CN111639916A - 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 - Google Patents
一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN111639916A CN111639916A CN202010485479.8A CN202010485479A CN111639916A CN 111639916 A CN111639916 A CN 111639916A CN 202010485479 A CN202010485479 A CN 202010485479A CN 111639916 A CN111639916 A CN 111639916A
- Authority
- CN
- China
- Prior art keywords
- data
- audit
- neural network
- target data
- block chain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质,所述方法包括以下步骤:根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;所述的三级目标数据上传并存储于区块链网络。本发明通过利用区块链技术及深度学习,实现了在线智能化审计,将审计结果数据上传并保存于区块链网络,可以提高在线审计的效率和可靠性,丰富用户体验,减轻用户操作负担,防止审计结果被篡改,便于对审计数据进行安全管理。
Description
技术领域
本发明涉及审计处理技术领域,更具体的,涉及一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质。
背景技术
随着世界经济的全球化发展,企业规模日渐壮大,业务种类也日益复杂,传统的人工审计、分期审计模式已经不能够达到预期的效果,存在的缺陷和问题逐渐凸显;因此,信息化在线审计应运而生,大力提升了审计工作效率和安全性,增强了审计机关在计算机环境下规范管理、查错纠弊、打击犯罪、揭露腐败的能力,维护经济秩序。但是,随着审计数据的日渐积累,在线审计仍存在着亟待提高的方面:
(1)审计数据量较大致使用户工作负担重;
(2)审计工作效率仍不理想;
(3)在信息时代,在线审计仍存在舞弊的现象。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质。
为了解决上述的技术问题,本发明第一方面公开了一种基于区块链技术及深度学习的在线审计方法,所述方法包括:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
本方案中,所述的一级目标数据通过区块链网络进行数据交易获得的具体步骤包括:在接到审计任务指令后,创建数据需求方节点,同时向区块链网络广播一个审计基础数据请求,在接收到其他区块节点应答后,同步区块链网络上的审计基础数据,生成一级目标数据包。
本方案中,所述的预处理过程为:根据审计计划所要求的各类审计基础数据的规范准则及有效基础数据的判决标准,对所述一级目标数据进行筛选,保留符合要求的有效数据,删除无效数据。
本方案中,所述深度神经网络的建立步骤如下:
获取大量历史审计基础数据,从区块链网络上同步采集包括企业单位自身的历史审计基础数据以及历史记录中任一审计项目涉及到的审计基础数据;
获取大量进行预处理后的审计基础数据;
获取大量审计分类数据组,包括区块链网络上各节点的历史数据以及实时更新的审计分类数据组;
为待分类的一级目标数据初始化一个深度神经网络,作为第一深度神经网络;
将所述大量历史审计基础数据输入所述第一深度神经网络的输入层,所述大量审计分类数据组输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络的训练步骤,进行多次训练直至所述第一深度神经网络符合预设要求,将符合预设要求的第一深度神经网络作为第二深度神经网络;
将所述大量进行预处理后的审计基础数据输入第二深度神经网络的输入层,对所述第二深度神经网络进行重复训练,直至所述第二深度神经网络符合预设要求。
本方案中,根据审计计划中涉及到的业务规则以及二级目标数据的数据类型,确定相应的限制条件并设置基本参数,构建审计分析模型。
本方案中,包括以下审计数据分析方法:聚类分析、趋势分析、比率分析、模拟分析、预测分析、比较分析、关联分析。
本方案中,所述审计分析处理基于深度神经网络进行智能分析,将所述的二级目标数据输入训练完成的第三深度神经网络的输入层进行学习计算,输出得到推荐给用户的审计数据分析方法。
本方案中,所述的第三深度神经网络建立步骤如下:
初始化一个深度神经网络;
获取大量历史二级目标数据输入该深度神经网络的输入层;
