基于联邦学习的业务信息审核方法、系统、设备和介质与流程

1.本发明涉及数据处理技术领域，尤其涉及基于联邦学习的业务信息审核方法、系统、设备和介质。


背景技术：

2.业务信息的真实性可以保证交易的合理性，业务机构为了保证业务信息的真实性，避免企业通过对资料、财务数据的造假来办理业务，业务信息的真实性审核变得尤为重要。
3.现有技术中，企业的各个机构均可以掌握部分用户的数据，业务信息的真实性可以通过人工进行审核，但各个机构掌握的业务信息真实性数据不能保证适用于不同的业务机构，无法共享，所以不能保证数据的可靠性，且通过人工进行审核成本高、易出错，可能会导致业务执行错误。
4.对于现有技术，各个机构掌握的业务信息真实性数据无法保证适用于不同的业务机构，所以一种能适用于不同业务机构的信息审核方法成为了目前亟待解决的问题。


技术实现要素：

5.本发明提供了一种基于联邦学习的业务信息审核方法、系统、设备和介质，以判断业务审核信息的真实性，防止业务执行错误，提高业务处理的合理性。
6.根据本发明的一方面，提供了一种基于联邦学习的业务信息审核方法，其中，应用于业务信息审核系统，该方法包括：
7.通过业务审核系统获取业务系统的业务审核信息；
8.通过联邦学习云端平台根据预先训练的共享预测模型确定业务审核信息的信息审核结果；
9.通过业务审核系统生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统。
10.根据本发明的另一方面，提供了一种基于联邦学习的业务信息审核系统，其中，基于联邦学习的业务信息审核系统至少包括：业务审核系统和联邦学习云端平台；
11.其中，业务审核系统，用于获取业务系统的业务审核信息；
12.联邦学习云端平台，用于根据预先训练的共享预测模型确定业务审核信息的信息审核结果；
13.业务审核系统，还用于生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统。
14.根据本发明的另一方面，提供了一种电子设备，该电子设备包括：
15.至少一个处理器；以及
16.与至少一个处理器通信连接的存储器；其中，
17.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处
理器执行，以使至少一个处理器能够执行本发明任一实施例的基于联邦学习的业务信息审核方法。
18.根据本发明的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的基于联邦学习的业务信息审核方法。
19.本发明实施例的技术方案，通过业务审核系统获取业务系统的业务审核信息，联邦学习云端平台根据预先训练的共享预测模型确定业务审核信息的信息审核结果，业务审核系统生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统，共享预测模型可以保证适用于不同的业务机构，通过共享预测模型可以判断业务数据的真实性，通过生成业务处理建议，提高业务处理的合理性。
20.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。
22.图1是根据本发明实施例一提供的一种基于联邦学习的业务信息审核方法的流程图；
23.图2是根据本发明实施例二提供的一种基于联邦学习的业务信息审核方法的流程图；
24.图3是根据本发明实施例三提供的一种共享预测模型训练过程的流程图；
25.图4是根据本发明实施例四提供的一种业务应用流程图；
26.图5是根据本发明实施例四提供的一种训练流程图；
27.图6是根据本发明实施例五提供的一种基于联邦学习的业务信息审核系统的架构图；
28.图7是实现本发明实施例的基于联邦学习的业务信息审核方法的电子设备的结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.实施例一
32.图1是根据本发明实施例一提供的一种基于联邦学习的业务信息审核方法的流程图，本实施例可适用于对业务信息进行审核的情况，该方法可以由业务信息审核系统来执行，该业务信息审核系统可以采用硬件和/或软件的形式实现，该业务信息审核系统可配置于终端设备中，例如服务器、手机、电脑等。如图1所示，该方法包括：
33.s110、通过业务审核系统获取业务系统的业务审核信息。
34.其中，业务审核系统可以是指对业务风险进行识别判断的系统，业务风险可以包括欺诈风险、虚假信息风险等；业务系统可以是指实现某些业务流程的具体操作平台；业务审核信息可以是指业务系统中下发的需要通过业务审核系统审核的业务信息，业务审核信息可以包括业务信息、设备指纹等。
