银行业对少数共享的人工智能供应商高度依赖，这些供应商提供欺诈筛查、信用决策、反洗钱分流、客户分析以及内部决策支持等关键服务。本文探讨了当其中一家供应商被攻破时，攻击如何沿着运营、信息和金融链路传播，最终在表面上呈现为传统的银行危机。我们构建了一个四层异构网络：
- AI 供应商层；
- 金融机构层；
- 银行间敞口层；
- 客户账户层。
在此网络上，我们提出了 CFC-Prop——一种结合随机流行病模型与清算机制的传播模型。模型核心是对每条供应商‑银行服务边的感染概率进行模拟，感染后触发银行的资产冲击 $\Delta A = \beta \times L$，其中 $\beta$ 为攻击强度，$L$ 为该银行对受感染供应商的依赖权重。随后通过 interbank exposure 网络进行连锁清算，使用经典的 Eisenberg‑Noe 方程求解支付向量 $p$。
我们在合成数据集上进行实验，数据集包含 60 家供应商、220 家银行、约 2,500 条供应商‑银行服务边以及 1,400 条银行间敞口。实验表明 CFC-Prop 能够复现重尾损失分布，并且对补丁延迟高度敏感，这与已有的网络金融案例一致。
为实现早期预警，我们训练了图神经网络模型 CFC-GNN，输入为供应商侧的事件遥测特征以及网络拓扑信息，输出为 Cascading‑Risk 评分。相较四个基线模型，CFC-GNN 达到 AUROC 0.82、AUPRC 0.60，且校准误差保持在可接受范围。
代码、合成数据及可复现脚本已全部开源，供监管机构和研究者直接使用。结果表明，AI 供应商的网络集中度本身就是金融稳定性的一级风险因素，监管者需要量化评估并制定相应的防控措施。
点评：本文通过严谨的网络建模和实证验证，将网络安全与系统性金融风险桥接，为监管提供了可操作的量化工具，具有重要的理论与实践价值。