获取过往所有审计项目中对各类审计数据组所采用分析方法的历史操作数据,输入该深度神经网络的输出层;
对该深度神经网络进行重复训练,直至符合预设要求。
本方案中,所述的三级目标数据在上传至区块链网络前需经过加密处理;同时将三级目标数据进行逻辑分割,生成多个审计结果数据组,对审计结果数据组进行哈希计算得到哈希值以作为数据有效性验证的标签,将哈希值及审计结果数据组共同上传并存储于区块链其他节点。
本发明第二方面公开了一种基于区块链技术及深度学习的在线审计系统,包括存储器和处理器,所述存储器中包括基于区块链技术及深度学习的在线审计方法程序,所述基于区块链技术及深度学习的在线审计方法程序被所述处理器执行时实现如下步骤:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
本方案中,所述的一级目标数据通过区块链网络进行数据交易获得的具体步骤包括:在接到审计任务指令后,创建数据需求方节点,同时向区块链网络广播一个审计基础数据请求,在接收到其他区块节点应答后,同步区块链网络上的审计基础数据,生成一级目标数据包。
本方案中,所述的预处理过程为:根据审计计划所要求的各类审计基础数据的规范准则及有效基础数据的判决标准,对所述一级目标数据进行筛选,保留符合要求的有效数据,删除无效数据。
本方案中,所述深度神经网络的建立步骤如下:
获取大量历史审计基础数据,从区块链网络上同步采集包括企业单位自身的历史审计基础数据以及历史记录中任一审计项目涉及到的审计基础数据;
获取大量进行预处理后的审计基础数据;
获取大量审计分类数据组,包括区块链网络上各节点的历史数据以及实时更新的审计分类数据组;
为待分类的一级目标数据初始化一个深度神经网络,作为第一深度神经网络;
将所述大量历史审计基础数据输入所述第一深度神经网络的输入层,所述大量审计分类数据组输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络的训练步骤,进行多次训练直至所述第一深度神经网络符合预设要求,将符合预设要求的第一深度神经网络作为第二深度神经网络;
将所述大量进行预处理后的审计基础数据输入第二深度神经网络的输入层,对所述第二深度神经网络进行重复训练,直至所述第二深度神经网络符合预设要求。
本方案中,根据审计计划中涉及到的业务规则以及二级目标数据的数据类型,确定相应的限制条件并设置基本参数,构建审计分析模型。
本方案中,包括以下审计数据分析方法:聚类分析、趋势分析、比率分析、模拟分析、预测分析、比较分析、关联分析。
本方案中,所述审计分析处理基于深度神经网络进行智能分析,将所述的二级目标数据输入训练完成的第三深度神经网络的输入层进行学习计算,输出得到推荐给用户的审计数据分析方法。
本方案中,所述的第三深度神经网络建立步骤如下:
初始化一个深度神经网络;
获取大量历史二级目标数据输入该深度神经网络的输入层;
获取过往所有审计项目中对各类审计数据组所采用分析方法的历史操作数据,输入该深度神经网络的输出层;
对该深度神经网络进行重复训练,直至符合预设要求。
本方案中,所述的三级目标数据在上传至区块链网络前需经过加密处理;同时将三级目标数据进行逻辑分割,生成多个审计结果数据组,对审计结果数据组进行哈希计算得到哈希值以作为数据有效性验证的标签,将哈希值及审计结果数据组共同上传并存储于区块链其他节点。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于区块链技术及深度学习的在线审计方法程序,所述一种基于区块链技术及深度学习的在线审计方法程序被处理器执行时,实现上述的一种基于区块链技术及深度学习的在线审计方法的步骤。
本发明公开的一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质,通过利用区块链技术及深度学习,实现了在线智能化审计,将审计结果数据上传并保存于区块链网络,可以提高在线审计的效率和可靠性,丰富用户体验,减轻用户操作负担,防止审计结果被篡改,便于对审计数据进行安全管理。
附图说明
图1示出了本发明一种基于区块链技术及深度学习的在线审计方法流程图;
图2示出了本发明一种基于区块链技术及深度学习的在线审计系统的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于区块链技术及深度学习的在线审计方法流程图。
如图1所示,本发明第一方面公开了一种基于区块链技术及深度学习的在线审计方法,包括:
一种基于区块链技术及深度学习的在线审计方法,包括:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
需要说明的是,本发明中采集的一级目标数据可以是单一类型的审计基础数据,也可以是多种类型的组合审计基础数据。
本发明将区块链技术应用到在线审计过程中,从而确保了审计数据及审计结果不可篡改,大幅度提升了数据的安全性。
