联邦学习的金融应用

协作。联邦学习可以应用于多个领域，如医疗健康、金融、能源等。在医疗健康领域，医疗机构、研究机构和患者可以共同参与联邦学习，从而提高疾病预测诊断和治疗的精度和效果。在金融领域，银行、信用卡公司、保险公司可以联合进行反欺诈、信用评估等方面的机器学习，并保护客户的隐私数据。在能源领域，不同的能源公司可以共同进行机器学习，提高能源利用效率、降低能源浪费，从而实现可持续发展。联邦学习的应用前景非常广阔，可以联邦学习是一种保护隐私安全的分布式的机器学习框架，能够让各参与方在不共享数据的前提下，联合进行机器学习。在保护用户隐私、企业数据安全、符合政府法规的基础上，联邦学习可从技术角度打破数据孤岛，实现AI实现更加高效、安全、隐私保护的机器学习。联邦学习的核心思想是在不将真实数据集公开的情况下，利用加密、去中心化、分布式等技术，在多个参与方之间共享模型参数，从而达到共同学习的目的。具体来说，联邦学习的更新参数，生成一个全局的模型参数，再将全局模型参数发送给参与方。隐私保护：为保护参与方数据隐私，一般采用加密、差分隐私等手段对数据进行处理。通过联邦学习，参与方能够共同训练一个更加准确的模型，而无

近日，由北京金融科技产业联盟组织编写的《联邦学习技术金融应用白皮书》正式发布，星环科技积极参与了白皮书的编写工作，并在金融应用场景下联邦学习安全性指标和安全等级划分等方面阐明了观点。联邦学习技术金融应用白皮书联邦学习技术金融应用白皮书该白皮书制定了联邦学习在金融行业的应用技术规范，从系统技术框架、功能要求、非功能要求、安全要求等方面对联邦学习在金融场景的应用进行了技术层面的规范，制定了行业内的联邦学习技术应用标准，规范了金融场景下联邦学习的应用流程和数据交换协议。北京金融科技产业联盟是在中国人民银行指导下发起设立，旨在推动落实央行金融科技相关政策要求，促进我国金融科技良性可持续发展。星环科技致力于打造企业级大数据基础软件，围绕数据的集成、存储、治理、建模、分析、挖掘和流通等数据全生命周期提供基础软件与服务，构建明日数据世界。此次能够参与《联邦学习技术金融应用白皮书》的编写工作，彰显了星环评测模型》、《图数据库金融应用技术规范》、《多模分布式数据库技术研究》等多项关键研究工作。此外，星环科技还有四位专家入库了北京金融科技产业联盟高级专家库。依托北京金融科技产业联盟打造的“政、产、学、研、用

数据协同场景下的隐私保护问题，通过加密等技术手段确保各方数据在不泄露隐私的情况下进行模型训练和优化，是隐私计算在机器学习领域的具体应用和创新。技术原理加密通信：在联邦学习中，参与方之间的通信通常采用联邦学习与隐私计算紧密相关，联邦学习是隐私计算的一个重要分支，在隐私保护的前提下实现了数据的协同利用和模型训练。基本概念联邦学习：是一种分布式机器学习技术，多个参与方在本地训练机器学习模型，然后将模型参数进行加密聚合，不断迭代优化模型，整个过程中数据始终不离开本地，既保护了数据隐私，又能利用各方数据共同训练出更准确的模型。与隐私计算的关系：联邦学习作为隐私计算的关键技术之一，重点解决了在多参与方客户端，同时还可能承担模型评估、超参数调整等任务。应用场景金融领域：银行、金融科技公司等不同金融机构之间可以在不共享客户敏感数据的情况下，联合训练风险预测模型、信用评估模型等，提高金融风险防控能力和信贷决策的准确性。医疗领域：不同医疗机构之间可以利用联邦学习技术，在保护患者隐私的前提下，联合训练疾病诊断模型、药物研发模型等，促进医疗数据的共享和利用，推动医学研究和临床实践的发展。物联网领域：众多物联网

