
p0随机选择并将发送给p1，双方执行1-out-of-2ot协议，其中p0输入则p0得到两个值p1用选择位x获得
[0203]
④
布尔共享转算术共享b2a
[0204]
具体来说，在1-out-of-2ot协议中，p0是发送方，p1是接收方。在第i次ot中，p0随机选择ri∈r{0,1}
l
，并且输入(s
i,0
,s
i,1
)，其中)，其中p1输入作为选择比特，双方执行ot协议，则p1得到的共享值为
[0205]
⑤
算术共享转布尔共享a2b
[0206]
对于算术共享值＜x＞a，可以先调用a2y，再调用y2b，即可转换为布尔共享值＜x＞b，表示为：＜x＞b＝a2b(＜x＞a)＝y2b(a2y(＜x＞a))。
[0207]
从上述描述可知，本技术提供的银行客户信用风险分析方法，能够按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器。
[0208]
基于同一发明构思，本技术实施例还提供了一种银行客户信用风险分析装置，可
以用于实现上述实施例所描述的方法，如下面的实施例所述。由于银行客户信用风险分析装置解决问题的原理与银行客户信用风险分析方法相似，因此银行客户信用风险分析装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0209]
一实施例中，参见图7，为了能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析，本技术提供一种银行客户信用风险分析装置，包括：
[0210]
风险分析模型构建单元701，用于根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
[0211]
个人风险评级单元702，用于利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
[0212]
个人风险等级加密发送单元703，用于将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
[0213]
一实施例中，参见图8，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述风险分析模型构建单元701，包括：
[0214]
激活函数生成模块801，用于利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数；
[0215]
安全的门函数生成模块802，用于利用所述安全激活函数构建安全的门函数；
[0216]
风险分析模型构建模块803，用于根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型。
[0217]
一实施例中，参见图9，所述加密的用户个人数据包括多个第一共享值；所述个人风险评级单元702，包括：
[0218]
算术布尔输出模块901，用于将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值；
[0219]
个人风险评级模块902，用于根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级。
[0220]
一实施例中，参见图10，为了能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析，本技术提供一种银行客户信用风险分析装置，包括：
[0221]
秘密数据共享单元1001，用于按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
[0222]
信用知识图谱构建单元1002，用于根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
[0223]
一实施例中，参见图11，所述秘密数据共享单元1001，包括：
[0224]
算术布尔处理模块1101，用于对所述加密的用户个人数据进行算术共享处理及布
尔共享处理，得到第一处理结果；
[0225]
算术布尔互转模块1102，用于根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果；
[0226]
共享秘密发送模块1103，用于按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器。
[0227]
一实施例中，参见图12，所述信用知识图谱构建单元1002，包括：
[0228]
信用属性生成模块1201，用于根据所述加密的个人风险等级及非加密的用户个人数据生成客户信用属性；
[0229]
信用关系生成模块1202，用于根据所述非加密的用户个人数据生成客户信用人际关系；
[0230]
信用知识图谱构建模块1203，用于根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱。
[0231]
从硬件层面来说，为了能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析，本技术提供一种用于实现所述银行客户信用风险分析方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
[0232]
处理器(processor)、存储器(memory)、通讯接口(communications interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述银行客户信用风险分析装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的银行客户信用风险分析方法的实施例，以及银行客户信用风险分析装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0233]
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
[0234]
在实际应用中，银行客户信用风险分析方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
[0235]
上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集，或者分布式装置的服务器结构。
[0236]
图13为本技术实施例的电子设备9600的系统构成的示意框图。如图13所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0237]
一实施例中，银行客户信用风险分析方法功能可以被集成到中央处理器9100中。
其中，中央处理器9100可以被配置为进行如下控制：
[0238]
s101：根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
[0239]
s102：利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
[0240]
s103：将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
[0241]
从上述描述可知，本技术提供的银行客户信用风险分析方法，一方面能够利用秘密共享技术，通过安全多方计算的方式，在不泄露上方输入参数的前提下，使银行与神经网络模型服务提供商共同参与计算，确保在隐私数据不出库的前提下完成参数预测，即保护了各参与方输入数据的隐私性；另一方面能够利用算术电路及布尔电路，实现两者之间的相互转换，从而降低预测开销，提高预测效率，安全性高，准确性高，适用于银行客户信用风险评估的场景。
[0242]
在另一个实施方式中，银行客户信用风险分析装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置银行客户信用风险分析装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现银行客户信用风险分析方法的功能。
[0243]
如图13所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13中没有示出的部件，可以参考现有技术。
[0244]
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
[0245]
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
[0246]
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0247]
该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
