金融科技在互聯(lián)網(wǎng)金融行業(yè)性風險防范領域的應用

胡鵬飛

北京宜信致誠信用管理有限公司，北京 100022

1 引言

2006—2016年，中國的普惠金融已經(jīng)發(fā)展成為中國金融體系的重要組成部分，隨著行業(yè)監(jiān)管細則的不斷落地，行業(yè)發(fā)展愈加有章可循。但與此同時，借款人的信用風險（借款人多頭負債和欺詐風險）嚴重影響了行業(yè)的健康發(fā)展。這些風險如果得不到很好的防控，很可能會演化成一個行業(yè)的系統(tǒng)性風險。在此背景下，如何做好風險管理與防范成為行業(yè)發(fā)展的重中之重。

2 互聯(lián)網(wǎng)金融行業(yè)面臨的挑戰(zhàn)

隨著互聯(lián)網(wǎng)金融行業(yè)規(guī)模的不斷擴大，借款需求持續(xù)增加，行業(yè)整體的風控水平亟待提升，主要面臨的挑戰(zhàn)包括以下3點。

● 行業(yè)數(shù)據(jù)“孤島”現(xiàn)象嚴重?；ヂ?lián)網(wǎng)金融機構每天都會接到大量借款申請，但由于缺乏數(shù)據(jù)共享機制，機構獲知有關借款人的信用數(shù)據(jù)，特別是強金融屬性數(shù)據(jù)的難度非常大。一方面導致機構無法有效判斷客戶的風險等級，另一方面也導致多頭負債現(xiàn)象頻生。這就需要通過技術手段實現(xiàn)信用信息的互聯(lián)互通，并從海量數(shù)據(jù)中挖掘有效信息用以識別信用風險。

● 行業(yè)惡意欺詐現(xiàn)象越來越嚴重，欺詐手段不斷翻新，且趨于科技化、專業(yè)化、規(guī)模化，也更具有隱蔽性，這已經(jīng)嚴重制約了互聯(lián)網(wǎng)金融行業(yè)的健康發(fā)展。

● 金融科技在風控制領域滲透度低，行業(yè)機構的風控水平參差不齊，很多機構仍采用線下人工的傳統(tǒng)信用審計方式，缺乏金融科技的應用與助力，在風控成本、風控質量、風控時效性上均無法滿足實際的業(yè)務需求。

因此，首先應當解決行業(yè)數(shù)據(jù)割裂的瓶頸，形成了一個行業(yè)機構間的共享生態(tài)系統(tǒng)，實現(xiàn)互聯(lián)網(wǎng)金融行業(yè)數(shù)據(jù)的互聯(lián)與互通，有效防范行業(yè)多頭負債的發(fā)生。其次，應擁有強大的信用數(shù)據(jù)分析與挖掘能力，推動數(shù)據(jù)在風控決策中的運用，幫助機構防范信用風險。最后，應最大化地將金融科技與業(yè)務融合，并通過量化評分、風險分級，對風險實現(xiàn)最優(yōu)排序性和區(qū)分度，準確識別用戶欺詐的可能性，精準反饋風險信息。

3 技術難點及應對思路

為了解決當前互聯(lián)網(wǎng)金融行業(yè)面臨的挑戰(zhàn)，防范行業(yè)系統(tǒng)性風險的集中爆發(fā)，推動行業(yè)健康發(fā)展，北京宜信致誠信用管理有限公司（以下簡稱致誠信用）推出了致誠阿福風控平臺（以下簡稱阿福平臺），以共享為核心，基于強金融屬性數(shù)據(jù)及先進風控經(jīng)驗、大數(shù)據(jù)分析應用及評分建模能力，采用分布式服務化的系統(tǒng)架構，通過RESTful應用程序編程接口（application programming interface，API）方式提供海量數(shù)據(jù)對接查詢服務，幫助信貸機構防范在貸前調查、貸中授信和貸后管理中因信息不對稱帶來的潛在風險。除此之外，還將知識圖譜、大數(shù)據(jù)分析等金融科技應用于信用審計風控領域，以提升機構風險管理的效率和效果，讓金融科技成為金融行業(yè)發(fā)展的動力。這是專為網(wǎng)絡借貸機構、消費信貸、小額信貸、銀行信用卡中心等提供身份識別、反欺詐、信用評估等服務的一站式智能風控云平臺。