联邦学习是隐私计算的一个重要分支，二者既有紧密联系，又在概念、技术特点、应用场景等方面存在一些区别。联系目标一致：联邦学习和隐私计算的总体目标都是在保护数据隐私的前提下，实现数据的价值挖掘和共享利用。它们致力于解决数据隐私与数据流通、协同计算之间的矛盾，使得数据在不泄露敏感信息的情况下，能够在不同主体之间进行有效处理和分析。技术融合：在实际应用中，联邦学习常常与其他隐私计算技术相结合，以进一步学习中，参与方之间的通信主要是模型参数的传递，而不是原始数据的交换，从而保护了数据的隐私性。应用场景隐私计算：适用于各种需要保护数据隐私的计算场景，如金融领域的联合风险评估、医疗行业的多中心数据分析、政务数据的跨部门共享等。联邦学习：主要应用于机器学习和人工智能领域，特别是在数据分散且具有隐私需求的情况下，如跨企业的用户行为预测、智能设备间的模型协同训练、多机构的医疗影像诊断等。性能与效率隐私计算增强隐私保护效果。例如，在联邦学习的模型训练过程中，可以使用同态加密对模型参数进行加密传输和聚合，防止中间结果被泄露；也可以引入差分隐私技术，在模型更新时添加噪声，提高隐私保护的安全性。区别概念范围隐私

隐私计算与联邦学习紧密相关，联邦学习是隐私计算的一个重要分支和应用场景。基本概念隐私计算：指在提供隐私保护的前提下实现数据价值挖掘的技术体系，包括安全多方计算、联邦学习、机密计算、差分隐私等多种技术。联邦学习：一种分布式机器学习框架，允许多个参与方在不共享原始数据的情况下，共同训练一个全局模型。关键技术同态加密：在联邦学习中，同态加密技术可用于对模型参数进行加密，使得在加密状态下进行计算和更新，解密后的结果与在明文上计算的结果一致，确保数据隐私。差分隐私：通过在模型参数更新过程中添加适量的随机噪声，使得攻击者难以从参数中推断出单个用户的隐私信息，进一步增强隐私保护效果。秘密共享：将模型参数或数据分割成多个份额，分发给不同的参与方，只有当足够数量的参与方合作时才能恢复出原始数据或正确的计算结果，防止单点数据泄露。工作流程数据准备：各参与方在本地准备好用于训练的数据，这些数据不离开本地设备或数据中心，避免了数据的直接共享。模型训练：参与方使用本地数据进行模型训练，并将训练得到的模型参数或梯度信息进行加密处理后上传到中心服务器或其他参与方。模型聚合：中心服务器或指定的聚合节点对收到的加密

多种技术手段，根据不同的应用场景和需求选择合适的技术来保护隐私。应用场景：联邦学习主要应用于机器学习和深度学习领域，如在医疗、金融、物联网等行业中，多个机构之间联合进行疾病诊断模型、信用评估模型、设备手中，而这些数据往往包含敏感信息。联邦学习和隐私计算都致力于在不泄露隐私数据的情况下，实现数据的价值挖掘和共享，打破数据孤岛，促进数据的流通和协同使用。技术融合：联邦学习是隐私计算的重要技术分支和应用场景之一。在联邦学习的过程中，会运用到多种隐私计算技术来确保数据的安全性和隐私性，如加密技术、差分隐私技术等。相互促进：隐私计算技术的发展为联邦学习提供了更强大的隐私保护手段，使其能够在更广泛的场景中应用。而联邦学习的实践也推动了隐私计算技术的不断创新和完善，为隐私计算技术提供了更多实际应用需求和挑战，促使其在性能、安全性等方面不断优化。区别概念侧重：联邦学习侧重于机器学习模型的训练和优化，强调在多个联邦学习与隐私计算是紧密相关且相互促进的两个概念，以下是它们之间的详细关系及相关情况：联系目标一致：都旨在解决在数据隐私保护前提下的数据处理与分析问题。在大数据时代，数据分散在不同的机构或个人

