BOB投注官网《中国金融》|隐私计算赋能供应链

  BOB电竞投注《中国金融》|隐私计算赋能供应链金融隐私计算技术的兴起,源自数据要素市场对于数据共享和数据安全的双重需求。在金融数字化转型发展迫在眉睫的今天,秉承开放共赢态度、开展同业或跨业合作是必然趋势,如何在保证数据隐私要求的前提下,破除数据孤岛、打破数据壁垒、完成安全度的数据融合,已成为亟待解决的重要课题,隐私计算技术也就此应运而生。近年来,政策层面对于数据融合的战略布局与隐私安全的高度重视,不仅为隐私计算技术在金融领域的应用提出了规范和要求,而且也为其提供了新的发展机遇与指引。在行业层面,隐私计算技术已成为各国科技公司竞相争夺的热门赛道,未来有望成为数据信息市场化的基础设施。

  从本质来看,隐私计算是机器学习模型创新体现的技术方案,是针对隐私信息全生命周期保护的计算理论和方法。隐私计算技术通过对原始数据的隐私信息进行提炼、度量、融合,结合统计学和密码学理论技术,形成标准化、公式化的计算方法及应用手段,从而达到在不贡献原始数据的情况下对数据计算成果进行使用,且数据脱敏不可逆,实现数据“可用而不可见、可算而不可识”。

  在硬件层面,隐私计算技术方案主要为可信执行环境(Trusted Execution Environment),即利用硬件隔离技术将执行环境与普通环境隔离开来,保留CPU的算力共享与硬件资源。作为独立的处理环境,无论系统其他程序中是否面对非法用户或恶意软件的攻击破坏,在可信执行环境中均可安全私密地执行程序,保证了关键代码和机密数据的安全性与完整性。

  供应链金融以供应链管理为基础,以真实交易背景为前提,以核心企业信用传导为支撑,以金融科技的加持为手段,对供应链上各主体衍生出有针对性的业务解决方案,从而为缓解供应链上的中小微企业融资难、融资慢、融资贵问题,提供了一种有效方式。近年来,在政策扶持与市场驱动共同作用下,我国供应链金融实现了高速创新发展。但与此同时,在具体实践中,供应链金融也面临着诸多困境。

  一是高度中心化。供应链金融借助核心企业的信用增信,辅助金融机构对交易真实性进行核实,可在一定程度上保障金融机构的回款安全。当前,供应链金融业务基本上依靠核心企业的信用价值转移来开展,核心企业确权成为交易真实性审核的重要条件,风控完全依赖核心企业的信用释放。然而,部分核心企业并不具有完善的供应链管理能力以及合作共赢的责任意识,甚至在整个供应链信用体系构建过程中试图依靠自身的核心地位对上下游的中小微企业造成二次盘剥,导致中小微企业在融资过程中的话语权进一步降低。供应链金融业务流程高度中心化不利于解决中小微企业融资困境,也有悖于实现降本增效的初衷。

  二是长尾群体不易触达。一直以来,金融机构在长尾群体的有效触达以及风控判别方面受到较大的制约,根本原因在于供应链金融的信用穿透力度不足。具体因素主要包括:提供相关服务的平台设施覆盖率不够;核心企业对于所支持的上下游多层级企业的准入要求较高;科技支持力度不够导致核心企业信用传导不力;没有足够的风控手段支持信贷资金触达供应链末端。

  三是产融结合不到位。供应链金融从本质上看是产业资本与金融资本的有效融合,旨在促进金融资本更大程度地渗透到实体经济。但从实践经验来看,产融结合一直是普遍面临的难题,在实体制造行业尤为显著。究其原因,一方面,我国金融机构为分业经营模式,在一级市场上占主导地位的商业银行本身不具备对接资本市场的相关职能,直接导致了产业资本与金融资本的融合度不足;另一方面,市场上虽有诸多产业主体以集团财务公司、参股商业银行等形式实现产融结合,但对于产业内跨集团资源融合的相关探索实践仍相对滞后。

  近年来,区块链、物联网、云计算等技术在供应链金融领域的应用快速拓展,形成了一批行之有效的创新成果,但在实践过程中仍面临诸多问题,尤其是在数据隐私和数据安全方面的挑战日益严峻。而隐私计算技术的发展,将对上述技术形成有效补充或增进,BOB投注从而为供应链金融创新发展提供新的技术支撑。

