银行 隐私计算 信用

公司新闻近日讯，星环科技中标民生银行信用卡部项目，将为民生银行打造独有金融大数据平台，以期满足银行大数据平台需求，并解决金融大数据项目的诸多难题。银行信用卡部门的大数据项目的特点是数据分析功能复杂ANSISQL2003语法和PL/SQL过程语言扩展的完整支持，这成功帮助民生银行信用卡部实现非现场审计业务向Hadoop平台的迁移；其次，基于用户画像和机器学习算法的客户流失风控预警数据挖掘，具有算法万并发的情况下，实现秒级响应，历史数据查询性能大幅提升.Hyperbase的SQL完整支持度也给用户的使用带来了大大的便利性。星环大数据平台满足了以上三点需求，解决了民生银行信用卡部过去数据量庞大，要求也特别高。星环大数据平台在民生信用卡部集中大数据分析平台中解决了几个关键需求。首先，信用卡中心的非现场审计业务顺利上线，该业务的SQL非常复杂，星环科技TranswarpDataHub平台具有对复杂、计算量大、迭代次数多特点，星环的分布式机器学习算法，是利用R语言进行数据挖掘，一是可以进行全量数据，不需要采样，可以提高准确度；二是可以采用新的机器学习模型，而不是以往采用的规则引擎和SQL统计

公司新闻近日讯，星环科技中标民生银行信用卡部项目，将为民生银行打造独有金融大数据平台，以期满足银行大数据平台需求，并解决金融大数据项目的诸多难题。银行信用卡部门的大数据项目的特点是数据分析功能复杂ANSISQL2003语法和PL/SQL过程语言扩展的完整支持，这成功帮助民生银行信用卡部实现非现场审计业务向Hadoop平台的迁移；其次，基于用户画像和机器学习算法的客户流失风控预警数据挖掘，具有算法万并发的情况下，实现秒级响应，历史数据查询性能大幅提升.Hyperbase的SQL完整支持度也给用户的使用带来了大大的便利性。星环大数据平台满足了以上三点需求，解决了民生银行信用卡部过去数据量庞大，要求也特别高。星环大数据平台在民生信用卡部集中大数据分析平台中解决了几个关键需求。首先，信用卡中心的非现场审计业务顺利上线，该业务的SQL非常复杂，星环科技TranswarpDataHub平台具有对复杂、计算量大、迭代次数多特点，星环的分布式机器学习算法，是利用R语言进行数据挖掘，一是可以进行全量数据，不需要采样，可以提高准确度；二是可以采用新的机器学习模型，而不是以往采用的规则引擎和SQL统计

公司新闻近日讯，星环科技中标民生银行信用卡部项目，将为民生银行打造独有金融大数据平台，以期满足银行大数据平台需求，并解决金融大数据项目的诸多难题。银行信用卡部门的大数据项目的特点是数据分析功能复杂ANSISQL2003语法和PL/SQL过程语言扩展的完整支持，这成功帮助民生银行信用卡部实现非现场审计业务向Hadoop平台的迁移；其次，基于用户画像和机器学习算法的客户流失风控预警数据挖掘，具有算法万并发的情况下，实现秒级响应，历史数据查询性能大幅提升.Hyperbase的SQL完整支持度也给用户的使用带来了大大的便利性。星环大数据平台满足了以上三点需求，解决了民生银行信用卡部过去数据量庞大，要求也特别高。星环大数据平台在民生信用卡部集中大数据分析平台中解决了几个关键需求。首先，信用卡中心的非现场审计业务顺利上线，该业务的SQL非常复杂，星环科技TranswarpDataHub平台具有对复杂、计算量大、迭代次数多特点，星环的分布式机器学习算法，是利用R语言进行数据挖掘，一是可以进行全量数据，不需要采样，可以提高准确度；二是可以采用新的机器学习模型，而不是以往采用的规则引擎和SQL统计

公司新闻近日讯，星环科技中标民生银行信用卡部项目，将为民生银行打造独有金融大数据平台，以期满足银行大数据平台需求，并解决金融大数据项目的诸多难题。银行信用卡部门的大数据项目的特点是数据分析功能复杂ANSISQL2003语法和PL/SQL过程语言扩展的完整支持，这成功帮助民生银行信用卡部实现非现场审计业务向Hadoop平台的迁移；其次，基于用户画像和机器学习算法的客户流失风控预警数据挖掘，具有算法万并发的情况下，实现秒级响应，历史数据查询性能大幅提升.Hyperbase的SQL完整支持度也给用户的使用带来了大大的便利性。星环大数据平台满足了以上三点需求，解决了民生银行信用卡部过去数据量庞大，要求也特别高。星环大数据平台在民生信用卡部集中大数据分析平台中解决了几个关键需求。首先，信用卡中心的非现场审计业务顺利上线，该业务的SQL非常复杂，星环科技TranswarpDataHub平台具有对复杂、计算量大、迭代次数多特点，星环的分布式机器学习算法，是利用R语言进行数据挖掘，一是可以进行全量数据，不需要采样，可以提高准确度；二是可以采用新的机器学习模型，而不是以往采用的规则引擎和SQL统计

