一、项目建设背景

巴塞尔协议要求银行业建立全面风险管理制度，加强对信用风险、市场风险、流动性风险以及操作风险的管理。近年来，我省农信业务发展迅速，对信息技术的依赖也逐步增强。伴随着业务发展，伪卡、非面对面欺诈等银行卡风险事件频发，不仅给相关发卡行社带来资金损失风险，也突出我行风险“技防”手段不够丰富，银行业务操作风险管理面临极大的挑战。同时，监管部门多次发文要求银行业金融机构需建设基于大数据技术的银行卡风险防控，建立交易风险监控机制。因此，为提高我行业务的风险防控能力，满足监管部门风险防控机制的要求，根据福建农信“7+1”科技大平台建设规划，我行启动基于机器学习的大数据风控平台项目，计划建立全行级风险平台，以健全我省农信银行业务风险防控体系，保障客户的资金安全，促进业务稳健开展，并逐步实现内控、信贷、运营等业务领域风险的全面覆盖。

二、项目建设目标

本项目通过建设我省农信基于机器学习的大数据风控平台，达到防控相关风险事件的发生。

平台支持银行业务全渠道（含网上银行、手机银行、微信银行、POS、ATM等）、跨产品及不同应用场景（含借记卡、电子支付、转账汇款等）、多实体（客户、账户、商户等）的风险管理，通过与相关系统的整合对接，实现交易风险信息数据的共享，推动客户行为特征识别和全貌勾勒的数字化，建立交易数字化的风险监控屏障。该项目主要由六个部分组成，包括数据采集、数据分析、监控管理、规则管理、报表管理、系统管理等。

主要监控的可疑风险交易类型如下：

（1）大额或小额频繁、短时间跨区域、异常时段、高风险IP类等冒用/无卡欺诈交易(盗转、盗付)。

（2）异地类、大额类、异常时段类、频繁交易类、频繁查询类、异常失败类、高风险商户类等有卡交易(盗刷、盗取)。

（3）监管部门的相关要求等。

三、项目建设内容

基于机器学习的大数据风控平台以客户使用场景为基础，结合客户体验，同时兼顾后续的风险管理，实现风险规则灵活配置，风险交易实时评级、实时预警，触发的风险交易自动建档，预警信息和风险案件全流程管理等功能，具体包括设备指纹、黑白灰名单管理、规则管理、预警信息生成及处理、案件管理、报表统计、系统管理等模块，提供一整套完善的风险交易处理机制。并可以方便引入、使用外部数据服务。

业务流程图

风险平台总体业务流程：

（1）业务系统根据具体的业务类型调用接口，将设备、客户、交易等信息发到风控平台；

（2）风控平台根据系统及业务类型设置的监控规则、设备指纹、名单机制、客户行为习惯等，对交易进行风险评估；

（3）将风险评估结果返回给业务系统，业务系统收到结果后，根据结果进行相应的操作处理（返回的是一个参考结果，业务系统可以根据返回的风险结果，结合业务规则给出终的决策意见）

（4）风控平台形成风险事件库，出具风险报告，由业务人员进行数据分析、优化规则及模型等。

四、平台架构

风控系统架构图

风控系统核心为实时流式处理引擎平台，该平台是底层的大数据处理技术，通过实时处理引擎平台，整合数据采集、数据流入流出，实现数据实时接收、实时计算加工处理，达到交易实时阻断、风险预警实时推送的功能，使之在交易与行为反欺诈、信用反欺诈、实时精准营销等多个领域发挥基础平台的作用。智能学习平台为实时决策模块提供规则和模型，持续更新学习规则、模型，为风控系统提供不断完善的防御动力。

五、项目关键技术

(一)大数据实时处理技术

风控平台需要大量的维度数据进行风控模型计算，而维度数据的准备需要依靠大数据实时计算和分析技术，因为我省农信风控平台采用基于FLINK流设计一个极速数据处理技术，以解决海量历史数据实时处理效率、算法等问题。从某种程度上说，大数据是数据分析的前沿技术，从各种各样类型的数据中，快速获得有价值信息的能力。

(二)智能机器学习

在风控平台获取了海量的用户数据之后，如何高效地分析并隔离出中间的欺诈因子则是风控模型需要解决的问题。风控模型一般包括业务规则引擎和机器学习模型。

业务规则引擎是一种嵌入在应用程序中的组件，实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。在业务规则引擎中，风险决策逻辑和应用逻辑的分离，业务人员可以自主实现规则配置。

(三)分布式服务平台

分布式服务平台的研究内容包括：高速实时通信，统一规范的通信协议，安全加密，热插拔服务容器及服务管理，智能消息路由，节点和服务生命周期监控，负载均衡等大量基础设施工作，规范的业务服务开发接口，对于基于该平台开发的技术人员只需要遵照平台业务服务的开发标准实现相关逻辑即可。