35.具体的，业务审核系统可以通过数据传输隧道获取业务系统的业务审核信息。不同的业务审核信息可以通过不同的方式传输到业务审核系统，具体可以通过企业服务总线(enterprise service bus，esb)、消息队列(message queue，mq)等方式获取业务系统的业务审核信息。当业务系统通过esb将业务审核信息传输至业务审核系统时，esb可以将业务审核系统和业务系统集成为一体，可以理解为esb是企业内所有服务的中心点，通过esb可以实现业务审核系统和业务系统的交互，业务审核系统可以获取业务系统的业务审核信息；当业务系统通过mq将业务审核信息传输至业务审核系统时，mq可以存储来自业务系统的业务审核信息，业务审核系统可以提取mq中的业务审核信息并进行相应处理。
36.s120、通过联邦学习云端平台根据预先训练的共享预测模型确定业务审核信息的信息审核结果。
37.其中，联邦学习云端平台可以是指一种加密的分布式机器学习云端实现平台，联邦学习的各参与者可以在不共享本地数据的前提下共建ai模型,可以是实现多个参与者协作完成机器学习的平台；共享预测模型可以是指联邦学习的各参与者共同训练的风险审核模型，可以用于预测业务审核信息风险，其他未参与训练的参与者也可以共享该风险审核模型；信息审核结果可以是通过联邦学习云端平台根据预测模型审核业务审核信息得到的结果，信息审核结果可以包括该业务审核有风险或者无风险等。
38.具体的，联邦学习云端平台可以对各参与者训练的预测模型进行汇聚整合形成共享预测模型，共享预测模型可以用于判断业务审核信息的风险，联邦学习根据多个参与者预先训练的共享模型确定审核信息的风险结果，判断业务审核信息的风险后得到信息审核结果，信息审核结果可以是有风险或无风险。
39.s130、通过业务审核系统生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统。
40.其中，业务处理建议可以是指根据信息审核结果对业务的处理方向提出的具体意见，可以根据业务处理建议确定业务处理方案。业务处理建议可以包括暂停操作、继续进行下一步等。
41.具体的，业务审核系统可以根据预先训练的共享预测模型判断确定审核信息的审核结果，并可以根据信息审核结果生成对应的业务处理建议，业务审核系统可以将生成的业务处理建议反馈到业务系统，业务系统可以具体根据业务处理建议进一步处理相应业务。示例的，当信息审核结果为有风险时，可以生成警告、暂停操作等的处理建议；当信息审核结果为无风险时，可以生成继续进行下一步操作等的处理建议。
42.本发明实施例，通过业务审核系统获取业务系统的业务审核信息，在联邦学习云端平台中根据预先训练的共享模型确定业务信息的信息审核结果，并根据生成的信息审核结果将对应的业务处理建议反馈到业务系统，实现了业务系统中业务审核信息的风险评估，判断业务审核信息的真实性，生成业务处理建议，为业务系统进行后续流程提供参考，提高业务处理的合理性，通过共享模型审核业务信息的真实性，降低人工审核成本。
43.进一步的，通过联邦学习云端平台预先训练的内部预测模型确定业务审核信息的信息审核结果。
44.其中，内部预测模型可以是指内部预测模型可以是指内部专用的信息审核模型，可以不与外部机构进行共享，可以是各参与者共同训练的并通过联邦学习云端平台进行汇总整合风险审核模型，可以用于预测业务审核信息风险，内部预测模型可以是各参与者可以应用的预测模型，各参与者可以直接在联邦学习云端平台下载内部预测模型进行业务审核信息的审核，内部预测模型中数据架构可以与共享预测模型相同，也可用于共享预测模型不同。
45.具体的，可以通过联邦学习云端平台预先训练的内部预测模型确定业务审核信息的信息审核结果，内部预测模型可以用于判断业务审核信息的风险，联邦学习根据多个参与者预先训练的内部模型确定审核信息的风险结果，判断业务审核信息的风险并得到信息审核结果，信息审核结果可以是有风险或无风险。
46.实施例二
47.图2是根据本发明实施例二提供的一种基于联邦学习的业务信息审核方法的流程图，本实施例是在上述实施例基础上对业务信息审核方法的进一步细化。如图2所示，该方法包括：
48.s210、通过业务审核系统确定与各业务系统对应的数据传输隧道，其中，数据传输隧道包括以下至少之一：esb数据总线、mq消息队列。