在開發(fā)阿福平臺的過程中，存在一些技術上的難點，主要包括以下幾個問題。

（1）第三方機構的系統(tǒng)穩(wěn)定性問題

第三方機構系統(tǒng)規(guī)范程度不同，提供服務的能力參差不齊，如果千萬級的訪問量直接運行在第三方機構的系統(tǒng)上，絕大部分系統(tǒng)都難以承載。即使有緩存層作為防護，還是會存在緩存穿透的可能性，導致大量請求涌入第三方機構，引發(fā)機構的服務“雪崩”。因此，一方面要做好監(jiān)控預警，另一方面也要充分挖掘第三方機構的系統(tǒng)承載潛力。因此，提出了第三方機構系統(tǒng)“健康度”的概念。

健康度是根據(jù)第三方機構歷史吞吐量、響應時間、服務返回數(shù)據(jù)質量綜合計算得出的。在分發(fā)請求時，會根據(jù)健康度智能決定查詢數(shù)據(jù)的方式。如果健康度高，能夠滿足秒級響應，則實時反饋查詢結果；如果健康度一般，則從緩存獲取，隨后異步請求機構，更新緩存內容，從而保證秒級響應；如果健康度差，則直接從緩存獲取數(shù)據(jù)。同時，監(jiān)控系統(tǒng)也會檢測到機構的健康度問題，及時和第三方機構進行溝通處理。

（2）并發(fā)訪問性能問題

由于對并發(fā)訪問性能有很高的要求，需要應對10億級的被查歷史數(shù)據(jù)量、千萬級訪問請求量、億級的請求分發(fā)量、秒級的訪問響應時間，因此通過優(yōu)化緩存命中率和并發(fā)訪問調度機制來解決。

首先，建立多級緩存機制，包含內存級緩存和固態(tài)硬盤（solid state drive，SSD）級緩存，內存級緩存過期時間為24 h，SSD級緩存過期時間為7天（可配置），在兩級緩存的作用下，緩存命中率將達到80%以上，緩存集群采用Redis集群方式部署。緩存失效分為主動失效和被動失效，被動失效采用最近最少使用（least recently used，LRU）算法，主動失效為確保查詢的信息準確性，在系統(tǒng)容量充足且第三方機構健康度指標達標的情況下，主動發(fā)起信息更新行為。

其次，采用NIO+連接池的方式提高并發(fā)訪問性能，減少分布式鎖的使用，同時通過多級測試獲得單個服務節(jié)點的服務能力上限，使線程數(shù)為最佳設置值，最大限度地利用系統(tǒng)性能。

（3）異構數(shù)據(jù)處理問題

將知識圖譜技術應用于信用審計風控領域，可提升機構風險管理的效率和效果。在構建知識圖譜的過程中，需要處理大量的不同數(shù)據(jù)源的異構數(shù)據(jù)，如果針對每一個新增的數(shù)據(jù)源都寫一個對應的適配器，會極大地影響開發(fā)效率，增加維護難度。因此，可通過引入MoonBox和Wormhole解決異構數(shù)據(jù)處理問題。

通過引入上述技術，可以實現(xiàn)支持自動適配不同數(shù)據(jù)源（包括My SQ L、Oracle、HDFS、MongoDB等）、透明化異構數(shù)據(jù)系統(tǒng)異構交互方式、跨異構數(shù)據(jù)系統(tǒng)混算。Wormhole還可提供可視化的操作界面、極簡的配置流程、基于SQL的業(yè)務開發(fā)方式，并屏蔽大數(shù)據(jù)處理底層技術細節(jié)，使知識圖譜項目開發(fā)和管理變得更加可控可靠。

