基于全同态加密的隐私保护图机器学习用于协作反洗钱
密码学与安全
2024-11-12 v2 机器学习
摘要
随着网络犯罪和金融交易数字化的兴起，反洗钱工作变得日益复杂。基于图的机器学习技术作为反洗钱（AML）检测的有前景工具出现，能够捕捉洗钱网络中的复杂关系。然而，金融机构内部的数据孤岛限制了协作和整体效能。本研究提出了一种新颖的隐私保护方法，用于协作AML机器学习，促进跨机构和跨边界的安全数据共享，同时保护隐私和合规性。利用全同态加密（FHE），计算直接在加密数据上进行，确保金融数据的机密性。特别地，FHE over the Torus（TFHE）与基于图的机器学习通过Zama Concrete ML进行了集成。本研究贡献了两个关键的隐私保护流水线。首先，探索了隐私保护的图神经网络（GNN）流水线的开发。量化与剪枝等优化技术被用于使GNN兼容FHE。其次，成功开发了基于图的XGBoost隐私保护流水线，利用图特征预处理器（GFP）。实验展示了强大的预测性能，XGBoost模型在平衡AML数据集上无论在未加密还是FHE加密推理设置下均持续实现超过99%的准确率、F1分数、精确率和召回率。在不平衡数据集上，图特征的引入将F1分数提高了8%。本研究强调了在隐私与计算效率之间平衡的必要性。
引用
@article{arxiv.2411.02926,
title = {Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering},
author = {Fabrianne Effendi and Anupam Chattopadhyay},
journal= {arXiv preprint arXiv:2411.02926},
year = {2024}
}
备注
14th International Conference on Security, Privacy, and Applied Cryptographic Engineering (SPACE) 2024