49.其中，业务审核系统可以是指对业务风险进行识别判断的系统，可以包括反欺诈系统、反虚假信息系统等；数据传输隧道可以是指数据传输的通道，不同的业务系统可以对应不同的数据传输隧道，例如，数据传输隧道可以包括企业服务总线(enterprise service bus，esb)、消息队列(message queue，mq)等；esb数据总线是实现系统间集成和互联互通的重要技术架构，可以理解为esb数据总线是一种消息和服务集成的中间件平台；mq可以是指保存消息的一个容器，本质是队列，可以用于保存应用之间传输的数据，mq是一种应用间的通信方式，消息发送后可以立即返回，有消息系统来确保信息的可靠传递，发送者无需与接收者建立连接，双方通过mq可以保证消息能够从发送者路由到接收者。
50.具体的，可以通过业务审核系统确定各业务系统对应的数据传输隧道，业务审核系统可以包括反欺诈系统、反虚假信息系统等，不同的业务系统可以向业务审核系统传输不同的业务数据，不同的业务数据可以对应不同的数据传输隧道，数据传输隧道可以包括
esb数据总线、mq消息队列等。
51.s220、通过业务审核系统读取数据传输隧道内传输的包含业务审核信息的业务审核请求。
52.其中，业务审核请求可以是指业务系统下发的风险识别请求，可以包含业务审核信息，业务审核请求可以通过数据传输隧道传输至业务审核系统进行审核；业务审核信息可以是指业务系统中需要审核的信息，可以通过业务审核系统进行审核。
53.具体的，根据传输隧道的不同，业务审核系统可以通过不同的方式读取传输隧道内传输的业务审核请求，传输隧道可以包括esb数据总线、mq消息队列等，当传输隧道为esb数据总线时，esb可以将业务审核系统和业务系统集成为一体，可以理解为esb是企业内所有服务的中心点，通过esb可以实现业务审核系统和业务系统的交互，业务审核系统可以获取业务系统的业务审核请求；当传输隧道为mq消息队列时，业务系统可以将包含业务审核信息的业务审核请求存储于mq消息队列中，业务审核系统可以提取mq中的业务审核请求。
54.s230、通过业务审核系统提取业务审核请求的业务审核信息。
55.具体的，业务审核系统可以根据传输隧道的不同，通过不同的方式读取来自业务系统的业务审核请求，业务审核请求包含业务审核信息，业务审核系统可以查询业务审核请求的数据，获取业务审核请求的数据的业务审核信息。
56.s240、通过联邦学习云端平台按照模型确权信息在联盟区块链内下载共享预测模型，其中，共享预测模型在联邦学习平台训练后上链到联盟区块链。
57.其中，联邦学习是一种加密的分布式机器学习技术，联邦学习云端平台可以是指参与联邦学习的各用户在不共享本地数据的前提下共建ai模型的云端平台；联盟区块链可以是指共识过程收到预选节点控制的区块链，由若干个机构共同参与记账的区块链，即联盟成员之间通过对多中心的互信来达成共识；模型确权信息可以是指联盟区块链对共享预测模型相应权利的确认信息；共享预测模型可以是指联邦学习云端平台对各参与者训练的模型进行汇聚整合形成共享预测模型，共享预测模型可以提供给各参与者和未参与模型训练的模型使用者使用，未参与模型训练的模型使用者需经过确权才可以在联盟区块链下载使用共享预测模型。
58.具体的，各参与者可以在本地进行模型训练，可以将模型更新部分加密上传到云端，联邦学习云端平台可以将各参与者的模型更新部分进行汇聚整合，形成一个共享预测模型，共享预测模型在联邦学习平台训练后可以上链到联盟区块链，联盟区块链可以对共享预测模型接口进行管控，未参与模型训练的模型使用者需经过确权才可以下载使用共享预测模型，根据模型确权信息可以在联盟区块链内下载共享预测模型。
59.s250、通过联邦学习云端平台调用共享预测模型处理业务审核信息，并采集共享预测模型输出的信息审核结果。
60.具体的，可以使用共享预测模型处理业务审核信息，当业务审核系统读取到业务审核信息，可以调用共享预测模型处理业务审核信息，对业务预测识别风险，通过共享预测模型的预测结果可以返回到业务审核系统，业务审核系统可以采集共享预测模型输出的信息审查结果。信息审查结果可以包括有风险或者无风险等。
61.s260、通过业务审核系统生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统。
62.具体的，根据业务审核系统采集共享预测模型输出的信息审查结果，业务审核系统可以对采集到的共享预测模型输出的信息审查结果汇总处理生成对应的处理建议，并可以将业务处理建议反馈到业务系统，业务系统可以根据业务处理建议进一步处理相应业务。示例的，当信息审核结果为有风险时，可以生成警告、暂停操作等的处理建议；当信息审核结果为无风险时，可以生成继续进行下一步操作等的处理建议。