本方案中,所述的一级目标数据通过区块链网络进行数据交易获得的具体步骤包括:在接到审计任务指令后,创建数据需求方节点,同时向区块链网络广播一个审计基础数据请求,在接收到其他区块节点应答后,同步区块链网络上的审计基础数据,生成一级目标数据包。
需要说明的是,本发明中接收到的区块节点应答可以是一个区块节点的应答,也可以是多个区块节点的应答。
本方案中,所述的预处理过程为:根据审计计划所要求的各类审计基础数据的规范准则及有效基础数据的判决标准,对所述一级目标数据进行筛选,保留符合要求的有效数据,删除无效数据。
本方案中,所述深度神经网络的建立步骤如下:
获取大量历史审计基础数据,从区块链网络上同步采集包括企业单位自身的历史审计基础数据以及历史记录中任一审计项目涉及到的审计基础数据;
获取大量进行预处理后的审计基础数据;
获取大量审计分类数据组,包括区块链网络上各节点的历史数据以及实时更新的审计分类数据组;
为待分类的一级目标数据初始化一个深度神经网络,作为第一深度神经网络;
将所述大量历史审计基础数据输入所述第一深度神经网络的输入层,所述大量审计分类数据组输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络的训练步骤,进行多次训练直至所述第一深度神经网络符合预设要求,将符合预设要求的第一深度神经网络作为第二深度神经网络;
将所述大量进行预处理后的审计基础数据输入第二深度神经网络的输入层,对所述第二深度神经网络进行重复训练,直至所述第二深度神经网络符合预设要求。
本方案中,根据审计计划中涉及到的业务规则以及二级目标数据的数据类型,确定相应的限制条件并设置基本参数,构建审计分析模型。
需要说明的是,需要说明的是,所述业务,包括:财务域业务和跨业务域;不同业务对应的业务数据可不同,例如:财务域业务数据,可以包括:日常费用报销、差旅费报销、工程付款、电费支付、薪酬支付等业务数据;跨业务域数据,可以包括:工程项目、工程合同、物资合同、工程概预算、物资出入库单、项目结算报告、营销财务对账、电费应收实收。
这里是考虑到某些业务之间存在相互关系,则业务数据之间也存在一定关联,考虑到这些关联可能导致的数据差异,这里将数据之间的关联关系也一并确认,并作为检测依据之一。
本方案中,包括以下审计数据分析方法:聚类分析、趋势分析、比率分析、模拟分析、预测分析、比较分析、关联分析。
需要说明的是,本发明所述审计过程可根据审计计划实际所需及用户个人意愿选择一个或多个以上所述的审计数据分析方法。
本方案中,所述审计分析处理基于深度神经网络进行智能分析,将所述的二级目标数据输入训练完成的第三深度神经网络的输入层进行学习计算,输出得到推荐给用户的审计数据分析方法。
需要说明的是,本发明所述审计过程可根据用户个人审计工作经验判断是否采用推荐的审计数据分析方法;若否,则用户可手动选择审计数据分析方法。
本发明通过利用深度学习实现在线审计的智能化,在这一环节科学有效地为用户推荐基于历史操作经验的审计数据分析方法,进一步减小用户工作压力。
本方案中,所述的第三深度神经网络建立步骤如下:
初始化一个深度神经网络;
获取大量历史二级目标数据输入该深度神经网络的输入层;
获取过往所有审计项目中对各类审计数据组所采用分析方法的历史操作数据,输入该深度神经网络的输出层;
对该深度神经网络进行重复训练,直至符合预设要求。
需要说明的是,本发明所述获取的历史操作数据包括过往所有审计项目中针对各类审计数据组所采用的一种分析方法或多种分析方法组合的历史操作数据。
本方案中,所述的三级目标数据在上传至区块链网络前需经过加密处理;同时将三级目标数据进行逻辑分割,生成多个审计结果数据组,对审计结果数据组进行哈希计算得到哈希值以作为数据有效性验证的标签,将哈希值及审计结果数据组共同上传并存储于区块链其他节点。
图2示出了本发明一种基于区块链技术及深度学习的在线审计系统的框图。
如图2所示,本发明第二方面公开了一种基于区块链技术及深度学习的在线审计系统,包括存储器和处理器,所述存储器中包括基于区块链技术及深度学习的在线审计方法程序,所述基于区块链技术及深度学习的在线审计方法程序被所述处理器执行时实现如下步骤:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
需要说明的是,本发明的系统可以在服务器、PC、手机、PAD等终端设备中进行操作。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本方案中,所述在线审计系统包括数据接收模块、数据分析处理模块和数据审计结果输出模块。
需要说明的是,本发明中采集的一级目标数据可以是单一类型的审计基础数据,也可以是多种类型的组合审计基础数据。
本发明将区块链技术应用到在线审计过程中,从而确保了审计数据及审计结果不可篡改,大幅度提升了数据的安全性。