公司新闻近日讯，星环科技中标民生银行信用卡部项目，将为民生银行打造独有金融大数据平台，以期满足银行大数据平台需求，并解决金融大数据项目的诸多难题。银行信用卡部门的大数据项目的特点是数据分析功能复杂ANSISQL2003语法和PL/SQL过程语言扩展的完整支持，这成功帮助民生银行信用卡部实现非现场审计业务向Hadoop平台的迁移；其次，基于用户画像和机器学习算法的客户流失风控预警数据挖掘，具有算法万并发的情况下，实现秒级响应，历史数据查询性能大幅提升.Hyperbase的SQL完整支持度也给用户的使用带来了大大的便利性。星环大数据平台满足了以上三点需求，解决了民生银行信用卡部过去数据量庞大，要求也特别高。星环大数据平台在民生信用卡部集中大数据分析平台中解决了几个关键需求。首先，信用卡中心的非现场审计业务顺利上线，该业务的SQL非常复杂，星环科技TranswarpDataHub平台具有对复杂、计算量大、迭代次数多特点，星环的分布式机器学习算法，是利用R语言进行数据挖掘，一是可以进行全量数据，不需要采样，可以提高准确度；二是可以采用新的机器学习模型，而不是以往采用的规则引擎和SQL统计

联合起来进行分析，从而有效识别信用等级、降低多头信贷、欺诈等风险。例如，通过隐私计算平台，多家银行可以共享客户的信用记录，而不暴露具体数据，从而更准确地评估客户的信用风险。反洗钱：隐私计算可以帮助金融机构。例如，银行可以通过隐私计算平台，分析客户的消费习惯和偏好，推荐适合的金融产品。数据共享跨机构数据共享：隐私计算平台可以实现金融机构之间的数据共享，而不泄露原始数据。例如，金融行业隐私计算平台由多家国有隐私计算是一种能够在保护数据隐私的前提下，实现数据共享和分析的技术。它在多个行业中有广泛的应用，以下是一些主要的应用场景：金融行业风险控制联合风控：金融机构可以利用隐私计算技术，将自身和外部数据提高反洗钱甄别能力，通过联合分析多家机构的数据，识别可疑交易行为，而不泄露客户的隐私信息。营销精准营销：金融机构可以利用隐私计算技术，对客户数据进行分析，生成精准的用户画像，从而实现个性化的营销推荐大行联合发起，实现了原始数据不出域、数据可用不可见、使用可控可计量。医疗行业临床辅助智能医学影像分析：通过隐私计算技术，可以安全有效地利用影像学数据进行多中心数据协作，提高训练样本数据量和质量，从而

联合起来进行分析，从而有效识别信用等级、降低多头信贷、欺诈等风险。例如，通过隐私计算平台，多家银行可以共享客户的信用记录，而不暴露具体数据，从而更准确地评估客户的信用风险。反洗钱：隐私计算可以帮助金融机构。例如，银行可以通过隐私计算平台，分析客户的消费习惯和偏好，推荐适合的金融产品。数据共享跨机构数据共享：隐私计算平台可以实现金融机构之间的数据共享，而不泄露原始数据。例如，金融行业隐私计算平台由多家国有隐私计算是一种能够在保护数据隐私的前提下，实现数据共享和分析的技术。它在多个行业中有广泛的应用，以下是一些主要的应用场景：金融行业风险控制联合风控：金融机构可以利用隐私计算技术，将自身和外部数据提高反洗钱甄别能力，通过联合分析多家机构的数据，识别可疑交易行为，而不泄露客户的隐私信息。营销精准营销：金融机构可以利用隐私计算技术，对客户数据进行分析，生成精准的用户画像，从而实现个性化的营销推荐大行联合发起，实现了原始数据不出域、数据可用不可见、使用可控可计量。医疗行业临床辅助智能医学影像分析：通过隐私计算技术，可以安全有效地利用影像学数据进行多中心数据协作，提高训练样本数据量和质量，从而

，从而保证了数据的隐私性。应用场景金融风控：多家金融机构可在不共享客户敏感信息的情况下，联合进行风险评估和信用评分。例如，银行、电商平台和第三方支付机构等，通过多方隐私计算技术，综合各方数据对客户的多方隐私计算是隐私计算领域的一个重要分支，旨在多个参与方之间进行数据处理和计算时，确保各方数据隐私安全的同时实现数据价值的挖掘和共享。核心技术多方安全计算（MPC）：如前所述，通过秘密分享、同态加密、混淆电路等技术，使多个参与方能够在不泄露各自隐私数据的情况下进行协同计算，计算结束后各参与方只能得到与自己相关的结果或经过处理后的聚合结果，而无法获取其他方的隐私数据。联邦学习（FL）：各参与方在隐私（DP）：通过在数据中添加精心设计的噪声，使得在对数据进行统计分析或计算时，即使攻击者获得了计算结果，也难以推断出单个个体的隐私信息。在多方计算中，可用于对中间结果或最终输出进行隐私保护，防止信息泄露。同态加密（HE）：允许直接在密文上进行特定类型的计算，计算结果解密后与在明文上进行相同计算的结果相同。在多方隐私计算中，数据以密文形式在各方之间传输和处理，各方可以在不解密数据的情况下进行计算

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...