过程。这种学习方式可以有效解决目标域数据不足或标注困难的问题，同时保护源域和目标域数据的隐私。联邦学习的出现，不仅为隐私计算领域带来了新的思路和方法，也为数据共享和机器学习应用提供了更加安全可靠的解决方案。联邦学习，又称为联邦机器学习、联合学习或联盟学习，其核心思想是在不直接共享原始数据的情况下，通过对中间加密数据的流通与处理，实现多方联合的机器学习训练。这一技术为数据隐私保护与机器学习的结合提供了一种切实可行的方案，有效平衡了数据利用与隐私保护之间的矛盾。在联邦学习的框架中，参与方通常包括数据方、算法方、协调方、计算方、结果方以及任务发起方等角色。各方在保持数据本地化的同时，通过协同工作完成模型的训练和优化。根据参与计算的数据在数据方之间的分布情况不同，联邦学习可以分为横向联邦学习、纵向联邦学习和联邦迁移学习三种类型。横向联邦学习适用于数据集特征重叠多而样本重叠少的情况，即各数据方拥有相似的特征空间但样本空间不同。通过横向联邦学习，可以在保护各方数据隐私的前提下，将不同数据源的样本进行联合训练，提升模型的泛化能力。纵向联邦学习则适用于数据集样本重叠多而特征重叠少的情况，即各数据方拥有相似

联邦学习隐私计算是一种结合了联邦学习和隐私计算技术的创新方法，旨在解决在多参与方协作机器学习过程中的数据隐私保护问题。在大数据时代，数据分散在不同的机构或个人手中，形成了数据孤岛。传统的机器学习方法需要将数据集中到一处进行训练，这会带来严重的隐私风险。联邦学习应运而生，它允许各参与方在不共享原始数据的情况下，通过交换加密的模型参数共同训练一个全局模型。而联邦学习隐私计算则是在此基础上，进一步运用协作场景。应用场景金融领域：银行、证券等机构可联合进行信贷风险评估、反欺诈检测等模型的训练，在不泄露客户敏感信息的前提下，提高模型的准确性和可靠性。医疗健康领域：不同医疗机构之间可以共享医疗数据进行多种隐私计算技术，如加密技术、差分隐私等，对模型训练过程中的数据和信息进行更严格的隐私保护。关键技术加密技术同态加密：支持在密文上进行特定类型的计算，如加法同态加密可在加密数据上直接进行加法运算，乘法同态加密可进行乘法运算，计算结果解密后与在明文上进行相同运算的结果一致，从而保证数据在计算过程中的隐私性。混合加密：结合对称加密和非对称加密的优点，通常使用非对称加密进行密钥交换，再使用对称加密对大量

则可以在不同参与方之间安全地传输和更新。联邦学习的系统架构主要可以分为三类：横向联邦学习、纵向联邦学习和迁移学习。它们各自针对不同数据集的差异情况进行优化和设计，以适应不同的应用场景。横向联邦学习适用于联邦学习，又名联合学习或联盟学习，是一种允许多个参与方在不共享原始数据的情况下，共同构建和训练机器学习模型的技术。其核心思想在于“数据不出门，算法满地跑”，即原始数据无需离开本地，而算法或模型参数。纵向联邦学习则适用于样本重叠较多但特征不同的场景。在这种情况下，各参与方可以将自己的特征数据进行加密处理后发送给中心服务器，由中心服务器进行特征融合和模型训练。通过这种方式，可以在不直接共享原始特征数据的情况下，利用各自的数据优势进行协同学习。迁移学习则是一种更为灵活的联邦学习形式，它允许参与方在模型结构和损失函数上存在一定的差异。通过迁移学习，各参与方可以将自己的知识和经验以模型参数的形式分享给其他参与方，从而实现知识的传递和共享。联邦学习的出现，不仅解决了数据隐私和安全的问题，还促进了多方数据的协同利用和机器学习建模的效率提升。使得不同机构之间可以在保护各自数据资产的同时，共同推进技术的发展和创新。

