金融科技日新月异,全线上化信贷业务流程给人们的生活带来极大便利的同时,欺诈案件诸如虚假流量渠道、钓鱼网站、木马病毒等层出不穷。面对日益猖獗的欺诈手段,基于机器学习的反欺诈风控系统应运而生。然而,在探索反欺诈技术中仍面临着两个难题:一方面,机构间存在严重的数据孤岛现象。另一方面,数据隐私在全球范围内被高度重视,受行业政策保护。如何综合各行业的数据在不泄漏用户数据隐私的前提下协同训练高效的模型是联合反欺诈的重要难题。传统的机器学习模型需要把各家机构数据集中一起训练,这种训练方法面临着数据隐私泄露的风险,联邦学习（Federated Learning）改变了以往这种训练的模式,能在保护数据隐私的前提下,跨行业实现共同建模。本文将联邦学习框架应用到反欺诈领域上,提出一种面向数据隐私保护的联邦学习反欺诈系统,主要从以下三方面开展工作:（1）提出一种面向数据隐私保护的混合型联邦学习反欺诈系统。以某商业银行为基准数据,通过组合横向联邦学习和纵向联邦学习两类框架构建基于混合型联邦学习框架的反欺诈系统,横向联合分行数据或其他银行数据,纵向联合税务局、运营商、人行征信、司法等数十家数据提供商,跨行业跨领域联合反欺诈。经设置对比实验,该框架能在保护数据隐私的前提下具有较好的模型效果。（2）提出改进的联邦平均算法。联邦平均算法是解决混合型联邦学习框架下参与方面临的数据非独立同分布问题,该算法以多方信任为前提,更新时仅考虑到数据量,未考虑数据质量对模型的影响。针对该问题,本文提出结合聚类算法进行改进,引入欧式距离作为衡量数据质量的依据,淘汰数据质量较差的参与方。实验表明,改进的联邦平均算法提高约7.4%的准确率,该算法同时也预防了不诚实参与方对模型发起的攻击。（3）提出基于主成分分析（Principal Component Analysis,PCA）和长短时记忆网络（Long Short-Time Memory,LSTM）组合模型作为混合型联邦学习框架下的训练模型。由于欺诈场景下的时间序列存在高维度、多变量、爆炸式增长等特点及变量间的多重冗余,直接运用将极大地影响训练的效率。基于此,本文提出基于PCA＿LSTM模型,利用PCA降低数据维度,LSTM保留具有价值的欺诈信息,实现双重降维。经设置对比实验,在联邦框架下该模型不但具有较高的预测精度,而且能有效地降低计算复杂度。