Data privacy and audit compliance of supply chain finance warehouse receipt pledge based on WSN federated edge learning

In der Welt der modernen Finanzwirtschaft kämpfen kleine und mittlere Unternehmen oft darum, die Kredite zu erhalten, die sie für ihr Wachstum benötigen. Eine gängige Lösung ist die Lagerhausquittungspfandfinanzierung (Warehouse Receipt Pledge Financing), bei der ein Unternehmen seine gelagerten Vorräte – wie Getreide, Metalle oder Fertigwaren – als Sicherheit für einen Bankkredit nutzt. Damit dieses System funktioniert, muss die Bank darauf vertrauen können, dass die Waren tatsächlich existieren, sich in einem guten Zustand befinden und nicht ausgetauscht oder manipuliert wurden. Traditionell stützt sich die Verifizierung auf manuelle Inspektionen und periodische Inventuren, die langsam, fehleranfällig sind und Wissenslücken hinterlassen. Darüber hinaus sind die Daten, die diese Waren beschreiben, sowie die finanziellen Details der Kredite hochsensibel. Banken und Lagerhäuser behandeln diese Informationen oft als Geheimnis, was isolierte Datensilos schafft, die nicht einfach geteilt werden können, um ein besseres Bild des Risikos zu erstellen. Dies schafft ein Dilemma: Wie können Banken zusammenarbeiten, um Betrug zu erkennen und Risiken zu steuern, ohne Firmen dazu zu zwingen, ihre privaten Geschäftsgeheimnisse preiszugeben?

Um dies zu lösen, haben Forscher der Shandong University of Technology ein neues System entwickelt, das physische Sensoren, eine Methode zum Training künstlicher Intelligenz ohne Weitergabe von Rohdaten und ein digitales Register zur Verifizierung kombiniert. Sie konzentrierten sich auf ein Szenario, in dem mehrere Lagerhäuser, die jeweils unterschiedliche Arten von Waren für verschiedene Unternehmen halten, zusammenarbeiten müssen, um riskante Verpfändungen zu erkennen. Das Team baute ein System, das drahtlose Sensoren nutzt, um die Waren zu überwachen, eine intelligente Lernmethode, die Daten lokal hält, und einen sicheren Weg, um den Nachweis zu erbringen, dass die Regeln eingehalten wurden, ohne Geheimnisse zu offenbaren. Ihre Arbeit zeigt, dass es möglich ist, ein hochpräzises Risikomodell zu erstellen, das die Privatsphäre wahrt und strenge regulatorische Audits erfüllt, während es gleichzeitig mit der begrenzten Leistung kleiner Sensornetzwerke arbeitet.

Die Forscher begannen damit, die physische Realität der verpfändeten Waren anzugehen. Sie statteten die Lagerhäuser mit einem Netzwerk kleiner, drahtloser Sensoren aus, die ständig Temperatur, Luftfeuchtigkeit, Gewicht und den Standort der Artikel überwachen. Diese Sensoren fungieren wie ein kontinuierliches digitales Auge, das den Echtzeit-Zustand des Inventars erfasst. Anstatt diese rohen, sensiblen Daten an einen zentralen Server zu senden, wo sie gestohlen oder geleakt werden könnten, verarbeitet das System die Informationen lokal im Lagerhaus. Es erstellt dann eine „digitale Lagerhausquittung“, einen sicheren Datensatz, der den physischen Zustand der Waren mit den geschäftlichen Details des Kredits verknüpft. Diese Quittung wird auf einer Blockchain gespeichert, einer Art digitalem Register, das extrem schwer zu manipulieren ist, wodurch sichergestellt wird, dass der Datensatz dessen, was im Lagerhaus ist, mit der physischen Realität übereinstimmt. Wenn die Sensoren einen plötzlichen Temperaturabfall oder eine Gewichtsänderung feststellen, die nicht zu den Aufzeichnungen passt, markiert das System dies sofort als Anomalie und alarmiert sowohl den Lagerhausbetreiber als auch die Bank.