本方案中,所述的一级目标数据通过区块链网络进行数据交易获得的具体步骤包括:在接到审计任务指令后,创建数据需求方节点,同时向区块链网络广播一个审计基础数据请求,在接收到其他区块节点应答后,同步区块链网络上的审计基础数据,生成一级目标数据包。
需要说明的是,本发明中接收到的区块节点应答可以是一个区块节点的应答,也可以是多个区块节点的应答。
本方案中,所述的预处理过程为:根据审计计划所要求的各类审计基础数据的规范准则及有效基础数据的判决标准,对所述一级目标数据进行筛选,保留符合要求的有效数据,删除无效数据。
本方案中,所述深度神经网络的建立步骤如下:
获取大量历史审计基础数据,从区块链网络上同步采集包括企业单位自身的历史审计基础数据以及历史记录中任一审计项目涉及到的审计基础数据;
获取大量进行预处理后的审计基础数据;
获取大量审计分类数据组,包括区块链网络上各节点的历史数据以及实时更新的审计分类数据组;
为待分类的一级目标数据初始化一个深度神经网络,作为第一深度神经网络;
将所述大量历史审计基础数据输入所述第一深度神经网络的输入层,所述大量审计分类数据组输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络的训练步骤,进行多次训练直至所述第一深度神经网络符合预设要求,将符合预设要求的第一深度神经网络作为第二深度神经网络;
将所述大量进行预处理后的审计基础数据输入第二深度神经网络的输入层,对所述第二深度神经网络进行重复训练,直至所述第二深度神经网络符合预设要求。
本方案中,根据审计计划中涉及到的业务规则以及二级目标数据的数据类型,确定相应的限制条件并设置基本参数,构建审计分析模型。
需要说明的是,需要说明的是,所述业务,包括:财务域业务和跨业务域;不同业务对应的业务数据可不同,例如:财务域业务数据,可以包括:日常费用报销、差旅费报销、工程付款、电费支付、薪酬支付等业务数据;跨业务域数据,可以包括:工程项目、工程合同、物资合同、工程概预算、物资出入库单、项目结算报告、营销财务对账、电费应收实收。
这里是考虑到某些业务之间存在相互关系,则业务数据之间也存在一定关联,考虑到这些关联可能导致的数据差异,这里将数据之间的关联关系也一并确认,并作为检测依据之一。
本方案中,包括以下审计数据分析方法:聚类分析、趋势分析、比率分析、模拟分析、预测分析、比较分析、关联分析。
需要说明的是,本发明所述审计过程可根据审计计划实际所需及用户个人意愿选择一个或多个以上所述的审计数据分析方法。
本方案中,所述审计分析处理基于深度神经网络进行智能分析,将所述的二级目标数据输入训练完成的第三深度神经网络的输入层进行学习计算,输出得到推荐给用户的审计数据分析方法。
需要说明的是,本发明所述审计过程可根据用户个人审计工作经验判断是否采用推荐的审计数据分析方法;若否,则用户可手动选择审计数据分析方法。
本发明通过利用深度学习实现在线审计的智能化,在这一环节科学有效地为用户推荐基于历史操作经验的审计数据分析方法,进一步减小用户工作压力。
本方案中,所述的第三深度神经网络建立步骤如下:
初始化一个深度神经网络;
获取大量历史二级目标数据输入该深度神经网络的输入层;
获取过往所有审计项目中对各类审计数据组所采用分析方法的历史操作数据,输入该深度神经网络的输出层;
对该深度神经网络进行重复训练,直至符合预设要求。
需要说明的是,本发明所述获取的历史操作数据包括过往所有审计项目中针对各类审计数据组所采用的一种分析方法或多种分析方法组合的历史操作数据。
本方案中,所述的三级目标数据在上传至区块链网络前需经过加密处理;同时将三级目标数据进行逻辑分割,生成多个审计结果数据组,对审计结果数据组进行哈希计算得到哈希值以作为数据有效性验证的标签,将哈希值及审计结果数据组共同上传并存储于区块链其他节点。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于区块链技术及深度学习的在线审计方法程序,所述一种基于区块链技术及深度学习的在线审计方法程序被处理器执行时,实现如述任一项的一种基于区块链技术及深度学习的在线审计方法的步骤。
本发明公开的一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质,通过利用区块链技术及深度学习,实现了在线智能化审计,将审计结果数据上传并保存于区块链网络,可以提高在线审计的效率和可靠性,丰富用户体验,减轻用户操作负担,防止审计结果被篡改,便于对审计数据进行安全管理。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于区块链技术及深度学习的在线审计方法,其特征在于,包括:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