63.本发明实施例，通过业务审核系统确定与各业务系统对应的数据传输隧道，读取数据传输隧道内传输的业务审核请求并提取业务审核请求中包含业务审核信息，通过联邦学习云端平台按照模型确权信息在联盟区块链内下载共享预测模型，实现未参与模型训练的机构也可以方便获得并使用共享预测模型，通过调用共享预测模型处理业务审核信息，输出信息审核结果，将对应的业务处理建议并反馈业务处理建议到业务系统，实现了业务系统中业务信息的预测风险评估，提高业务处理的合理性，防止业务执行错误。
64.进一步的，通过联邦学习云端平台调用共享预测模型处理业务审核信息，包括：
65.通过业务审核系统在智能决策引擎确定业务审核信息的审核规则；通过业务审核系统按照审核规则将业务审核信息拆分为至少一个业务审核项；通过业务审核系统调用对应各业务审核项的共享预测模型，并控制共享预测模型处理业务审核项。
66.其中，智能决策引擎可以是指是将大数据与人工智能算法应用到业务决策中的系统，可以识别信息风险；审核规则可以是指对于不同的业务信合信息遵循的不同审核法则；业务审核项可以是指根据业务审核信息拆分的需要审核的不同项，不同的业务审核项可以对应不同的共享预测模型。
67.具体的，智能决策引擎可以识别信息风险，根据信息风险确定业务审核信息的审核规则，不同的业务审核信息可以有不同的审核规则，可以将业务信息根据审核规则拆分为一个或一个以上的业务审核项，业务审核项可以包括业务信息、设备指纹等，根据业务审核项，可以调用对应的共享预测模型处理业务审核项。
68.实施例三
69.图3是根据本发明实施例三提供的一种共享预测模型训练过程的流程图。本实施例是在上述实施例基础上对共享预测模型训练过程的进一步细化。如图3所示，该方法包括：
70.s310、通过联邦学习云端平台获取联盟链区块链节点提交的模型训练请求。
71.具体的，联邦学习云端平台可以获取联盟区块链节点提交的模型训练请求，获取联盟区块链节点提交的模型训练请求方式可以在此不做限定，例如可以通过联盟链、局域网、城域网、通讯协议等方式进行获取。
72.s320、通过联邦学习云端平台拆分模型训练请求包括的训练任务。
73.具体的，联邦学习云端平台可以将模型训练请求可以拆分为多个训练任务，可以模型训练请求拆分为多个自任务下发给多个训练参与者进行处理，又或者，可以将模型训练请求拆分复制为多个相同的训练任务下发给多个训练参与者进行处理。
74.s330、通过联邦学习云端平台下发训练任务到参与训练的联盟区块链节点进行单独训练。
75.具体的，联邦学习云端平台可以将训练任务下发到参与训练的联盟区块链节点进行单独训练，联盟区块链节点可以对应各个训练参与者，训练参与制在此可以不做限定，例
如可以为银行、金融机构等。联邦学习云端平台可以将训练任务下发到各个训练参与者，各个训练参与者看根据本地数据，在本地单独完成模型训练，其中，模型训练的方式可以在此不做限定。
76.s340、通过联邦学习云端平台将单独训练的训练结果汇总为共享预测模型。
77.具体的，联邦学习云端平台可获取联盟区块链节点单独训练的训练结果，并可以对训练结果进行汇总为共享预测模型。训练结果的汇总可以通过软件判定或者人工进行处理，训练结果汇总的规则可以有多种，在此实施例训练结果的汇总规则可以不做限定。示例的，训练结果汇总的规则可以包括任意一个参与者反馈某用户存在欺诈行为，则判断该用户可能存在欺诈行为；或者可以是根据训练参与者的人数，当多数训练参与者反馈某个用户存在欺诈行为，则判断该用户可能存在欺诈行为，当多数训练参与者反馈某个用户不存在欺诈行为，则判断该用户不存在欺诈行为；又或者，可以是设置各个参与者的权重，根据加权判断某个用户是否存在欺诈行为，对于某些大型金融机构或银行可以设置更高的权重，可以设置当权重高于50％任务某个用户存在欺诈行为，则认为该用户可能存在欺诈行为。
78.s350、通过联邦学习云端平台将共享预测模型上传至联盟区块链。
79.具体的，联邦学习云端平台可以将共享预测模型上链传输至联盟区块链，可以通过联盟区块链下载预测模型进行使用预测识别风险。
80.本发明实施例，通过联邦学习云端平台获取联盟链区块链节点提交的模型训练请求，将模型训练请求拆分为多个训练任务，下发训练任务到参与训练的联盟区块链节点进行单独训练，联邦学习云端平台将单独训练的训练结果汇总为共享预测模型并将共享预测模型上传至联盟区块链，实现共享预测模型的训练。
81.实施例四