[0248]
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如
消息传送应用、通讯录应用等)的各种驱动程序。
[0249]
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
[0250]
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
[0251]
本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的银行客户信用风险分析方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的银行客户信用风险分析方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0252]
s101：根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；
[0253]
s102：利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；
[0254]
s103：将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。
[0255]
从上述描述可知，本技术提供的银行客户信用风险分析方法，一方面能够利用秘密共享技术，通过安全多方计算的方式，在不泄露上方输入参数的前提下，使银行与神经网络模型服务提供商共同参与计算，确保在隐私数据不出库的前提下完成参数预测，即保护了各参与方输入数据的隐私性；另一方面能够利用算术电路及布尔电路，实现两者之间的相互转换，从而降低预测开销，提高预测效率，安全性高，准确性高，适用于银行客户信用风险评估的场景。
[0256]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0257]
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0258]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0259]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0260]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种银行客户信用风险分析方法，其特征在于，包括：根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。2.根据权利要求1所述的银行客户信用风险分析方法，其特征在于，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型，包括：利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数；利用所述安全激活函数构建安全的门函数；根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型。3.根据权利要求1所述的银行客户信用风险分析方法，其特征在于，所述加密的用户个人数据包括多个第一共享值；所述加密的信用等级预测模型参数包括多个第二共享值；所述利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级，包括：将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值；根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级。4.一种银行客户信用风险分析方法，其特征在于，包括：按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。5.根据权利要求4所述的银行客户信用风险分析方法，其特征在于，所述按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，包括：对所述加密的用户个人数据进行算术共享处理及布尔共享处理，得到第一处理结果；根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果；按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器。6.根据权利要求4所述的银行客户信用风险分析方法，其特征在于，所述根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱，包括：根据所述加密的个人风险等级及非加密的用户个人数据生成客户信用属性；根据所述非加密的用户个人数据生成客户信用人际关系；根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱。7.一种银行客户信用风险分析装置，其特征在于，包括：风险分析模型构建单元，用于根据加密的信用等级预测模型参数及时间循环神经网络
计算单元构建信用风险分析模型；个人风险评级单元，用于利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；个人风险等级加密发送单元，用于将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。8.根据权利要求7所述的银行客户信用风险分析装置，其特征在于，所述时间循环神经网络计算单元包括加法组件、乘法组件及布尔逻辑组件；所述风险分析模型构建单元，包括：激活函数生成模块，用于利用所述加法组件、乘法组件及布尔逻辑组件构建安全激活函数；安全的门函数生成模块，用于利用所述安全激活函数构建安全的门函数；风险分析模型构建模块，用于根据所述加密的信用等级预测模型参数及所述安全的门函数构建所述信用风险分析模型。9.根据权利要求7所述的银行客户信用风险分析装置，其特征在于，所述加密的用户个人数据包括多个第一共享值；所述个人风险评级单元，包括：算术布尔输出模块，用于将所述多个第一共享值及多个第二共享值按照预设逻辑输入所述信用等级预测模型中的各安全的门函数进行安全多方计算，得到算术共享输出值及布尔共享输出值；个人风险评级模块，用于根据所述算术共享输出值及布尔共享输出值计算所述加密的个人风险等级。10.一种银行客户信用风险分析装置，其特征在于，包括：秘密数据共享单元，用于按照秘密共享的方式将加密的用户个人数据发送至边缘服务器集中的各边缘服务器，以使所述边缘服务器集利用获取的信用等级预测模型参数、所述加密的用户个人数据及预先构建的信用风险分析模型进行安全多方计算，得到加密的个人风险等级；信用知识图谱构建单元，用于根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。11.根据权利要求10所述的银行客户信用风险分析装置，其特征在于，所述秘密数据共享单元，包括：算术布尔处理模块，用于对所述加密的用户个人数据进行算术共享处理及布尔共享处理，得到第一处理结果；算术布尔互转模块，用于根据所述第一处理结果进行算术转布尔共享处理及布尔转算术共享处理，得到第二处理结果；共享秘密发送模块，用于按照秘密共享的方式将所述第二处理结果发送至边缘服务器集中的各边缘服务器。12.根据权利要求10所述的银行客户信用风险分析装置，其特征在于，所述信用知识图谱构建单元，包括：信用属性生成模块，用于根据所述加密的个人风险等级及非加密的用户个人数据生成
客户信用属性；信用关系生成模块，用于根据所述非加密的用户个人数据生成客户信用人际关系；信用知识图谱构建模块，用于根据客户、所述客户信用属性及所述客户信用人际关系构建所述客户信用知识图谱。13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的银行客户信用风险分析方法的步骤。14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的银行客户信用风险分析方法的步骤。15.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的银行客户信用风险分析方法的步骤。

技术总结

本申请提供一种银行客户信用风险分析方法及装置，涉及人工智能领域，也可用于金融领域，包括：根据加密的信用等级预测模型参数及时间循环神经网络计算单元构建信用风险分析模型；利用加密的用户个人数据、所述加密的信用等级预测模型参数及所述信用风险分析模型进行安全多方计算，得到加密的个人风险等级；将所述加密的个人风险等级发送至银行业务服务器，以使所述银行业务服务器根据所述加密的个人风险等级及非加密的用户个人数据构建客户信用知识图谱。本申请能够按照秘密共享的方式，在保护用户隐私的前提下进行客户信用风险分析。分析。分析。