基于FPGA硬件加速的金融风险智能预警与风控系统的制作方法

本发明涉及海量金融数据处理技术领域，尤其是涉及一种基于fpga硬件加速的金融风险智能预警与风控系统。

背景技术：

fpga是现场可编程门阵列(fieldprogrammablegatearray)的简称，通常被应用于特定应用领域的计算加速，是异构计算家族重要的一员。近年来，gpu/fpga的使用，使得深度学习的训练速度倍数提升，大规模、高性能的云端计算硬件集群成为人工智能发展的强劲引擎。fpga在互联网、人工智能行业逐渐被应用起来，涉及人脸识别、语音识别、智能家居、智能交通、基因测序、视频、图像、文本数据处理等众多领域。

目前在海量数据处理，主流方法是通过易编程多核cpu+gpu来实现，而从事海量数据处理应用开发(如密钥加速、图像识别、语音转录、加密和文本搜索等)。设计开发人员既希望gpu易于编程，同时也希望硬件具有低功耗、高吞吐量和最低时延功能。但是依靠半导体制程升级带来的单位功耗性能在边际递减，cpu+gpu架构设计遇到了瓶颈。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于fpga硬件加速的金融风险智能预警与风控系统。

本发明的目的可以通过以下技术方案来实现：

一种基于fpga硬件加速的金融风险智能预警与风控系统，包括：

数据采集模块，用于获取金融行情数据和行业数据，并加速解析获得解析行情数据；

数据过滤筛选模块，用于对所述解析行情数据和行业数据进行过滤筛选，获得过滤数据；

数据脱敏转存模块，用于对所述过滤数据进行脱敏处理，并转存至云端，形成数据集；

人工智能分析模块，用于调用所述数据集，基于所述数据集训练获得一人工智能学习模型，根据所述人工智能学习模型及用户多维度信息获得用户金融风险分析结果；

所述数据采集模块包括用于对所述金融行情数据进行硬件加速并解析的fpga行情加速平台。

进一步地，所述行业数据包括舆情数据、行业新闻以及黑天鹅事件数据。

进一步地，所述行业数据通过深聚焦爬虫算法获取。

进一步地，所述fpga行情加速平台包括：

网络数据过滤器，用于抓取具有设定网络数据头的行情数据帧；

解析单元，用于对所述行情数据帧进行解析，获得解析行情数据。

进一步地，所述过滤筛选包括数据合规性与合理性检查、异常数据筛除和数据推理补全。

进一步地，所述脱敏处理具体为：对所述过滤数据中的敏感数据进行数据变形。

进一步地，所述人工智能分析模块中，实时根据数据集对人工智能学习模型进行训练学习，同时将训练完成的人工智能学习模型传送至fpga行情加速平台中。

进一步地，所述fpga行情加速平台包括：

数据量判定单元，用于判定当前处理数据量是否超过设定阈值；

人工智能判定单元，基于解析行情数据、行业数据及存储的人工智能学习模型进行人工智能分析。

进一步地，所述用户多维度信息包括信用历史、行为偏好、履约能力、身份特质和人脉关系。

与现有技术相比，本发明根据金融市场数据实时性、灵活性、复杂性以及数据规模庞大的特点，利用了fpga实现海量数据加速及解析，爬虫技术搜集舆情信息，通过人工智能学习以及大数据分析，可以实现一套完整的基于金融大数据的证券智能投顾平台、客户画像分析以及建立金融风险智能预警与风控系统，具有以下有益效果：

1)本发明基于fpga硬件加速实现，能够快速获得分析结果。

2)本发明在采集数据后对数据进行筛选、过滤、脱敏等损伤，可以有效提高分析结果的准确性。

3)本发明基于人工智能分析模型进行分析，包括人机协同、深度学习、强化学习等，最大化完成机器自我学习教育，使模型分析不断成熟精准，可以根据客户需求实现精准判断、推荐解答、智能投顾。

