1.一种基于人工智能的金融数据分析方法，其特征在于，所述方法包括：S1、获取用户贷款时提交的用户数据，采用同态加密动态分段技术对用户数据进行加密处理；其中，每个用户的数据包括身份数据Iuser和信用历史Htrans；

S2、利用区块链技术构建去中心化身份验证框架存储用户数据，再设计一个身份验证智能合约对用户身份进行验证，设计用户的信用评分，再基于用户的交易历史和外部数据动态更新用户的信用评分，具体包括：S21、使用区块链创建一个去中心化的身份数据库，用户数据都被进行加密处理并存储在区块链上，将加密密钥通过密钥交换协议传递给授权的验证方并确保密钥的安全存储和管理；

S22、定义并调用身份验证智能合约SCid处理身份验证请求和更新信用评分；

S221、对S1加密后的用户数据与存储在区块链上的加密数据进行匹配验证，在所述身份验证智能合约SCid内部实现匹配函数，若验证通过则接受用户的贷款申请或下一步身份验证，所述匹配函数表示如下：Sid＝f(Iuser,Ichain)

其中，Sid表示身份验证分数；

S222、根据用户的交易历史Htrans和外部数据Dext计算用户的信用评分Cscore，表示如下：Cscore＝Mcredit(Htrans,Dext)其中，Mcredit为机器学习模型；

定期收集交易历史Htrans和外部数据Dext，并对数据进行预处理动态更新用户的信用评分，同时将更新后的信用评分通过身份验证智能合约更新到区块链上，表示如下：Cscore＝Mcredit(processed(Htrans),processed(Dext))其中，processed表示对数据进行预处理；

S3、构建基于区块链智能合约自适应验证框架对所述身份验证智能合约代码进行自动化审核和风险评估，包括：S31、使用自动化工具对智能合约代码C进行分析，生成抽象语法树树AST(C)和控制流图CFG(C)，同时基于抽象语法树树AST(C)和控制流图CFG(C)对智能合约进行评估；

S32、设计自动化审计策略对智能合约进行审计，根据审计结果判断所述智能合约是否在所有执行路径上都满足智能合约属性；其中，所述自动化审计策略包括静态分析、动态测试和形式化检验，具体包括：所述静态分析为：Vstatic＝AnalyzeStatic(AST(C),CFG(C))；其中，Vstatic表示表示静态分析过程中发现的漏洞集合；

所述动态测试为：Eruntime＝ExecuteTest(C,Tset)；其中，Eruntime为运行时异常集合，Tset为测试用例集合；

所述形式化检验为：设Verify Formal(C,Pset)为验证结果，Pset为一组智能合约属性，若所有智能合约属性都满足，则返回真(True)，否则返回假(False)；

S33、根据所述验证结果Verify Formal(C,Pset)进行综合分析，确认智能合约中存在的问题和风险并生成审计报告；

S4、结合图神经网络和异常检测算法分析用户行为和交易模式，识别异常行为；

S5、构建基于多维信贷特征的动态风险评估模型对用户数据进行分析，包括：S51、对用户提供的贷款数据进行预处理，提取深度贷款向量X，且每个特征向量X＝[x1,x2,…,xn]表示用户贷款背景；

S52、构建基于多维信贷特征的动态风险评估模型，以深度贷款向量X作为输入，输出违约概率Pdefault，表示如下：Pdefault＝σ(W·X+b)

其中，σ是激活函数，W是权重矩阵，b是偏置项；

S54、使用对数损失函数L(y,Pdefault)评估基于多维信贷特征的动态风险评估模型，表示如下：L(y,Pdefault)＝‑[ylog(Pdefault)+(1‑y)log(1‑Pdefault)]其中，y是实际的结果；

S55、根据实际的结果和公司的风险承受策略对用户提供的贷款数据进行下一步审查或拒绝；

S6、利用同态加密技术对用户贷款敏感数据进行加密处理，同时使用差分隐私技术对用户数据进行数据共享和分析；

S7、将用户执行的交易记录和用户操作日志存储在区块链上，通过区块链的共识机制来验证和记录，防止交易记录和用户操作日志被篡改。

2.根据权利要求1所述的一种基于人工智能的金融数据分析方法，其特征在于，所述S1具体包括：S11、将用户数据组成数据集，设D表示待加密的用户数据集，D＝d1,d2,…,dn}，其中每个di代表用户的一个数据项，采用同态加密函数E对数据D进行加密，加密后的用户数据集为D'＝{E(d1),E(d2),…,E(dn)}；

