1.一种基于门限秘密共享的分布式信用卡欺诈检测方法，其特征在于，包括如下步骤：步骤1、分布式信用卡欺诈检测系统的初始化，包括Shamir门限秘密共享方案参数的确定以及联邦学习分布式框架的搭建；

步骤2、各个客户端获取训练数据并进行各自的数据处理；

步骤3、主服务器初始化一个信用卡欺诈检测模型，并定义损失函数和模型评估指标；

所述步骤3中，使用前馈神经网络作为信用卡欺诈检测模型的主干网络，通过前馈神经网络预测属于欺诈的概率：其中， 表示输入特征张量，nf为特征数；h(0)表示初始隐藏层特征张量；h表示隐藏层特征张量；L表示隐藏层总层数，满足L≥1；l表示第l层，满足1≤l≤L；W和b分别表示线性层的权重和偏置；σ(·)表示Sigmoid激活函数；表示预测出的欺诈行为概率；ReLU(·)为ReLU激活函数；

为了衡量模型预测值和真实标签之间的差异，使用二元交叉熵损失函数，并引入L2正则化以防止过拟合：其中， 为二元交叉熵损失函数； 表示第 个样本的真实标签； 表示第 个样本预测出的欺诈行为概率；表示参与训练的样本数量；λ是L2正则化系数； 为L2正则化；

Θ表示所有待训练的模型权重，满足如下公式：

Θ＝{W(l)|l＝1,2,...,L}∪{b(l)|l＝1,2,...,L}；

定义准确率、AUC、精确率、召回率和F1分数5个模型评估指标来衡量模型性能；

步骤4、进行首轮本地模型训练和本地模型聚合；具体过程为：步骤4.1、主服务器按照步骤3给出的方法初始化一个信用卡欺诈检测模型，并下发给各个客户端；

步骤4.2、每个客户端接收来自主服务器的初始化信用卡欺诈检测模型，并将该模型作为自身的本地模型，使用各个客户端的私有数据集进行第一次本地模型的训练；

步骤4.3、训练完成后，将各个客户端本地模型权重转变为整数形式，为后续秘密份额的生成做好准备；对本地模型权重中的每一个数值，按照下列方法进行映射：其中，val(int)表示映射得到的整数形式数据；val(float)表示原始的浮点数据；val(min)和val(max)分别为映射边界极小值和极大值；Sα表示缩放因子； 表示向下取整操作；

步骤4.4、完成一次训练之后，使用Shamir门限秘密共享方案中定义的阈值T生成各个聚合服务器的N个秘密份额；

定义N个聚合服务器，根据聚合服务器总数设置等数量的N个秘密份额，生成第j个聚合服务器 的N个秘密份额{(αj,f(αj))|j∈{1,2,3...,N}}，这一过程在有限域 下完成，计算公式如下：f(αj)≡s+a1αj+a2αj2+…+aT‑1αjT‑1(modP)；

其中，αj是第j个聚合索引；f(αj)为αj对应的秘密份额值；≡为同余操作；s表示秘密；

a1,a2,…,aT‑1是从(0,P)范围中随机选择的不同的系数；modP为对大素数P进行模运算；

步骤4.5、将步骤4.4中计算得到的各个聚合服务器的N个秘密份额发送给各自对应的聚合服务器；

步骤4.6、聚合服务器收集到各个客户端的秘密份额后进行聚合，并上传给主服务器；

具体过程为：

步骤4.6.1、每个聚合服务器接受来自客户端的秘密份额；

步骤4.6.2、聚合服务器求解各个秘密份额的线性加权和，得到聚合份额；第j个聚合服务器对应第j个秘密份额；第j个聚合服务器 计算M个客户端 的第j个秘密份额的线性加权和，这一运算过程在有限域 下完成，具体如下：其中，w*,j表示第j个秘密份额的线性加权结果；表示第i个客户端的私有数据集 的大小；wi,j为从第i个客户端 接收到的秘密份额；et为当前已经训练的轮次；

步骤4.6.3、聚合服务器将聚合份额发送给主服务器，主服务器接收来自所有聚合服务器的聚合份额；

步骤5、继续进行新一轮的模型分发、模型训练和模型聚合；

步骤6、各个客户端使用训练得到的信用卡欺诈检测模型完成检测。

2.根据权利要求1所述基于门限秘密共享的分布式信用卡欺诈检测方法，其特征在于，所述步骤1中，确定Shamir门限秘密共享方案的参数，包括阈值T、秘密份额总数N和大素数P；