近年来，企业数据安全问题的重要性被提上了前所未有的高度。星环科技提供了从云基础设施、数据平台、数据资源、数据应用的数据安全能力。覆盖数据生命周期的各个阶段，涉及数据的收集、存储、使用、加工以及开放流通。全方位保障企业的数据安全，支撑业务合法合规的开展。星环科技凭借全面的数据安全能力助力某支付机构构建安全防线的落地实践。该支付机构拥有大量数据资产，目前机构面临着较大的挑战，需要加强数据安全管理，为此，机构决定与星环科技合作，利用星环科技的技术来提升数据安全管理能力，共同打造一个基于隐私计算的数据服务平台DaaS。根据客户需求，星环科技在基础设施层提供了基于容器的云原生操作系统TCOS，可以为用户提供独立的数据与计算环境，减少数据对外暴露的风险。在数据平台层，星环科技大数据基础平台TDH新版本增强了安全技术，支持行列级权限控制、动态脱敏等。在数据资产层，星环科技借助两款新产品：数据安全管理平台Defensor帮助企业构建整个数据安全管理域及数据流通平台Navier：包含隐私计算平台SophonP²C和数据交易门户datamall，提供包括联邦学习和差分隐私等技术能力。该支付机构的数据管理平...

时空数据库时空数据库是一种针对时空数据处理的数据库系统。它以时间和空间为基础，整合了空间信息和时间信息，能够对时空数据进行存储、查询和分析。时空数据库广泛应用于交通运输、城市规划、GIS等领域。分布式时空数据库分布式时空数据库是一种对时空数据进行存储和处理的数据库系统，通过分布式存储和分布式计算等技术，可以实现对大规模时空数据的高效处理和分析。与传统的集中式数据库系统不同，分布式时空数据库将数据存储在多个存储节点上，并将计算任务分配给多个计算节点来完成，从而极大地提高了时空数据的处理能力和可靠性。分布式时空数据库的出现，使得处理大规模时空数据成为了可能，也更好地满足了各个领域对时空数据深度分析的需求。星环分布式时空数据库-TranswarpSpactureSpacture是星环科技自主研发的一款面向空间、时空数据的存储与管理，集计算与存储为一体的分布式数据库产品，支持大规模矢量数据、时空轨迹数据的存储与计算，具有完备的数据查询、分析和挖掘能力，可用于时空查询分析、时空模式挖掘、时空轨迹聚类等时空轨迹数据分析场景，广泛应用于交通物流、城市管理、位置服务等场景。

双碳目标下，全国碳排放监测服务平台启动建设力争2030年前实现碳达峰、2060年前实现碳中和，我国明确提出“双碳”目标，充分彰显了在构建人类命运共同体进程中的大国担当。国家电网公司主动担当重要使命，提出“实现双碳目标，能源是主战场，电力是主力军，电网是排头兵”的战略部署，率先行动，发布《全国碳排放监测服务平台建设工作方案》。“双碳”目标的实现离不开科技支撑。《全国碳排放监测服务平台建设工作方案》指出，全国碳排放监测服务平台建设的总体目标是以电网数字化赋能和助力国家碳达峰碳中和，实现“电力看双碳”，“双碳看经济”，为国家碳排放统计核算体系建设、宏观调控政策制定、经济社会全面绿色转型发展等工作提供决策支持。平台建设需要解决以下问题：以数字化平台技术解决各省的地市、区县、重点行业碳排放数据维度不全面、核算方法不完善、碳核算体系不统一等方面的问题；强化数据应用，发挥好决策支撑作用，深挖电力大数据价值，开展“电力看环保”“电力看经济”等大数据应用。积极响应号召，星环科技打造碳排放监测服务平台解决方案星环科技作为大数据基础软件领域的代表性企业，有着高度的责任感和使命感，为响应“全国碳排放监测服务平...

为解决AI落地难的问题，星环科技从用户需求端出发，研发了一款基于云原生架构的企业级AI能力运营平台SophonMLOps，助推AI模型落地。SophonMLOps是基于云原生架构构建的企业级AI能力运营平台，聚焦于机器学习模型全生命周期中的模型管理、模型部署、模型监控预警、模型评估和模型迭代等关键环节。通过统一纳管、统一运维、统一应用、统一监控、统一评估、统一解释，赋予企业客户易用、高效且安全可靠的AI能力运营服务，协助客户规模化管理日益增长的机器学习模型，提升模型使用效率，降低模型集成管理成本，控制模型生产环境风险。SophonMLOps针对企业AI运营的痛点，围绕企业AI模型接入、运营管理、持续训练的全生命周期，分别提供规模化集成管理、高效模型推理、模型监控预警、模型性能评估、隐私安全保障等功能，为企业的AI日常运营插上翅膀。SophonMLOps打通了AI的全生命周期，为企业的各类用户角色搭建了统一的AI协作平台。对于企业而言，MLOps规模化集成管理了多源异构的机器学习模型，并提供高效且保障隐私安全的模型推理、监控预警及性能评估服务；对用户而言，能感受到操作上的快捷，AI应用与...