4 平臺架構

阿福平臺采用分布式架構設計，系統(tǒng)主要包括展示層、服務層、消息層、緩存層、數(shù)據(jù)層、監(jiān)控層6部分，涵蓋了從用戶請求接收和分發(fā)、異構數(shù)據(jù)的接入和歸一化處理、數(shù)據(jù)模型的構建、對外服務能力的輸出以及系統(tǒng)整體健康度的檢測和預警等內容，系統(tǒng)架構如圖1所示。

圖1 系統(tǒng)架構

（1）展示層

通過使用Shrio和分布式會話管理技術，支持不同機構用戶動態(tài)展示不同菜單功能項，優(yōu)化了展示效果。同時通過使用單點登錄（single sign on，SSO）技術，提供各子系統(tǒng)用戶統(tǒng)一信息查詢入口，包括通過用戶界面（user interface，UI）直接查詢和通過RESTful API批量查詢，在確保用戶體驗的基礎上，滿足了用戶多種查詢模式的需求。

（2）服務層

將Dubbo作為分布式服務框架，使用ZooKeeper提供服務的自動注冊與發(fā)現(xiàn)，使用Hystrix提供服務熔斷機制，使用UAVStack提供服務限流和降級、自動化應用/服務畫像、無侵入調用鏈跟蹤、一站式線程分析、秒級大規(guī)模服務圖譜繪制、瀏覽器訪問跟蹤、多維可視化看板等功能。

（3）消息層

使用Kafka和RocketMQ提供消息服務，其中Kafka應用于日志信息同步，RocketMQ應用于訂單等要求高可用的使用場景。構建統(tǒng)一的消息中心，支持多種消息中間件，同時抽象出消息的發(fā)送和接收、消息限流、消息去重等功能。

（4）緩存層

使用R e d i s、M e m c a c h e等建立CacheManager，提供統(tǒng)一緩存服務接口、分布式鎖服務，同時針對對象存儲提供透明的序列化/反序列化服務，支持無縫擴展NoSQL數(shù)據(jù)源。

（5）數(shù)據(jù)層

采用MySQL+HBase集群的方式，其中MySQL采用Sharding-JDBC進行分庫分表，同時為提高讀取性能，采用了讀寫分離技術，一主多從。使用DBus進行流式同步，解決不同業(yè)務系統(tǒng)的數(shù)據(jù)源的同步效率問題，使數(shù)據(jù)同步效率從原來的T+1提高到準實時。

（6）監(jiān)控層

建立多級監(jiān)控體系，引入E L K+UAVMonitor ，能夠對虛擬機、Docker、物理機的基礎性能指標、Java虛擬機、線程狀態(tài)、服務整體生命周期、服務調用棧、統(tǒng)一日志、數(shù)據(jù)庫連接池等進行全面監(jiān)控和預警。

圖2 知識圖譜架構

5 知識圖譜在平臺的應用

平臺將知識圖譜技術應用在反欺詐領域，為傳統(tǒng)風控帶來了極具競爭力的革新。目前利用致誠信用11年來的海量數(shù)據(jù)，構建了一個包含企業(yè)實體超過1億、人的實體超過4 000萬、關系量超過50億的知識圖譜。

知識圖譜對數(shù)據(jù)的存儲和組合有巨大優(yōu)勢，但是不利于進一步的分析，因此結合金融行業(yè)的特點，形成了一個更適用于金融場景的社交網(wǎng)絡圖譜。不同于微信、微博等一般社交網(wǎng)絡，金融場景下的社交網(wǎng)絡更為稀疏，且節(jié)點含有豐富的金融屬性，狀態(tài)變化頻繁。社交網(wǎng)絡的屬性描述如下。

