当AI遇上金融科技，揭秘360金融背后的技术原理与架构(360借条和360金融)

　　随着互联网技术在金融领域中的应用与融合，金融科技不断出现在人们的视野中、生活中。然而，面对金融科技与新技术的发展，广大金融从业者、科技从业者，在把握企业合规和业务发展之间平衡的过程中，却难免会遇到一些新的风险挑战。

　　在跨系统的结构中，技术人应当怎样应对 AI 带来的更大风险点?“爆款”数据中台将对业务产生怎样的价值?针对金融应用领域中的数据孤岛问题将如何解决?在监管方面的“信息安全”顾虑又该如何消除?

　　在「360 金融 AI 之夜：科技与金融的融汇探索之旅」的晚场活动上，360 金融技术副总裁姜涛、360金融首席数据科学家沈赟博士、360 集团云平台部高级技术总监王哲、360 大数据中心技术总监徐皓一同给出了 360 金融的破局策略。随后在 Lean Coffee 环节，六位来自 360 金融的技术专家与开发者们就金融科技领域的 5 个技术主题，进行了深度的探讨与交流。

　　360 金融技术布局

　　基于"互联网+金融"的时代背景，360 金融结合自身实践经验，对传统金融业务所面临的四大问题与挑战进行了总结：

　　业务门槛高。从线上获客到新业务开发，线上流量与线下获客的成本越来越高，增速也越来越慢;

　　客户体验差。传统的金融业务的流程复杂、周期较长、覆盖面较小等原因，都会造成客户体验较差的结果;

　　劳动力密集。传统金融领域是劳动力密集的行业，其需要许多地推以及网点人员，自动化程度较低，效率也不高;

　　人力成本高。现如今的人力成本正逐年提高，传统金融从业人员的待遇期望也逐步提升。

　　由此看来，传统金融业的数字化转型蓄势待发，而金融科技也将成为传统金融业转型升级的重要推动力和未来发展的发力点。那么，360 在金融科技上有哪些技术沉淀和布局?在「360 金融 AI 之夜」晚场活动上，360 金融技术副总裁姜涛完整阐述了 360 金融的五大技术布局，分别为：人工智能、数据中台、区块链、金融云和联邦学习。

　　在人工智能方面，通过在 360 金融 AI 算法平台、算法库进行训练，用户可提炼出了真正适用于不同业务场景的各种模型，如营销模型、反欺诈模型、信用评分模型、贷前额度模型、贷中调整模型等，覆盖了金融业务的全生命周期。值得注意的是，能在全流程、全生命周期中引入人工智能的企业，其实在业界中并不多见，360 金融就是其中一个。

　　在数据中台方面。360 金融当前已具备数据资产协作共享能力、数字资产规划治理能力、数据服务能力与业务价值探索分析能力。其中 360 金融不仅可以使用主题域归档与联合建模的形式与兄弟部门共享数据，还可使用BI服务制作报表，进行可视化的展示，并通过提供API的服务给业务方以及合作方进行使用。此外， 360 金融还公布了数据中台的未来规划，将继续在联邦学习、迁移学习等领域深入AI化，并通过自建→共建→开放共赢探索的路径，持续丰富产品服务形式多元化。

　　提及 360 金融在区块链的积累，更多的是依托于 360 集团从 2017 年就开始的区块链研究投入，尤其是在区块链安全方面的研究，360 集团走得较为靠前。在 2018 年，360 集团在 EOS 真实上线的时候发现的一个越界漏洞，在全球引起了不小的轰动。目前，360 金融的 QBaaS 能够为政企区块链应用落地提供底层技术支持。不仅如此，360 金融还在区块链安全研究与隐私保护领域不断探索，让区块链技术在金融领域更好地实现落地。

　　在金融云方面，由于金融的特殊性，特别是银行机构对合规私有化部署的要求，使得金融云需要更为灵活的部署方式。360 金融的公有云、私有云部署方式，可以把用户的系统部署到他们自己机房中去。此外，用户在进行部署时也可使用混合部署的方式，比如说把涉及敏感数据的服务部署到客户机房中，其余对弹性要求更高的服务则部署至公有云上，以更好地应对灵活弹性的业务需求。

　　在联邦学习方面，360 金融会把本地初始模型部署在客户端，基于部署好的模型进行最终结果与中间结果的计算，将计算结果加密上传到云端服务器，融合多个用户的计算结果后，进行保存，最后基于计算结果迭代更新已有模型，进行服务决策。姜涛指出，对于金融行业而言，了解用户一直是行业刚需，而现如今用户数据隐私监管要求越发严格，在这样的大背景下，360金融也将不断探索联邦学习法，结合区块链研发智能合约，解决互信问题。

　　360 金融在云计算上的探索与落地

　　2012年，360 技术委员会立项推动云计算建设，并完成了 360 云计算建设规划。在漫长的七年时间里，360 不断的自研，跟进业内领先技术，并于今年正式上线了 360 云计算的独立官网。360 集团云平台部高级技术总监王哲在本次晚场活动中，首次公布了 360 100+IDC、10W+台服务器等数据信息。