4)本发明在fpga硬件中，通过网络数据过滤器有效地特定网络数据头为特征，抓取需要的网络数据帧，丢弃不需要的网络数据帧，大大提高了解析速率，实现了行情数据的极速解析，解决了tcp解析延迟的问题。

5)本发明在获得最终用户金融风险分析结果时综合考虑了如信用历史、行为偏好、履约能力、身份特质、人脉关系等多个维度信息，分析结果更为准确。

附图说明

图1为本发明的结构示意图；

图2为本发明各模型间的数据流向示意图；

图3为本发明的总体流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供一种基于fpga硬件加速的金融风险智能预警与风控系统，包括数据采集模块1、数据过滤筛选模块2、数据脱敏转存模块3和人工智能分析模块4，其中，数据采集模块1用于获取金融行情数据和行业数据，并加速解析获得解析行情数据；数据过滤筛选模块2用于对所述解析行情数据和行业数据进行过滤筛选，获得过滤数据；数据脱敏转存模块3用于对所述过滤数据进行脱敏处理，并转存至云端，形成数据集；人工智能分析模块4用于调用所述数据集，基于所述数据集训练获得一人工智能学习模型，根据所述人工智能学习模型及用户多维度信息获得用户金融风险分析结果。所述数据采集模块包括用于对所述金融行情数据进行硬件加速并解析的fpga行情加速平台。

数据采集模块1获取金融行情数据和行业数据，行业数据包括舆情数据、行业新闻以及黑天鹅事件等数据。金融行情数据以利用各个金融机构公开的数据接口直接获得，行业数据通过深聚焦爬虫算法获取。

fpga行情加速平台具有超高速数据流处理，可以实现并行运算，加快运行速度，也可以降低cpu执行软件的压力。在某些实施例中，fpga行情加速平台包括：网络数据过滤器，用于抓取具有设定网络数据头的行情数据帧；解析单元，用于对所述行情数据帧进行解析，获得解析行情数据。

在某些实施例中，过滤筛选包括数据合规性与合理性检查、异常数据筛除和数据推理补全。通过深聚焦爬虫模块和金融数据采集接口获得的数据，可能会存在有意或无意的数据缺失或数据错误的情况，需要将存在错误的数据筛选出来，同时根据历史数据来给出某些缺失或者错误数据的合理值，得到可用数据集。

数据脱敏转存模块3中的脱敏处理具体为：对所述过滤数据中的敏感数据进行数据变形，实现敏感隐私数据的可靠保护。

本发明的另一实施例中，人工智能分析模块中，实时根据数据集对人工智能学习模型进行训练学习，同时将训练完成的人工智能学习模型传送至fpga行情加速平台中。

在某些实施例中，fpga行情加速平台包括：数据量判定单元，用于判定当前处理数据量是否超过设定阈值；人工智能判定单元，基于解析行情数据、行业数据及存储的人工智能学习模型进行人工智能分析。通过上述方式，金融大数据模型可以根据数据流量情况自适应选择运行在fpga平台或云端，实现资源合理利用。

人工智能分析模块4进行大数据分析时采用的用户多维度信息包括信用历史、行为偏好、履约能力、身份特质和人脉关系等，可对每个人进行评分以及关系网分析，分析结果准确性高。

如图2-图3所示，上述基于fpga硬件加速的金融风险智能预警与风控系统的工作过程具体为：获取行情数据、舆情数据、行业新闻等；对经fpga行情加速平台加速后的行情数据及采集的舆情数据、行业新闻等进行过滤筛选，获得有价值的数据，其余舍弃；判断是否存在敏感数据，若是，则对敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护；将脱敏后的数据上传至云平台；调用云平台中的数据进行人工智能分析及大数据分析，获得用户金融风险分析结果。

在某些实施例中，可以先判断数据量，在数据量低于设定阈值时，直接由fpga行情加速平台调用金融大数据分析模型，在数据量高于设定阈值时，对经fpga行情加速平台加速后的行情数据及采集的舆情数据、行业新闻等进行过滤筛选，获得有价值的数据，其余舍弃。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。