S12、先评估敏感性每个数据项di，并赋予一个敏感性指标Si，同时基于处理任务的需求，设定一个或多个分段阈值Δ；

S13、设计分段函数S(x,Δ)，并将加密后的用户数据集为D'＝{E(d1),E(d2),…,E(dn)}应用到所述分段函数S(x,Δ)；其中，x是待处理的加密数据，Δ是基于数据敏感性和处理需求动态调整的分段阈值；

S14、对分段后的用户数据集进行加密数据计算；

S15、对加密数据计算的结果进行解密。

3.根据权利要求2所述的一种基于人工智能的金融数据分析方法，其特征在于，所述S14表示为：对于任意的算术操作f，在加密数据上的执行定义为f'(D')＝f'(E(d1),E(d2),…,E(dn))，确保操作在加密领域内闭合。

4.根据权利要求1所述的一种基于人工智能的金融数据分析方法，其特征在于，所述S4具体包括：S41、构建交易图Gt＝(Vt,Et)，对用户数据进行特征提取；其中，t表示时间t，Vt代表在时间t的账户节点集合，Et代表交易边集合；

S42、基于图神经网络模型M对交易图Gt＝(Vt,Et)进行分析，模型学习到的是节点的嵌入表示，从而预测节点的欺诈概率；

S43、实时对交易数据进行接受，更新交易图Gt＝(Vt,Et)的特征，采用在线学习策略持续优化图神经网络模型M，根据损失函数L(θold)和学习率η更新模型参数θ，表示如下：其中，θnew表示新的模型参数，θold表示旧的模型参数；

S44、设定预警阈值T，当所述欺诈概率超过预警阈值T时触发警报。

5.根据权利要求4所述的一种基于人工智能的金融数据分析方法，其特征在于，对于每个节点vi∈Vt，定义其特征向量Xi，表示如下：Xi＝[Agei,AvgAmti,DefCounti,…]其中,Agei表示用户i年龄，AvgAmti表示用户i的平均交易金额，DefCounti表示用户i的历史贷款违约次数；

每条边eij∈Et表示为一个特征向量，包含交易金额Amtij和交易时间翟Timeij，则边特征向量表示如下：Eattr(eij)＝[Amtij,Timeij]。

6.根据权利要求5所述的一种基于人工智能的金融数据分析方法，其特征在于，根据节点特征Xi和相连边的特征Eattr(eij)计算每个节点的欺诈概率Pfraud(vi)，表示如下：Pfraud(vi)＝M(Xi,Eattr(eij),Gt)其中，Pfraud9vi)表示欺诈概率。

7.根据权利要求1所述的一种基于人工智能的金融数据分析方法，其特征在于，所述同态加密技术将用户的每个数据项d，使用加密函数E将其转换为密文c，表示为：c＝E(d；k)

其中，k是加密密钥。

8.根据权利要求7所述的一种基于人工智能的金融数据分析方法，其特征在于，所述差分隐私技术包括：设定隐私预算∈，用于控制添加的随机噪声量，在数据查询结果中添加满足拉普拉斯分布的噪声，实现差分隐私保护，对于查询结果q,添加噪声后的结果q'为:q′＝q+Laplace(0,Δq/∈)

其中，Δq是查询的灵敏度，即不同数据库上相同查询的最大结果差值。

9.根据权利要求1所述的一种基于人工智能的金融数据分析方法，其特征在于，所述S7包括：S71、构建区块链网络，定义区块结构和记录格式，创建初始区块B0，对于每一项贷款操作，生成相应的记录R，并将其打包到新的区块中，包括：每个区块Bi包含一系列贷款操作记录R，定义为Bi＝{R1,R2,…,Rn}，其中，Ri表示单个操作记录，每条记录R包含操作类型T、时间难Ts、操作者O和操作详情D，即R＝{T,Ts,O,D}，同时创建初始区块B0，作为区块链的起点，表示为：Hi＝Hash(Bi)；

S72、通过特定的共识机制验证新区块的有效性，确认无误后添加到区块链中，更新所有节点的区块链副本；

S73、通过区块链提供的接口检索特定操作的记录对审计或查询需求验证哈希值和链接的正确性。

10.一种基于人工智能的金融数据分析系统，包括计算机可读存储介质和处理器，其特征在于，所述计算机可读存储介质用于存储可执行程序；所述处理器用于读取所述计算机可读存储介质中存储的可执行程序，执行权利要求1‑9任一项所述的一种基于人工智能的金融数据分析方法。