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

In de wereld van de moderne financiële sector worstelen kleine en middelgrote bedrijven vaak met het verkrijgen van de leningen die ze nodig hebben om te groeien. Een veelvoorkomende oplossing is financiering via het verpanden van magazijnontvangstbewijzen, waarbij een bedrijf zijn opgeslagen voorraad — zoals graan, metaal of geproduceerde goederen — als onderpand gebruikt om een lening bij een bank te verkrijgen. Voor dit systeem moet de bank erop kunnen vertrouwen dat de goederen daadwerkelijk bestaan, dat ze in goede staat zijn en dat ze niet zijn verwisseld of ermee zijn geknoeid. Traditioneel berust de verificatie hiervan op handmatige inspecties en periodieke inventarisaties, wat traag en foutgevoelig is en gaten in de kennis laat ontstaan. Bovendien zijn de gegevens die deze goederen beschrijven en de financiële details van de leningen zeer gevoelig. Banken en magazijnen behandelen deze informatie vaak als een geheim, wat leidt tot geïsoleerde datapockets die niet gemakkelijk gedeeld kunnen worden om een beter beeld van het risico te krijgen. Dit creëert een dilemma: hoe kunnen banken samenwerken om fraude te detecteren en risico's te beheren zonder dat zij bedrijven gedwongen worden hun private bedrijfsgeheimen te onthullen?

Om dit op te lossen, hebben onderzoekers van de Shandong University of Technology een nieuw systeem ontwikkeld dat fysieke sensoren combineert met een methode voor het trainen van kunstmatige intelligentie zonder ruwe gegevens te delen, en een digitaal grootboek voor verificatie. Ze richtten zich op een scenario waarin meerdere magazijnen, die elk verschillende soorten goederen voor verschillende bedrijven vasthouden, met elkaar moeten samenwerken om risicovolle verpandingen op te sporen. Het team bouwde een systeem dat gebruikmaakt van draadloze sensoren om de goederen te bewaken, een slimme leermethode die de data lokaal houdt, en een veilige manier om te bewijzen dat de regels zijn nageleefd zonder de geheimen te onthullen. Hun werk demonstreert dat het mogelijk is om een zeer nauwkeurig risicomodel te creëren dat de privacy respecteert en voldoet aan strikte regelgevende audits, terwijl het opereert binnen de beperkte capaciteit van kleine sensornetwerken.

De onderzoekers begonnen door de fysieke realiteit van de verpande goederen aan te pakken. Ze rustten magazijnen uit met een netwerk van kleine, draadloze sensoren die continu temperatuur, vochtigheid, gewicht en de locatie van de artikelen monitoren. Deze sensoren fungeren als een continu digitaal oog dat de realtime staat van de voorraad vastlegt. In plaats van deze ruwe, gevoelige data naar een centrale server te sturen waar ze gestolen of gelekt kunnen worden, verwerkt het systeem de informatie lokaal in het magazijn. Vervolgens creëert het een "digitaal magazijnontvangstbewijs", een veilig record dat de fysieke conditie van de goederen koppelt aan de zakelijke details van de lening. Dit bewijs wordt opgeslagen op een blockchain, een type digitaal grootboek dat extreem moeilijk aan te passen is, wat ervoor zorgt dat het record van wat er in het magazijn zit overeenkomt met de fysieke realiteit. Als de sensoren een plotselinge temperatuurdaling of een verandering in gewicht detecteren die niet overeenkomt met de records, markeert het systeem dit onmiddellijk als een anomalie en waarschuwt het zowel de magazijnbeheerder als de bank.