Nachdem die physischen Daten gesichert und in vertrauenswürdige digitale Datensätze umgewandelt worden waren, widmeten sich die Forscher der Herausforderung der kollaborativen Risikomodellierung. In einem traditionellen Setup müssten Banken ihre privaten Daten teilen, um ein Computermodell zu trainieren, das vorhersagt, welche Kredite riskant sind. In diesem neuen Ansatz verlassen die Daten das Lagerhaus nie. Stattdessen verwendeten die Forscher eine Technik namens Federated Edge Learning. Stellen Sie sich eine Gruppe von Schülern in verschiedenen Klassenzimmern vor, die alle versuchen, dieselbe schwierige Matheaufgabe zu lösen. Anstatt ihre Hefte an einen zentralen Lehrer zu schicken, damit dieser sie bewertet, arbeitet jeder Schüler an seinem eigenen Problem, findet die allgemeine Regel, die er entdeckt hat, und sendet nur diese Regel an den Lehrer. Der Lehrer kombiniert alle Regeln, um einen Leitfaden zu erstellen, und sendet diesen zurück. Die Schüler nutzen dann diesen verbesserten Leitfaden, um ihre eigene Arbeit zu verfeinern. In diesem System fungiert jedes Lagerhaus als ein Klassenzimmer, das eine lokale Version des Risikomodells auf seinen eigenen Daten trainiert. Sie teilen nur die „Regeln“, die sie gelernt haben – die mathematischen Aktualisierungen des Modells – und nicht die Rohdaten selbst.

Um diesen Prozess effizient und zuverlässig zu gestalten, fügten die Forscher mehrere Ebenen der Intelligenz hinzu. Sie entwarfen einen Auswahlprozess, der entscheidet, welche Lagerhäuser an jeder Lernrunde teilnehmen, basierend auf ihrer Vertrauenswürdigkeit und ihrer verbleibenden Batterieleistung, um sicherzustellen, dass nur zuverlässige, gut ausgestattete Knoten beitragen. Sie führten zudem einen Mechanismus ein, um zu verhindern, dass die lokalen Modelle zu weit auseinanderdriften, was ein häufiges Problem ist, wenn verschiedene Lagerhäuser sehr unterschiedliche Arten von Waren führen. Um die Privatsphäre weiter zu schützen, hüllten die Forscher die Modellaktualisierungen in zwei Sicherheitsschichten. Zuerst fügten sie eine kleine Menge mathematisches Rauschen zu den Aktualisierungen hinzu, was es unmöglich macht, die ursprünglichen Daten durch Rückentwicklung zu ermitteln. Zweitens verschlüsselten sie die Aktualisierungen, sodass diese kombiniert werden konnten, während sie in einem sicheren Format verschlossen blieben. Nur eine vertrauenswürdige Instanz konnte das endgültige kombinierte Ergebnis entschlüsseln. Dies stellt sicher, dass selbst wenn jemand die zwischen den Lagerhäusern übertragenen Daten abfängt, er die zugrunde liegenden Geschäftsgeheimnisse nicht sehen kann.

Schließlich enthält das System einen integrierten Audit-Pfad (Prüfpfad), der die Anforderungen der Regulierungsbehörden erfüllt. Jeder Schritt des Lernprozesses wird auf der Blockchain aufgezeichnet, was eine transparente Historie schafft, die zeigt, wer teilgenommen hat, welche Regeln befolgt wurden und wie viel Schutz für die Privatsphäre angewendet wurde. Smart Contracts, also selbstausführende Verträge auf der Blockchain, prüfen automatisch, ob der Prozess allen Vorschriften entsprach. Wenn ein Lagerhaus versucht, vom Protokoll abzuweichen oder wenn die Grenzen der Privatsphäre überschritten werden, kann das System dies erkennen und die Behörden alarmieren. Dies schafft einen geschlossenen Kreislauf, in dem Privatsphäre, Genauigkeit und Compliance in Echtzeit überwacht werden.

Die Ergebnisse der Studie zeigen, dass dieser Ansatz äußerst effektiv ist. In ihren Tests erreichte die neue Methode eine Genauigkeitsrate von 94,8 % bei der Identifizierung von Risiken, was signifikant höher war als bei bestehenden Standardmethoden. Selbst wenn die Daten aus den verschiedenen Lagerhäusern sehr unterschiedlich waren – ein Zustand, der Computermodelle normalerweise verwirrt – blieb das neue System robust und behielt eine hohe Genauigkeit bei, wo andere Methoden versagten. Die Forscher fanden auch heraus, dass das System unter strengen Datenschutzbedingungen arbeiten konnte. Als sie den Grad des Schutzes der Privatsphäre auf das Maximum erhöhten, behielt das System immer noch eine Genauigkeit von 83,6 %, während andere Methoden auf 72,5 % fielen. Obwohl die Sicherheitsmaßnahmen mehr Rechenzeit und Energie erforderten, war der Kompromfort in Bezug auf das Endergebnis minimal. Die Studie kommt zu dem Schluss, dass es durch die Integration von drahtlosen Sensoren, sicherem Lernen und Blockchain-Verifizierung möglich ist, ein Lieferkettenfinanzsystem aufzubauen, das nicht nur intelligenter und genauer ist, sondern auch die Privatsphäre jedes Teilnehmers respektiert und die strengen Anforderungen der Finanzregulierungsbehörden erfüllt.