联邦学习分布式框架的搭建过程为：

首先，将参与的各个金融机构作为联邦学习的客户端加入分布式信用卡欺诈检测系统；其中，每个金融机构都拥有自己的信用卡交易数据和已知的欺诈案例信息，这些数据为各个金融机构的隐私数据；

接着，在分布式信用卡欺诈检测系统中设置一个主服务器，负责模型聚合份额的收集整理和分发；

最后，根据已经确定的秘密份额总数N，在分布式信用卡欺诈检测系统中对应设置N个聚合服务器，负责模型秘密份额的安全聚合。

3.根据权利要求1所述基于门限秘密共享的分布式信用卡欺诈检测方法，其特征在于，所述步骤2的具体过程为：步骤2.1、各个客户端将自己的交易数据组织为结构化数据，转变为用于模型训练的形式，这些交易数据属于各个客户端内部的隐私，因此应当在本地完成而无需共享；

步骤2.2、初步筛选，去除明显不完整或错误的交易数据；

步骤2.3、确定要保留的关键特征，包括但不限于交易金额、交易时间、地点、商户类型；

步骤2.4、使用Z‑score标准化对数值型特征进行标准化处理，删除非数值数据，将所有数据转换为浮点数，分离特征和标签；

步骤2.5、进行最终核对后保存交易数据，作为各个客户端的私有数据集；

Z‑score标准化的公式如下：

其中，ZX是处理后的结果；X是信用卡交易数据中数值型特征的原始值；μX是特征的平均值；σX是特征的方差。

4.根据权利要求1所述基于门限秘密共享的分布式信用卡欺诈检测方法，其特征在于，所述步骤5的具体过程为：步骤5.1、主服务器接收聚合服务器发送的份额后，整理好全局模型份额，统一分发给客户端以启动新一轮操作；

步骤5.2、在首轮全局模型聚合后，每个客户端从主服务器下载前一轮聚合后的全局模型权重秘密份额；

步骤5.3、各个客户端在本地恢复出全局模型权重；当接收到了N个秘密份额时，按照Shamir门限秘密共享方案中定义的阈值T，从N个聚合份额任选T(T≤N)个不同的聚合份额即可完成秘密的恢复；恢复原理如下：首先，获取到T个聚合份额：

其中， 表示包含T个聚合份额的集合； 为进行选择后构成的元素集合；

然后，使用拉格朗日乘数法复原秘密：

其中，f(0)为待复原的秘密，即生成多项式在零点的值； 和 分别表示第k1和k2个聚合索引； 为 对应的秘密份额值；

步骤5.4、将整数形式的模型权重还原为浮点形式，从而还原模型；还原公式为：步骤5.5、客户端使用各自的私有数据集进行训练；

步骤5.6、完成一次训练之后，使用步骤4.4的Shamir门限秘密共享方案生成秘密份额；

步骤5.7、重复步骤4.6的过程，即聚合服务器收集到客户端的本地模型秘密份额后进行聚合，并上传聚合后的秘密份额给主服务器；

步骤5.8、重复步骤5.1至步骤5.7，迭代训练模型；每一次训练结束后，各个客户端使用步骤3中定义的指标对训练得到的模型进行全面评估，如果超过四分之三的客户端认为模型性能满足自身需求，则停止训练，并保存当前训练完成的模型作为最终的信用卡欺诈检测模型。

5.根据权利要求4所述基于门限秘密共享的分布式信用卡欺诈检测方法，其特征在于，所述步骤6的具体过程为：步骤6.1、客户端将一段时间内的交易数据组织为结构化数据，构建待检测的数据集；

步骤6.2、将待检测数据集按照步骤2.3选定的关键特征进行特征筛选，保留关键特征；

步骤6.3、将特征筛选后的数据集按照步骤2.4给出的方法完成标准化处理；

步骤6.4、将标准化处理后的特征数据集输入步骤5.8保存的模型中，完成推理运算，得到的输出即为欺诈行为的预测概率；如果某一条记录对应的输出结果大于等于预先设定的阈值，则判定为欺诈行为；反之，则判定为正常行为。