● 節(jié)點：基于貸前貸后數(shù)據(jù)進行用戶畫像，如進件次數(shù)、被拒次數(shù)、最近申請時間等。

● 邊：把實體關系細分為o w n、contact、call等，并通過組合得到人與人之間的不同關系。

構建知識圖譜基于的數(shù)據(jù)來源于兩大塊數(shù)據(jù)源：一是軟件開發(fā)工具包（software development kit，SDK）傳遞的用戶設備數(shù)據(jù)，如設備基本信息、IP地址信息、全球定位系統(tǒng)（global positioning system，GPS）信息等；二是致誠信用歷史用戶授權信息。針對不同的數(shù)據(jù)源，采用不同的處理方式。對于實時數(shù)據(jù)，基于Spark Streaming開發(fā)了數(shù)據(jù)導入工具，對其進行數(shù)據(jù)清洗、格式轉換、自然語言處理等相關操作，可以在秒級時延內將數(shù)據(jù)導入系統(tǒng)。對于一些歷史數(shù)據(jù)，使用Spark和MapReduce進行處理。另外，對于已經(jīng)存儲的社交網(wǎng)絡數(shù)據(jù)，可以通過RESTful API方式進行查詢，也可以將數(shù)據(jù)導入Hive中，供數(shù)據(jù)分析人員進行數(shù)據(jù)分析。知識圖譜架構如圖2所示。

通過構建的知識圖譜，可以進行圖特征提取，計算人脈信用得分和反欺詐得分，進行觸黑關聯(lián)查詢等，其應用如圖3所示。

圖3 知識圖譜的應用

6 應用效果

（1）大幅提升信審時效

通過強大的信用數(shù)據(jù)分析與挖掘能力，解決了行業(yè)數(shù)據(jù)割裂的瓶頸，在得到客戶授權的前提下，以共享為基礎，通過分布式架構設計及API調用技術，形成了一個行業(yè)機構間的共享生態(tài)系統(tǒng)，實現(xiàn)了互聯(lián)網(wǎng)金融行業(yè)數(shù)據(jù)的互聯(lián)與互通，有效防范了行業(yè)多頭負債的發(fā)生。截至2017年10月，阿福平臺已經(jīng)為行業(yè)累計預警多頭借貸1 733萬次。其中，在2家及以上機構申請借款的總人數(shù)達443萬人，在5家及以上機構申請借款的總人數(shù)達137.8萬人，同一借款人最多向30家機構申請了借款。此外，還幫助行業(yè)機構將傳統(tǒng)線下審批模式升級為線上智能決策的模式，并成功解決了千萬級并發(fā)訪問性能問題，實現(xiàn)了查詢結果秒級反饋，大大降低了風控成本，提升了信用審計效率。

（2）提升行業(yè)反欺詐能力

以知識圖譜為底層架構建立了反欺詐的風控體系，創(chuàng)新性地研發(fā)了福網(wǎng)，以經(jīng)過校驗核實的多條業(yè)務線的風險數(shù)據(jù)、社交數(shù)據(jù)以及其他數(shù)據(jù)為基礎進行整合，在提升數(shù)據(jù)純度的基礎上，有效釋放了數(shù)據(jù)價值，通過自然語言處理、機器學習、聚類算法等方法構建了模型，創(chuàng)建了多維度數(shù)據(jù)畫像。通過量化評分、風險分級，對風險實現(xiàn)最優(yōu)排序性和區(qū)分度，準確識別用戶欺詐的可能性，并為機構反饋精準且區(qū)隔度高的風險信息。在欺詐客戶的造假手段識別，構建客戶知識圖譜、社交關系網(wǎng)絡，從更多維度識別隱蔽性欺詐、團體欺詐預警等方面，都取得了非常好的防范效果。截至2017年10月，阿福平臺有效識別欺詐借款人31 784人，攔截欺詐申請109 367次。

[1] ABREU D D, FLORES A, PALMA G, et al.Choosing between graph databases and RDF engines for consuming and mining linked data[C]//The 4th International Conference on Consuming Linked Data,July 13, 2013, Sydney, Australia. Aachen:CEUR-WS.org, 2013: 37-49.

[2] BORDES A, USUNIER N, WESTON J, et al.Translating embeddings for modeling multi-relational data[C]//The 26th International Conference on Neural Information Processing Systems,December 5-10, 2013, Lake Tahoe, USA.New York: Curran Associates Inc., 2013:2787-2795.

[3] JENATTON R, ROUX N L, BORDES A, et al.A latent factor model for highly multirelational data[C]//The 25th International Conference on Neural Information Processing Systems, December 3-6,2012, Lake Tahoe, USA. New York:Curran Associates Inc., 2012: 3167-3175.