82.图4是根据本发明实施例四提供的一种业务应用流程图。图4是在上述实施例基础上以业务系统a为银行机构a为例，描述欺诈风险的识别流程、各系统模块的作用、识别流程在全业务流程中的位置，对业务信息审核过程的具体说明。如图4所示，该方法包括：
83.s401、根据业务需要，提交风控请求，请求包含所需要业务信息、设备指纹等。其中，风控请求可以提交至esb数据总线或者mq消息队列，风控请求可以提交至反欺诈系统。
84.s402、反欺诈系统拆分处理请求，根据需要向智能决策引擎发起子请求。
85.s403、智能决策引擎处理请求，进行各种风控计算。
86.s404、将智能决策引擎风控计算判断结果返回给反欺诈系统。
87.s405、反欺诈系统根据需要向机器学习平台发起子请求。
88.s406、机器学习平台处理请求，根据需要使用银行机构a内部的模型进行预测。
89.s407、机器学习平台处理请求，使用外部获取的模型进行预测。
90.s408、将预测判断结果返回给反欺诈系统。
91.s409、反欺诈系统汇总处理判断结果。
92.s410、反欺诈系统将汇总处理判断结果返回给发起请求的业务系统。
93.s411、业务系统使用判断结果，控制自身后续的业务处理流程。
94.其中，业务系统a/b/c，代表各类具体的业务系统，他们在某些业务流程中，需要对欺诈风险进行识别并确定业务处理方向；esb数据总线或者mq消息队列等，是业务系统的复
杂架构中的基础组件，可理解为不参与业务处理的模块；反欺诈系统，对欺诈风险进行识别判断的系统；智能决策引擎，传统的行业专家系统，对欺诈风险和其他风险进行识别的一类系统；机器学习平台，用于开发、管理ai算法模型的一类平台，并向外提供模型服务，本流程中使用模型服务。
95.图5是根据本发明实施例四提供的一种训练流程图。上述实施例基础上以业务系统a为银行机构a，训练模型为共享模型为例，对ai算法模型的训练、管理、使用流程的具体说明。如图5所示，该过程包括：
96.s501、银行机构a内部的机器学习平台，根据需要，提交训练请求至联邦学习云端平台，请求包含模型及各种初始参数。
97.s502、联邦学习云端平台处理请求，将请求拆分多个训练任务。
98.s503、联邦学习云端平台将拆分的多个训练任务下发给多个训练参与者处理。
99.s504、训练参与者处理任务，使用机构本地数据，在本地完成模型训练。
100.s505、训练参与者模型训练后，将训练结果返回给联邦学习云端平台。
101.s506、联邦学习云端平台对训练结果汇总、平均等处理。
102.s507、联邦学习云端平台最终生成、更新共享模型。
103.s508、联邦学习云端平台将共享模型上链至银行联盟链。
104.s509、银行联盟链对模型进行确权等处理，共享管理。
105.s510、各训练参与者从银行联盟链上下载共享模型。
106.s511、各训练参与者根据需要自行使用模型，在反欺诈流程中预测识别风险，参与训练者可以包括某些金融机构、银行等。
107.s512、其他未参与训练的模型使用者可以向银行联盟链发起使用请求，其他未参与训练的模型使用者可以包括未参与训练的金融机构、银行等。
108.s513、银行联盟链可以对其他未参与训练的模型使用者的模型使用进行授权。
109.s514、其他未参与训练的模型使用者经过授权后，可以在银行联盟链下载共享模型。
110.s515、其他未参与训练的模型使用者可以根据需要自行使用模型，在反欺诈流程中预测识别风险。
111.进一步的，需要注意的是，s502、s503、s504、s505可以根据需要重复多次执行。
112.其中，机器学习平台，参与使用联邦学习来训练模型的银行机构a内部的平台，用于开发、管理ai算法模型的一类平台，并向外提供模型服务，本流程中开发、管理模型；联邦学习云端平台，用于统筹管理ai算法模型训练过程的云端模块；银行联盟链，统一共享管理ai算法模型的区块链；训练参与者b/c，其他参与训练的银行机构内部的机器学习平台；模型使用者d/e，不参与训练，但可获取使用共享模型的其他银行机构的机器学习平台。
113.实施例五
114.图6是根据本发明实施例五提供的一种基于联邦学习的业务信息审核系统的架构图。如图6所示，该系统至少包括：业务审核系统61和联邦学习云端平台62。
115.其中，业务审核系统61，用于获取业务系统的业务审核信息，还用于生成信息审核结果对应的业务处理建议并反馈业务处理建议到业务系统。
116.联邦学习云端平台62，用于根据预先训练的共享预测模型确定业务审核信息的信
息审核结果。
