公安、银行、运营商数据难以融合？安恒信息隐私计算助力三方反诈

为了更加准确地识别到诈骗人员信息，可以归纳出行骗人员的行为特征，通过融合打通公安、银行和运营商的数据，使用联合统计的方式，提前识别出行骗人员，从根源上阳断诈骗行为的发生。

为实现以上目标，如下图所示，可以采用分布式隐私计算技术，分别在公安、银行以及运营商侧部署相应的隐私计算本地节点，按照“原始数据不出域，数据可用不可见”的要求，将各方数据安全合规地联合建模分析，输出反诈模型，以此实现联合反诈行动。

打击电信诈骗方案

具体而言，联合反诈业务的实施，可以分为以下三个步骤：

公安机关总结常年在反诈一线的工作经验，总结出了行骗分子的特征标签库（灰标签和黑标签），以及运营商和银行在识别出诈骗相关异常后建议采取的措施标签库。特征标签库包括分散转入转出、IP频繁更换等灰标签，以及涉虚拟货币交易涉诈等黑标签；措施标签库包括保护性限额、保护性暂停短信服务等。

公安机关与银行和运营商同步标签信息。银行和运营商结合自身业务开展情况，开发针对每个用户的特征标签库和措施标签库打标逻辑，并且给存量的客户打上相关标签。

使用隐私计算技术，实现公安、银行、以及运营商三方包括标签数据在内的多项数据的安全融合，创建相应的反诈模型。

在反诈业务中，公安、运营商、银行都拥有各自相关的能力与数据。使用隐私计算技术，实现多方数据的融合，在联合诈骗人员场景中可以提供的以下三个方面的核心价值：

诈骗人员最终的目标都是获取资金，因此诈骗人员在银行的行为模式很难去除。但由于我国各大小银行数量繁多，且不同银行之间存在数据孤岛现象，导致了诈骗人员可以通过将诈骗行为在不同银行间分散的方式，降低诈骗行为的特征，减小其在单一银行被识别的可能性。使用隐私计算技术，促进不同银行间数据的融合互通，对提升诈骗人员识别率有着至关重要的作用。

联系受骗人员是开展诈骗活动的必要条件因此运营商成为了实施诈骗活动的必经之路。与银行类似，诈骗人员通常通过分散开卡等方式，绕过运营商的预警系统。使用隐私计算技术，促进不同运营商问数据的融合互通对提升诈骗人员识别率有着至关重要的作用。

在诈骗活动的行动路径中，运营商和银行分别处于诈骗的初期与后期。使用隐私计算技术，融合这两方的数据，可以进一步对诈骗行为有更加系统的认知，提升诈骗人员识别的准确性。