  区块链具有不可篡改、可追溯的特征,联邦学习是分布式机器学习技术,将两者融合使用,可同时具备多方安全计算、信息分布式存储、网络去中心化节点互信等特点。

  联盟链可为联邦学习各参与方提供更加可信的计算环境。通过将样本、模型参数等数据上链,可进一步提升联邦学习计算过程的透明性和可追溯性,解决各方之间不互信的问题。

  与区块链结合有助于判定联邦学习各方贡献度。基于区块链技术的智能合约程序的执行,需多方共同参与。但现有区块链技术应用场景(如加密货币的交易指令集),仅应用于对合约数据的完整性及所有权认证方面,对于参与方数据的隐私性尚不具备完备的安全措施。因此,出于保护数据隐私与安全的考虑,可建立基于多方安全计算的智能合约执行程序,实现隐私智能合约,形成安全的多方计算市场。

  物联网系统通过整合不同传感器收集的数据,从而生成目标结果。在数据传到基站的过程中,以明文方式发送很容易产生数据暴露的风险。通过隐私计算技术与物联网技术相结合,以同态加密技术对明文进行加密,可保护相关节点的隐私,在不解密的情况下对信息数据进行运算交互处理,从而解决物联网技术中数据隐私的问题。

  云计算技术促进了计算能力、存储空间的爆发式发展,同时也增加了人们对数据安全的担忧。在传统云计算技术中,由于计算环境的结构特点,各存储节点无法全部被有效控制,同时存储在云端的加密数据必须经解密后才可进行操作。上述问题均给攻击者以可乘之机,存在较大的安全隐患。同态加密技术的引入,使得云端数据在加密状态下即可计算操作,解决了数据隐私安全的问题。

  隐私计算技术等技术创新性的融合应用,可为供应链金融困境提供更优的解决方案,推动构建产融生态联盟,为供应链金融注入新的活力。

  为帮助中小微企业能够凭借自身供应链数据资产获得融资,就需要建立一套能够精准反映中小微企业表现的“信用画像系统”。这是一项系统工程,不仅涉及跨领域、度的数据融合,而且牵涉跨部门、跨领域的多方合作。在这个过程中,各数据来源特别是政务部门出于法律法规的约束以及对数据安全的考量,对于数据共享存在较大顾虑。借助联邦学习技术,各政务部门可在不暴露原始数据的前提下,通过训练参数对画像主体进行联合建模。各部门对所掌握的不同数据特征在本地进行算法训练,对各参数进行虚拟融合和样本对齐,通过对模型参数进行交互,收敛形成综合反映企业存续、经营、信用等信息的计量模型。最终实现“敏感数据不出门”,即可完成对中小微企业的多方联合画像,从风险源头化解中小微企业的信贷壁垒。

  弱化核心企业主导、由第三方搭建供应链综合服务平台,是供应链金融未来发展的方向之一。在平台设计层面,可利用“隐私计算+区块链”技术,有效集合核心企业、上下游企业及其他相关方(物流、担保等)。全链条相关场景均在平台上操作进行,突破供应链金融贸易背景的验证、确权等关键环节存在的问题,打破以核心企业确权为必要前提的融资定例。各方数据加密上链,共享分布式账本,同时辅之以隐私计算技术,在业务链条中实现智能合约的安全有效执行,各节点在本地平行计算,弱化信息传递的过程,链上长尾端群体也可同等有效地被覆盖,从而改变传统供应链金融核心企业信用穿透度向上下游递减的业务形态(见图1)。

  供应链金融中市场对存货融资模式的发展普遍持审慎态度,对于担保货物的有效监控便是其中的难题之一。通过新技术的加持,一方面,利用物联网设备在对货物进行监控及信息摄取时,可融合隐私计算技术对传导的数据进行加密,解决节点隐私暴露的风险;另一方面,对货品的位置、BOB投注形态等进行实时追踪,将位置数据、环境数据、状态数据等保存下来,处理后上链。对金融机构来说,可据此对货物信息进行核实,提供信贷依据,也可在贷后对货品进行追踪,辅助贷后风控。此外,构建基于隐私计算的仓单数字信用体系,可对各仓内设备数据、仓库管理数据、物流数据等加密上链,保证数据真实性、关联性、安全性,同时进行仓单画像与评级,实现仓单智能风控。