　　此外，王哲基于 360 云计算底层架构讲解道，360 IaaS层技术架构最底层以 KVM 与 docker 作为计算层，存储上使用 CEF，上层为 360Stack 云管理平台。其中，比较有特色的要数 360 金融的运维管理能力，由于 360 需要治理几十万主机，并在很多的IDC上做一些故障切换，当这些机器运载到一定程度，如何不因为单点问题致使系统故障，就成为 360 必须面对的问题。

　　如上图所示，360 运维监控体系被分成三大部分，第一部分为报警与报修，充分运用了智能运维的相关能力，让线上很多的故障自发现、自处理;第二部分为资源的协调与分配，目前 360 已实现业务所见即所得的资源分配以及自动扩缩容;第三部分则是 360 针对网络流量、系统性能、机房的监控，这一部分正是整个运维监控体系的基石，也是 360 能真正做到智能运维和自动化运维的关键。

　　众所周知，传统金融模式具有集中式、垂直扩展、侧重于服务端、强调单机的高可靠与高性能等特征。事实上，互联网金融的模式更强调纯分布式，服务器和存储为标准 X86 的设备，任何一个系统需是高性价比的通用设备，从产品设计阶段就密切关注任意节点的失效，并预设相应的后备解决方案。通过中间件实现水平扩展，不可否认会为互联网金融带来巨大的价值，更多的 CDN、BGP 以及网络优化，也可以真正让用户的体验达到极致。

　　据王哲介绍，云计算为 360 金融带来了三大重要价值，一是降低成本，减少一次性投入，让金融客户按需申请资源;二是大幅提升效率，包括更快的资源响应能力和更高效的运维体系;三是稳定性提升，体现在高可用的基础架构和更可靠的容灾模型。

　　此外，王哲还表示在互联网金融的网络结构中，首先需把非监管类的业务放在公有云里，并把客户可以使用的、允许隔离的放在金融云上，当在强监管的情况下企业还需构建金融专有云，这也将会是金融科技企业未来的网络结构形态。

　　360 大数据平台技术架构与实践

　　据统计，360 每天会产生300T+数据、103亿条记录，拥有141款产品，覆盖12亿多的用户。其中，360 所产生的数据类型也十分多样，比如来自语音数据、视频类数据、结构化以及半结构化的数据，同时 360 数据存储也很分散，多地域、多介质、多业务为 360 大数据中心的存储特征。

　　面对如此海量数据，360 大数据平台的技术架构是如何设计的呢?360 大数据中心技术总监徐皓表示，360 大数据平台架构主要分为三层，第一层是计算存储层，其兼容业界主流计算与存储，并在此基础上提供统一、高效的存储、计算和运维能力;第二层为数据治理层，其基于底层的存储计算能力，以数据资产为核心，从采集、集成、开发以及管理等几个维度构建一套全生命周期、智能化的数据治理平台;第三层是业务应用层，是基于数据治理的能力基础上，面向不同领域构建的场景下解决方案。

　　数据治理层中包含数据采集、数据管理、数据集成以及数据开发。其中，数据治理层还包括 360 根据海量数据构建的一系列通用的智能服务，包括人脸识别、手势识别、图片分类、认知智能、决策训练、决策测试等通用能力。

　　在底层和中层基础之上，业务应用层面将向不同的领域构建不同的应用，其中就包括互联网应用、物联网应用和 2B&2G 应用。而 2B&2G 业务正是今年 360 集团除了 2C 业务之外的新规划，主要提供给政企客户一个高质量大数据分析的能力。

　　为使金融业务更加准确、快速、敏捷，360 结合从广告、游戏、导航、手机卫士等各个业务线的海量数据，通过资产平台、数据集成、数据安全、图谱平台以及机器学习平台，最终提供适配业务需求的金融数据服务，比如用户画像、知识图谱等等。

　　徐皓还向参会者们阐述了 360 金融流程与大数据平台融合三大部分，一是海量数据治理，让数据合规、可信、安全;二是高性能、高可靠的数据处理，为上层金融应用提供快速、准确的数据;三是平台的极致体验，让金融研发更简单、更敏捷地推进。

　　后记

　　除了三位技术专家的精彩分享之外，晚场活动中人工智能、数据中台、区块链、金融云与联邦学习五个技术小组的组长，分别由360金融高级算法专家张彤彤、360金融架构总监黄建庭、360服务端开发架构师赵化强、360金融技术副总裁姜涛、360金融高级算法工程师王垚炜、360金融算法工程师白苗君担任，小组组长们深入各小组内部，带领参会者进行了热烈的讨论，小组成员也踊跃抛出自己各种问题和见解，现场讨论气氛一度十分热烈。

　　在最后的小组总结分享环节中，每组代表对小组内共同讨论的结果与感想进行了总结阐述。

　　其中，AI 小组就关于业务营销与产品需求、产品推荐进行了分享;数据中台小组则给出了关于数据中台与数据平台的区别讨论结果，并就差异化内容与数据质量问题进行了深入探讨;区块链小组主要集中探讨了隐私保护、多方计算、数字货币等技术挑战与解决方案;金融云小组给出了关于金融云加AI的赋能与云安全的探讨成果;联邦学习小组则就联邦学习的深度学习方式与存在的问题进行了专业分析。