(四)神经网络模型

在金融反欺诈领域中，神经网络模型是一种欺诈量化模型，从客户、商户、产品、渠道等维度挖掘出风险特征，对金融交易进行风险评测，预测未知欺诈概率。模型方法论的核心思想是：通过学习海量客户的历史交易以及相关信息（如客户、商户等信息），获取客户自身的历史交易行为模式，将当前交易行为与历史交易行为模式相比较，分析差异性，预测当前交易的风险程度，差异性越大，风险程度越高。

(五)态势感知

态势感知是一种基于环境的、动态、整体地洞悉安全风险的能力，是以安全大数据为基础，从全局视角提升对安全威胁的发现识别、理解分析、响应处置能力的一种方式，终是为了决策与行动，是安全能力的落地。通过数据建模、行为学习、情报关联分析，洞悉安全全景，建设全面的安全监控和防御体系。

六、项目创新点

基于机器学习的大数据风控平台具备如下特色：

（一）建立全行级智能风控平台，创建行业风控体系前驱示范：在梳理我省农信风控业务流程的基础上，结合我国监管机构的要求和银行业务渠道特点，设计出一套符合银行业务发展的风险监控流程，建立一套完整的全行级风控体系，完成对银行业务渠道的全流程监管，实现从被动处理向主动防范的转变。项目将覆盖包括手机银行、电子银行、企业网银、信贷业务等不同业务条线的场景，实现全方位的风险控制。

（二）基于大数据分析技术的创新型风控模型：传统风控模式，无论是银行还是其它金融机构，关注的大多为静态风险，而大数据关注的更多地是动态风险，是对动态风险的把握。与传统风控系统不同，我行基于机器学习的大数据风控平台监控范围涉及银行所有的业务渠道不仅包括线上业务、线下业务，还包括其它创新业务、内部控制等多种不同业务渠道，这就需要建立高度复杂的风控模型，而复杂有效的风控模型离不开银行海量数据的支撑，每个风控模型都将利用先进的大数据实时计算分析技术对海量的用户数据进行抽取、去噪、清洗、聚合到决策，因此基于大数据分析技术的风控模型体现了本风控平台的核心竞争力。

（三）引入全行级流计算引擎，可单独适用于多场景，构建全行级的指标计算平台，作为实时数据处理通用平台，为行内各业务线提供指标计算服务，用于在线交易反欺诈、信用卡反欺诈、实时精准营销、信贷业务等业务场景和机器学习模型的指标计算。

（四）高性能分布式服务平台：风控引擎性能目标是能够支持交易延时控制在100毫秒内，每秒三万笔的交易吞吐量的业界领先水平，那么一个强大的基础服务平台是必不可少的。高性能分布式服务平台基于SOA(面向服务)设计理念，支持大规模、高并发分布式服务计算，风控引擎就构建在分布式服务平台上。分布式服务平台的主要优势特性如下：

a)架构设计：先进的分布式网状服务结构和服务模型。

b)高可用：完美的实现消息节点的失败检测和失败恢复两大核心问题，同时支持两两备份，链式备份，集中式备份等多种备份方式。

c)负载均衡：纯软件，低成本支持服务的负载均衡。

d)高性能：分布式网状架构和服务模型以及负载均衡方案使整个应用的负载均衡分布到每个节点服务上，从而使整个应用具备高性能运行能力。

e)高并发模型：能够在有限的CPU速度上更好的发挥多核的优势，减少因为线程、进程切换带来的开销，从而使得硬件成本投入大大降低。

f)通讯方式：平台底层提供单线程同步，单线程异步，多线程同步，多线程异步4种方式的通讯，使应用开发人员针对不同的应用场景有更多的选择。

（五）打造农信特色的多法人管理模式：本系统充分考虑农信系统的管理、业务模式，实现分级分行社独立处理的功能要求，灵活配置，不同角色可管理监控不同行社或者业务机构。支持福建农信客户大规模、业务迅速发展的现状，对实时的交易干预，系统响应迅速，完全不影响客户使用体验；对准实时的风险监控，可实现在几分钟内完成批量数据的计算，确保在短时间内迅速发现可疑风险交易，保证对大交易量风险监控的时效性，为我省农信业务风险管理水平提供了技术支撑。

七、技术实现特点

基于机器学习的大数据风控平台支持多渠道接入，可包含我行的手机银行、网上银行、微信银行、柜面、POS、ATM、电商平台等。在各个渠道需要监控的业务场景中，埋点风险探头。当业务发生时，会调用决策引擎，决策引擎根据规则或者机器学习模型的判断，实时返回风控结果给业务系统。业务系统收到风控结果反馈后，可根据其进行进行阻断、放行、人工审核等操作。触发的决策引擎的交易通过风控流水消息队列传到风控后台，风控后台结合其他基础数据，可构建完整的交易全局视图。数据检索匹配通过风控后台实现，和业务处理的逻辑完全分析。同时，可以方便引入、使用外部数据服务。