作为一家企业级大数据基础软件开发商，星环科技很早就在数据中台领域布局，结合星环科技全系产品的相关组件实现数据中台能力建设。星环科技把数据中台建设归纳为三中心、六能力、两个体系，这当中都会有星环科技产品作为支撑，从而保证企业能够快速实现，并搭建起数据中台，满足企业未来发展变化。其中，三中心分别是存储中心、分析探索中心、业务赋能中心；六能力包括数据汇聚能力、数据整合能力、智能分析能力、实时计算能力、统一访问能力、统一服务能力；两个体系则是安全和运维保障体系与数据和分析支撑体系。三中心、六能力、两个保障体系都构建在一个云底座之上，满足企业私有化或者混合云多云的部署形态，同时灵活组件式的可插拔式部署形态，能够帮助企业更迅速的起步，按规划分步完善数据中台建设。除了提供基础组件和相应的工具帮助客户快速构建数据中台之外，星环科技还提供咨询实施服务，可以为企业提供量身定制的“数据云基础设施+咨询服务的端到端产品+服务”的综合解决方案。在星环科技的咨询服务产品体系中，包括为企业构建中台的架构规划、应用规划，以及帮助企业实施建设数据底座、数据中台、数据仓库，以及数据治理服务，也包括了数据的分析、业务分析、...

在国产数据库产品方面，星环科技坚持自主研发与技术创新，打造了自主可控的高性能分布式数据库ArgoDB和分布式交易型数据库KunDB，以及分布式图数据库StellarDB等产品。KunDB具备较强的SQL兼容性，同时具备高可用、高并发、在线扩缩容、数据强一致性等能力，适用于操作型业务、高并发业务等场景。ArgoDB具备完整的SQL兼容性，同时具备高扩展、高可靠、多模型、存算解耦等能力，一站式满足数据仓库、实时数据仓库、数据集市、OLAP、联邦计算等场景。通过不断的打磨和对业务场景不断的落地实践，ArgoDB和KunDB已成为具有完全自主知识产权的成熟的国产数据库，能够为更多的客户提供高性能、高可靠、成熟的数据库产品服务，帮助用户应对智能数据时代海量数据的分析与探索。分布式图数据库StellarDB兼容openCypher查询语言，提供海量图数据的存储和分析能力，支持原生图存储结构，支持万亿边PB级数据存储。同时，StellarDB具备毫秒级点边查询能力，10+层的深度链路分析能力，提供近40种的图分析算法，具备数据2D和3D展示能力。星环科技StellarDB在金融、政府和社交网络等领域...

随着行业和技术领域的变化日新月异，从数据仓库、动态数仓，到数据湖，从新一代湖仓一体技术到可插拔数据库，概念的引入虽然简单，但如何做到更有效，更复杂的数据资产管理就考验着对生产能力和工艺过程的管理能力。星环科技认为数据中台是一种能力、是一种组织上的策略而不仅仅是一种技术架构，它是在信息化基础上建立的可编织和可复用的数据可分析能力，从而支撑企业数字化转型。星环科技的数据中台三中心、六能力、两个体系星环科技很早就在数据中台领域布局，结合星环科技全系产品的相关组件实现数据中台能力建设。星环科技把数据中台建设归纳为三中心、六能力、两个体系，这当中都会有星环科技产品作为支撑，从而保证企业能够快速实现，并搭建起数据中台，满足企业未来发展变化。数据存储、分析探索、业务赋能三中心第一，帮助企业构建存储中心，提升数据的汇聚和整合能力；第二，构建数据分析探索中心，专注于智能分析能力和实时计算能力的提升，推动智能推荐能力和全链路实时监测和保障能力；第三，构建业务赋能中心，提供统一的访问能力实现跨平台联邦，统一的访问层控制，确保数据安全可用，同时搭建统一的服务能力，面向多场景的服务应用支撑。安全和运维、数据和分...