  当前,我国正面临产业链高质量、现代化发展的重大机遇和挑战,促进产业链资源共享是数字经济时代的必然要求。未来可利用隐私计算等新兴技术将产业资本之间、金融资本之间、产业资本与金融资本之间的流通渠道交叉打通,共享商流、物流、资金流、信息流等多方数据,打造产融生态圈,共建数字化产融生态联盟。

  打造产融生态联盟,首先要打破市场主体的零和博弈思维,秉承“共商、共建、共享”的原则,变“零和”为“正和”。在解决了主体意愿的前提下,数据的真实性、安全性与隐私性的保障即是首要任务,而隐私计算技术的价值,就体现于此。产融生态圈的搭建可从横向和纵向两个维度探索推进。

  一方面,横向建立区域数据共享平台。在全国各区域范围内建立征信联盟或数据金融服务平台,是普惠金融数字化改革的重大举措。目前各区域型的数据金融服务平台(如广东“粤信融平台”、浙江“台州数字金融服务平台”等),集合了诸多政务部门的信息数据,基本满足了金融机构一站式信息查询的需求。未来,可将“隐私计算+区块链”技术作为区域数据共享平台及区域征信联盟的技术基站,政府部门及金融机构将加密数据进行上链共享,完成协同合作。通过加密上链的形式,解决政务部门对敏感数据隐私安全的担忧,可激励更多的部门参与,数据来源更加,以此训练的模型也更加精准有效。金融机构可通过政务部门分享的加密数据进行联合计算建模,搭建风控模型。在各金融机构之间,也可以通过数据安全融合,了解某一客户整体的实力及风险暴露情况,便于进行信贷指导及精准营销;同时,建立合理可行的奖励机制,将模型使用收益按各方贡献比例进行分配。

  另一方面,纵向打造产业生态圈。通过各产业链之间的对接,形成针对特定产业的网格状产融生态联盟。联盟成员包括政务部门、业内龙头企业、上下游企业、业内服务机构(物流、担保、监理等)、金融机构等。BOB投注利用隐私计算、区块链等技术,在保证数据真实可信、安全隐私的前提下实现数据共享协同。比如,可通过横向跨产业链实现贸易数据共享。企业X同时是三家核心企业A、B、C的供应商。在X利用与A的应收账款申请融资时,可以通过横向联邦学习技术,对X-A、X-B、X-C之间的所有贸易数据进行联合建模。相比只取得X-A的历史数据,此举更能综合体现X的整体贸易情况,从而为金融机构提供更全面、更精准的信贷依据。再如,建筑企业可通过数据共享实现对招标单位的有效判别。建筑单位作为核心企业,通过对某个施工单位在金融机构的信贷数据、监理公司的工程施工监理数据、业主单位反馈情况等进行纵向联邦学习训练,可以了解施工单位行业专业性、信用水平,为将来的建设施工招投标制定指导方案。

  发展数字经济就必须打破信息不对称,实现信息价值最大化。隐私计算以第三方平台的形式服务多应用场景,是解决“数据孤岛”的最优技术解。供应链金融的重要作用就是要解决金融机构对小微企业融资过程中面临的信息不对称,其业务特点与隐私计算的技术靶向有着天然的契合性,产融生态联盟的构建更是典型的隐私计算核心技术的培育场。隐私计算与供应链金融的结合必将碰撞出多种业务解决方案。

  目前,隐私计算在供应链金融及产融生态建立过程中的应用,仍面临着诸多待突破的难点。首先,在行业内尚需建立一套规范的效果评估体系,支持使用者可以准确评估隐私计算产品的应用效果。其次,需建立合理有效的激励机制,解决数据要素价值不易衡量的问题,对联合计算各方的贡献进行有效量化,从而对各方实现公平合理的收益分配。再次,需明确计算成果的权属界定规则,解决在技术落地过程中授权主体的问题;最后,鉴于市场各技术服务机构在隐私计算平台上部署组件存在各种差异,不同机构部署的平台难以形成互联互通并存在重复搭建的可能性。有鉴于此,尽管隐私计算技术已在各领域初试锋芒,但其成熟的应用模式仍有待各方在实践同探索。■