整个系统采用模块化和组件化的方式进行设计，各个模块功能明确，符合高内聚低耦合、面向修改关闭面向扩展开放等设计原则。对于每个模块可进行单独的升级或者发布，不会影响其他模块。

系统各模块平台可进行二次开发工作，以满足不同项目的特殊需求。通过模块的二次开发，可对接不同的数据源，也可兼容不同数据源的提供的方式。当业务发展或者需要接入新的数据源，能通过数据库、接口、消息队列等多种方式，方便快速的二次开发完成接入工作。后台管理平台，可定制关联查询内容、报表等，满足我行的查询统计相关需求。系统具备二次开发功能，使系统有较强的功能扩展能力和接口扩展能力，以适应未来5-10年的各种业务发展。

八、项目过程管理

(一)启动阶段

此阶段时间段为2020年8月10日至2020年8月26日，期间主要完成项目估算，建立初始需求跟踪矩阵，制定项目计划，收集项目度量数据，QA审查等。

（二）需求阶段

此阶段时间段为2020年8月12日至2020年9月7日，期间主要完成需求规格说明书编写及评审，更新需求跟踪矩阵、收集项目度量数据，项目重估算与重计划，QA审查等。

（三）设计构建阶段

此阶段时间段为2020年8月27日至2021年1月20日，期间主要完成软件设计文档评审，开发测试用例编写，系统测试方案评审，系统测试用例编写，开发测试执行，项目重估算与重计划等。

（四）测试阶段

此阶段时间段为2020年12月1日至2021年2月3日，期间主要完成冒烟测试，性能测试，需求跟踪矩阵更新，提交安装部署手册，运行维护手册，用户手册等文档。

（五）验收与交付阶段

此阶段时间段为2021年1月15日至2021年4月18日，期间主要完成投产前验收测试，运维培训，业务培训，QA投产审查，投产环境部署，编写投产方案等。

（六）试运行与结项阶段

此阶段时间段为2021年3月26日至2021年10月31日，期间主要完成项目总结，项目移交申请，用户反馈，产品授权，财务报告，结项验收等。

九、项目运营情况

截至2021年7月，风控系统共生成核查单约287万单，其中手机银行约268万单，个人网银约15.9万单，微信银行7124单，银联前置34914单，收单业务2058单。其中被风控系统采取阻断策略的核查单数量有3323单（手机银行2203单，个人网银381单，银联前置739单），通过风控系统的阻止，避免了部分风险的发生，成功阻止了犯罪分子利用客户手机银行、网银等手段窃取客户资金。

截至2021年7月，风控系统累计投产规则225条，调优规则37条、下架规则16条、新增规则17条，主要包括手机银行、个人网银和银联前置3个渠道。通过规则调优，欺诈风控类核查单精准度得到进一步提升。

十、项目成效

基于机器学习的大数据风控平台的搭建实现风险甄别和度量实现量化，风险报警全面、适度，实现对所有信用社、农商行的全面覆盖，包括柜面、网银、ATM、人行支付等渠道交易的全面监控。同时通过风控平台达到降低风险成本，减少我行经济损失的直接目的，避免声誉风险。

同时项目应用对我行的提升如下：

（一）打造专业风控团队：在风控平台的模型和数据支撑下，为我行风控领域积累宝贵的经验，完善风控措施，为我行打造一支专业的风控团队。

（二）促进业务的发展：风控平台会充分考虑银行业务的迅猛发展，客户数和交易量每年都飞速发展，面对这样庞大的数据量，风控平台能确保系统的整体计算性能。对实时的交易干预，系统响应迅速，完全不影响客户使用体验；对准实时的风险监控，可实现在几分钟内完成批量数据的计算，确保在短时间内迅速发现可疑风险交易，保证对大交易量风险监控的时效性，完全能够满足并支撑银行未来对风险监控方面的需求，及时规避各种支付风险，促进了银行业务的发展。

（三）提升我省农信系统的整体竞争力：银行支付类欺诈事件极有可能造成银行和其客户的资金损失，严重影响银行的业务发展甚至品牌知名度，建立基于机器学习的大数据风控平台将防范并大大降低欺诈带来的直接经济损失及银行的名誉损失，促进客户对银行产品和服务的满意度，提升银行的核心竞争力。

本项目通过我行立项，为我行A类项目，通过建设全行级风险监控平台，实现对我行业务的实时监测和预警，有效地满足监管要求，提升我行风险识别和防控能力，完善了风险防控机制，有力地保障客户的资金安全。

十一、亮点总结

我社建立基于机器学习的大数据风控项目，积极响应福建农信“十四五”信息科技专项规划要求，符合“数字福建”发展战略，是落实省委、省政府关于发展大数据产业战略部署的具体体现，为福建省抢占金融科技发展高地贡献一份力。今后，我们将紧紧围绕农村金主力军的定位，加快金融科技的研究和创新，加强金融服务三农、服务小微的能力，不断提升科技服务水平，推动省农信社数字化转型发展。