2.根据权利要求1所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,所述的一级目标数据通过区块链网络进行数据交易获得的具体步骤包括:在接到审计任务指令后,创建数据需求方节点,同时向区块链网络广播一个审计基础数据请求,在接收到其他区块节点应答后,同步区块链网络上的审计基础数据,生成一级目标数据包。
3.根据权利要求1所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,所述深度神经网络的建立步骤如下:
获取大量历史审计基础数据,从区块链网络上同步采集包括企业单位自身的历史审计基础数据以及历史记录中任一审计项目涉及到的审计基础数据;
获取大量进行预处理后的审计基础数据;
获取大量审计分类数据组,包括区块链网络上各节点的历史数据以及实时更新的审计分类数据组;
为待分类的一级目标数据初始化一个深度神经网络,作为第一深度神经网络;
将所述大量历史审计基础数据输入所述第一深度神经网络的输入层,所述大量审计分类数据组输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络的训练步骤,进行多次训练直至所述第一深度神经网络符合预设要求,将符合预设要求的第一深度神经网络作为第二深度神经网络;
将所述大量进行预处理后的审计基础数据输入第二深度神经网络的输入层,对所述第二深度神经网络进行重复训练,直至所述第二深度神经网络符合预设要求。
4.根据权利要求1所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,根据审计计划中涉及到的业务规则以及二级目标数据的数据类型,确定相应的限制条件并设置基本参数,构建审计分析模型。
5.根据权利要求1所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,所述审计分析处理基于深度神经网络进行智能分析,将所述的二级目标数据输入训练完成的第三深度神经网络的输入层进行学习计算,输出得到推荐给用户的审计数据分析方法。
6.根据权利要求5所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,所述的第三深度神经网络建立步骤如下:
初始化一个深度神经网络;
获取大量历史二级目标数据输入该深度神经网络的输入层;
获取过往所有审计项目中对各类审计数据组所采用分析方法的历史操作数据,输入该深度神经网络的输出层;
对该深度神经网络进行重复训练,直至符合预设要求。
7.根据权利要求1所述的一种基于区块链技术及深度学习的在线审计方法,其特征在于,所述的三级目标数据在上传至区块链网络前需经过加密处理;同时将三级目标数据进行逻辑分割,生成多个审计结果数据组,对审计结果数据组进行哈希计算得到哈希值以作为数据有效性验证的标签,将哈希值及审计结果数据组共同上传并存储于区块链其他节点。
8.一种基于区块链技术及深度学习的在线审计系统,其特征在于,包括存储器和处理器,所述存储器中包括基于区块链技术及深度学习的在线审计方法程序,所述基于区块链技术及深度学习的在线审计方法程序被所述处理器执行时实现如下步骤:
根据审计计划采集一级目标数据,所述的一级目标数据通过区块链网络进行数据交易获得;
对所述的一级目标数据进行预处理,将预处理后的一级目标数据输入深度神经网络进行深度学习,输出分类成组的二级目标数据;
构建审计模型并对所述的二级目标数据进行审计分析处理,得出三级目标数据;
所述的三级目标数据上传并存储于区块链网络。
9.根据权利要求8所述的一种基于区块链技术及深度学习的在线审计系统,其特征在于,所述在线审计系统包括数据接收模块、数据分析处理模块和数据审计结果输出模块。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括机器的一种基于区块链技术及深度学习的在线审计方法程序,所述一种基于区块链技术及深度学习的在线审计方法程序被处理器执行时,实现如权利要求1至7中任一项所述的一种基于区块链技术及深度学习的在线审计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485479.8A CN111639916A (zh) | 2020-06-01 | 2020-06-01 | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485479.8A CN111639916A (zh) | 2020-06-01 | 2020-06-01 | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639916A true CN111639916A (zh) | 2020-09-08 |
Family