117.本发明实施例，通过业务审核系统获取业务系统的业务审核信息，在联邦学习云端平台中根据预先训练的共享模型确定业务信息的信息审核结果，并根据生成的信息审核结果将对应的业务处理建议反馈到业务系统，实现了业务系统中业务审核信息的风险评估，判断业务审核信息的真实性，生成业务处理建议，为业务系统进行后续流程提供参考，提高业务处理的合理性，通过共享模型审核业务信息的真实性，降低人工审核成本。
118.进一步的，在上述发明实施例中，业务审核系统61用于：
119.确定与各业务系统对应的数据传输隧道，其中，数据传输隧道包括以下至少之一：esb数据总线、mq消息队列；
120.读取数据传输隧道内传输的包含业务审核信息的业务审核请求；
121.提取业务审核请求的业务审核信息。
122.进一步的，在上述发明实施例中，联邦学习云端平台62用于：
123.按照模型确权信息在联盟区块链内下载共享预测模型，其中，共享预测模型在联邦学习平台训练后上链到联盟区块链；
124.调用共享预测模型处理业务审核信息，并采集共享预测模型输出的信息审核结果。
125.进一步的，在上述发明实施例中，业务审核系统61还用于：
126.在智能决策引擎确定业务审核信息的审核规则；
127.按照审核规则将业务审核信息拆分为至少一个业务审核项；
128.调用对应各业务审核项的共享预测模型，并控制共享预测模型处理业务审核项。
129.进一步的，在上述发明实施例的基础上，联邦学习云端平台62还用于：
130.获取联盟链区块链节点提交的模型训练请求；
131.拆分模型训练请求包括的训练任务；
132.下发训练任务到参与训练的联盟区块链节点进行单独训练；
133.将单独训练的训练结果汇总为共享预测模型；
134.将共享预测模型上传至联盟区块链。
135.进一步的，在上述发明实施例的基础上，联邦学习云端平台62还用于：
136.使用预先训练的内部预测模型确定业务审核信息的信息审核结果。
137.本发明实施例所提供的基于联邦学习的业务信息审核系统可执行本发明任意实施例所提供的基于联邦学习的业务信息审核方法，具备执行方法相应的功能模块和有益效果。
138.实施例六
139.图7是实现本发明实施例的基于联邦学习的业务信息审核方法的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
140.如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连
接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
141.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
142.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种基于联邦学习的业务信息审核方法。
143.在一些实施例中，一种基于联邦学习的业务信息审核方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的一种基于联邦学习的业务信息审核方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种基于联邦学习的业务信息审核方法。
144.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
145.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
146.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电
气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
147.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
148.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
149.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
150.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
151.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。