星环科技致力于打造企业级大数据基础软件，具备大数据与云基础平台、分布式关系型数据库、数据开发与智能分析工具的软件产品矩阵，多年来深耕电力领域，覆盖电力产业“发-输-变-配-用”五大环节，为推动电力行业数字化转型做出了重要贡献。在国网上海电力智能配用电大数据应用系统建设项目中，基于星环科技大数据基础平台TDH构建的智能配用电大数据应用系统汇集了浦东1210平方千米的236万户的用电数据，高负荷738万千瓦，年用电量329亿度，占上海全网四分之一。集成的内外部数据源有10个，整个数据量到现在已经接近8个T了，台账的数据总量有29.14万条。在多元数据集成及大数据平台基础之上，应用系统实现了用电查询，电力地图等基础功能及用户用电行为分析，节电用电预测网架优化和错峰调度等业务应用。基于多源异构数据的关联解析，和海量用电负荷实际数据存储、索引，实现了用电查询的基础应用，包括230万用户，26000个台区，4000余中压馈线的基本台账及用电数据的快速查询，并可以进行用户用电画像、地图定位、供电范围等数据的查询，服务响应时间在三秒以内。此前，星环科技还曾凭借《星环科技电力智慧供应链智能决策平台建设方...

图数据库的应用场景非常广泛，可以应用于各个行业。以下是一些常见的应用场景：金融：在金融领域，图数据库可以帮助银行、保险公司等企业处理复杂的数据结构，支持欺诈检测、交易路由、投资组合分析等操作。社交网络：图数据库可以存储和处理社交网络中的复杂关系图谱和大量用户数据，支持好友推荐、社区发现、个性化内容推荐等操作。物流：在物流领域，图数据库可以帮助企业优化路径规划、物流运输等操作，加速发货、配送时间并提高效率。制造业：图数据库可以支持企业处理复杂的设备关系结构图，进行维修保养、设备性能分析、生产计划优化等操作。能源行业：在能源领域，图数据库可以处理复杂的电网、管道等结构图谱，并支持多种能源趋势分析和紧急事件监测等操作。电商：图数据库可以应用于电商业务中，存储和处理复杂的商品与用户之间的关系，支持个性化推荐、购物车分析、用户行为预测等操作。图数据库可以在各个领域中应用，并且在处理复杂的数据结构和大量的数据时比传统数据库具有更高的性能和效率。星环分布式图数据库StellarDB星环科技致力于打造企业级大数据基础软件，围绕数据的集成、存储、治理、建模、分析、挖掘和流通等数据全生命周期提供基础软件与...

星环科技作为一家企业级大数据基础软件开发商，在图计算领域深耕多年，有着深厚的技术积淀和丰富的实践经验。星环科技自主研发的分布式图数据库StellarDB，兼容openCypher查询语言，提供海量图数据的存储和分析能力，支持原生图存储结构，支持万亿边PB级数据存储。同时，StellarDB具备毫秒级点边查询能力，10+层的深度链路分析能力，提供近40种的图分析算法，具备数据2D和3D展示能力。StellarDB克服了海量关联图数据存储的难题，通过集群化存储和丰富算法，实现了传统数据库无法提供的低延时多层关系查询，目前已经用于金融、政府、交通等众多行业，用于反洗钱、风险控制、营销等多种场景。同时StellarDB还获得了多项行业权威认可：入选信通院2022大数据十大关键词“图计算平台”代表厂商；通过了中国信通院图数据库和图计算平台基础能力两项专项测评；入选著名咨询机构Gartner《中国数据库市场指南》、《工具：中国数据库管理系统供应商甄选》报告等，彰显了其产品技术领先性。如今，5G、物联网、AI等技术的发展应用让数据呈指数倍增长，为图数据库发展提供了更广阔的应用空间。顺势而为，乘势而上...