ID=72333009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485479.8A Withdrawn CN111639916A (zh) | 2020-06-01 | 2020-06-01 | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667616A (zh) * | 2020-12-31 | 2021-04-16 | 杭州趣链科技有限公司 | 基于区块链的交通数据评价方法、系统及电子设备 |
CN113469371A (zh) * | 2021-07-01 | 2021-10-01 | 建信金融科技有限责任公司 | 联邦学习方法和装置 |
-
2020
- 2020-06-01 CN CN202010485479.8A patent/CN111639916A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667616A (zh) * | 2020-12-31 | 2021-04-16 | 杭州趣链科技有限公司 | 基于区块链的交通数据评价方法、系统及电子设备 |
CN112667616B (zh) * | 2020-12-31 | 2022-07-22 | 杭州趣链科技有限公司 | 基于区块链的交通数据评价方法、系统及电子设备 |
CN113469371A (zh) * | 2021-07-01 | 2021-10-01 | 建信金融科技有限责任公司 | 联邦学习方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263024B (zh) | 数据处理方法、终端设备及计算机存储介质 | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
US7693767B2 (en) | Method for generating predictive models for a business problem via supervised learning | |
CN111309759A (zh) | 企业科技项目智能匹配平台 | |
CN111681091B (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN107767070B (zh) | 用于信息推广的方法及装置 | |
CN112883116A (zh) | 基于区块链的供应链金融AI DaaS算法仓库平台 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN109242280A (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
CN110363407A (zh) | 基于用户行为轨迹的欺诈风险评估方法及装置 | |
CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
CN110751285A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
US10394700B1 (en) | System and method for identifying a subset of total historical users of a data management system to represent a full set of test scenarios based on prehashing of code coverage information | |
CN110543565A (zh) | 基于卷积神经网络模型的审计方法、系统和可读存储介质 | |
CN114049096A (zh) | 基于区块链的个性化定制系统和方法 | |
CN111639916A (zh) | 一种基于区块链技术及深度学习的在线审计方法、系统和可读存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN111882113B (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN112487453A (zh) | 一种基于中央协调方的数据安全共享方法及装置 | |
CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN114331105A (zh) | 电子汇票的处理系统、方法、电子设备和存储介质 | |
CN112967058A (zh) | 一种基于区块链电子账本的管理方法 | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200908 |
|
WW01 | Invention patent application withdrawn after publication |