Zodra de fysieke data zijn beveiligd en omgezet in vertrouwde digitale records, pakten de onderzoekers de uitdaging van collaboratieve risicomodellering aan. In een traditionele opstelling zouden banken hun private data moeten delen om een computermodel te trainen dat voorspelt welke leningen risicovol zijn. In deze nieuwe aanpak verlaat de data het magazijn nooit. In plaats daarvan gebruikten de onderzoekers een techniek genaamd federated edge learning. Stel je een groep studenten in verschillende klaslokalen voor die allemaal proberen hetzelfde moeilijke wiskundeprobleem op te lossen. In plaats van hun schrift naar een centrale leraar te sturen om te worden nagekeken, werkt elke student aan zijn eigen probleem, ontdekt de algemene regel en stuurt alleen die regel naar de leraar. De leraar combineert alle regels om een meestergids te maken en stuurt deze terug. De studenten gebruiken vervolgens deze verbeterde gids om hun eigen werk te verfijnen. In dit systeem fungeert elk magazijn als een klaslokaal dat een lokale versie van het risicomodel traint op de eigen data. Ze delen alleen de "regels" die ze hebben geleerd — de wiskundige updates van het model — in plaats van de ruwe data zelf.

Om dit proces efficiënt en betrouwbaar te maken, voegden de onderzoekers verschillende lagen intelligentie toe. Ze ontwierpen een selectieproces dat bepaalt welke magazijnen deelnemen aan elke ronde van het leren op basis van hun betrouwbaarheid en hun resterende batterijvermogen, waardoor gegarandeerd wordt dat alleen betrouwbare, goed gevoede knooppunten bijdragen. Ze introduceerden ook een mechanisme om te voorkomen dat de lokale modellen te ver van elkaar afdrijven, wat een veelvoorkomend probleem is wanneer verschillende magazijnen zeer verschillende soorten goederen hebben. Om de privacy verder te beschermen, enveloppten de onderzoekers de modelupdates in twee lagen beveiliging. Eerst voegden ze een kleine hoeveelheid wiskundige ruis toe aan de updates, waardoor het onmogelijk is om de originele data terug te herleiden. Ten tweede versleutelden ze de updates zodat ze gecombineerd konden worden terwijl ze in een beveiligd formaat vergrendeld bleven. Alleen een vertrouwde autoriteit kan het uiteindelijke gecombineerde resultaat ontgrendelen. Dit zorgt ervoor dat zelfs als iemand de tussen de magazijnen verzonden data onderschept, zij de onderliggende bedrijfsgeheimen niet kunnen zien.

Ten slotte bevat het systeem een ingebouwd audittrail dat voldoet aan de eisen van toezichthouders. Elke stap van het leerproces wordt op de blockchain geregistreerd, wat een transparante geschiedenis creëert die laat zien wie heeft deelgenomen, welke regels zijn gevolgd en hoeveel privacybescherming is toegepast. Smart contracts, die zelfuitvoerende overeenkomsten op de blockchain zijn, controleren automatisch of het proces aan alle regelgeving heeft voldaan. Als een magazijn probeert af te wijken van het protocol of als de privacygrenzen worden overschreden, kan het systeem dit detecteren en de autoriteiten waarschuwen. Dit creëert een gesloten lus waarin privacy, nauwkeurigheid en naleving allemaal in realtime worden gemonitord.

De resultaten van het onderzoek tonen aan dat deze aanpak zeer effectief is. In hun tests bereikte de nieuwe methode een nauwkeurigheidspercentage van 94,8% bij het identificeren van risico's, wat aanzienlijk hoger was dan de bestaande standaardmethoden. Zelfs wanneer de data van verschillende magazijnen sterk van elkaar verschilden — een conditie die computermodellen gewoonlijk in verwarring brengt — bleef het nieuwe systeem robuust en behield het een hoge nauwkeurigheid waar andere methoden faalden. De onderzoekers ontdekten ook dat het systeem kon opereren onder strikte privacyvoorwaarden. Toen zij het niveau van privacybescherming maximaliseerden, behield het systeem nog steeds een nauwkeurigheid van 83,6%, terwijl andere methoden zakten naar 72,5%. Hoewel de beveiligingsmaatregelen meer rekentijd en energie vereisten, was de afruil minimaal in verhouding tot het eindresultaat. De studie concludeert dat door de integratie van draadloze sensoren, veilig leren en blockchain-verificatie, het mogelijk is om een supply chain finance-systeem te bouwen dat niet alleen slimmer en nauwkeuriger is, maar ook de privacy van elke deelnemer respecteert en voldoet aan de strenge eisen van financiële toezichthouders.