CN116416078A - 用于维修资金账务安全的审计监管方法 - Google Patents

用于维修资金账务安全的审计监管方法 Download PDF

Info

Publication number
CN116416078A
CN116416078A CN202310677405.8A CN202310677405A CN116416078A CN 116416078 A CN116416078 A CN 116416078A CN 202310677405 A CN202310677405 A CN 202310677405A CN 116416078 A CN116416078 A CN 116416078A
Authority
CN
China
Prior art keywords
maintenance
maintenance data
newly added
data point
data points
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.)
Granted
Application number
CN202310677405.8A
Other languages
English (en)
Other versions
CN116416078B (zh
Inventor
李华
葛泽臣
庄宿超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Bestweike Information Engineering Co ltd
Original Assignee
Jinan Bestweike Information Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan Bestweike Information Engineering Co ltd filed Critical Jinan Bestweike Information Engineering Co ltd
Priority to CN202310677405.8A priority Critical patent/CN116416078B/zh
Publication of CN116416078A publication Critical patent/CN116416078A/zh
Application granted granted Critical
Publication of CN116416078B publication Critical patent/CN116416078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及用于维修资金账务安全的审计监管方法，包括：获取维修数据点和每个维修数据点属于每个类别的隶属度；通过设备的维修数据点结合
Figure ZY_1
距离邻域中维修数据点距离获取设备的维修频率特征；通过同种类设备的维修频率特征获取设备的维修异常程度；通过设备的维修异常程度得到优化后的新增区块链数据的异常程度结果的计算方式；通过新增区块链数据的异常检测结果进行账务安全预警。本发明通过数据点的维修频率，通过设备的维修频率的异常程度对聚类过程后的新增区块链数据的异常程度结果的计算方式进行优化，从而获取到基于聚类的异常检测模型，能够准确地实时检测公链上维修资金账务数据的异常情况并进行预警。

Description

用于维修资金账务安全的审计监管方法
技术领域
本发明涉及数据处理技术领域，具体涉及用于维修资金账务安全的审计监管方法。
背景技术
公司的维修资金账户是用于管理和跟踪维修项目或设备维护所需资金的特定账户，因为设备的维修会出现难以监管的情况，所以为了保证维修资金账务准确所以对于维修资金账户的账务需要通过分布式账本即区块链技术进行记录。对于维修资金账务安全的审计监管，通过对链上维修资金账务数据进行实时的异常检测有助于提高监管和审计的效能。监管机构或审计人员可以利用实时异常检测结果对维修资金账务进行更准确和高效的审计和监管。并且在链上账务数据出现异常时，因为数据一旦被写入就无法被更改，这也导致链上数据出现错误时修改过程比较麻烦。实时的链上数据异常检测可以及时发现错误，并及时在改区块后进行一个修正交易来纠正上一个区块中存在的错误。
在实时的链上维修资金账务数据的异常检测过程中，对于区块链中的历史数据进 行基于聚类的数据异常检测模型，对于通过区块链
Figure SMS_1
实时获取区块链中的维修资金账务 数据，将其放入聚类模型，通过维修数据点所在簇类的信息进行维修数据点的异常检测；现 有技术使用有，在基于
Figure SMS_2
聚类的异常检测模型中可以通过维修数据点对于每个簇类的 隶属度进行维修数据点的异常程度判断。
但也存在着在实际的维修资金账务中，单独通过设备维修账务中的设备与维修金额进行维修账务的异常检测因为会存在相同设备的高频率维修这种异常维修情况。在聚类的过程中因为数据空间中不包括维修数据点的时序信息，所以无法在基于聚类的异常检测过程中对设备的维修频率等信息进行检测的问题。
发明内容
本发明提供用于维修资金账务安全的审计监管方法，以解决现有的问题。
本发明的用于维修资金账务安全的审计监管方法采用如下技术方案：
本发明一个实施例提供了用于维修资金账务安全的审计监管方法，该方法包括以下步骤：
利用基于
Figure SMS_3
聚类的方法将所有维修数据点分为若干类别，并获取维修数据点和 每个维修数据点属于每个类别的隶属度；
通过设备的维修数据点结合
Figure SMS_4
距离邻域中维修数据点距离获取设备的维修频率 特征；
通过单个设备的维修数据点的维修频率特征值获取新增维修数据点的维修频率异常程度；
对于新增维修数据点在基于
Figure SMS_5
聚类的异常检测
Figure SMS_6
模型中，根据维修数据 点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数 据的异常程度结果的计算方式进行优化，进而得到新增维修数据点的优化后的异常程度；
根据新增维修数据点的优化后的异常程度进行账务安全预警。
优选的，所述通过设备的维修数据点结合
Figure SMS_7
距离邻域中维修数据点距离获取设备 的维修频率特征，包括的具体步骤如下：
单个设备的第
Figure SMS_8
次维修数据点
Figure SMS_9
的维修频率特征值
Figure SMS_10
的计算表达式为：
Figure SMS_11
式中，
Figure SMS_13
表示单个设备的第
Figure SMS_19
次维修数据点
Figure SMS_23
的维修频率特征值；
Figure SMS_15
表示在维修数 据点
Figure SMS_17
的
Figure SMS_21
距离邻域维修数据点集合中第
Figure SMS_25
个维修数据点；
Figure SMS_12
表示在维修数据点
Figure SMS_18
的
Figure SMS_22
距离邻域维修数据点集合中第
Figure SMS_26
个维修数据点；
Figure SMS_14
表示
Figure SMS_16
距离邻域中维修数据点的数 量；
Figure SMS_20
表示对于全部维修数据点的
Figure SMS_24
距离邻域中的平均距离进行线性归一化。
优选的，所述新增维修数据点是指：
最近五分钟获取的维修资金账务区块数据记为新增维修数据点。
优选的，所述新增维修数据点的维修频率异常程度的获取方法如下：
通过已有的第
Figure SMS_27
个设备的第
Figure SMS_28
次维修对应的维修数据点的维修频率特征值
Figure SMS_29
获取 新增维修数据点的维修频率异常程度
Figure SMS_30
的计算表达式：
Figure SMS_31
式中，
Figure SMS_42
表示新增维修数据点
Figure SMS_34
的维修频率异常程度；
Figure SMS_39
表示在
Figure SMS_35
邻域内的新增 维修数据点
Figure SMS_37
之前的维修数据点维修频率特征值
Figure SMS_41
连续上升的维修数据点数量；
Figure SMS_45
表示
Figure SMS_43
距离邻域的维修数据点数量值；
Figure SMS_47
表示已有的设备数量；
Figure SMS_32
表示新增维修数据点
Figure SMS_38
的维修 频率特征数值；
Figure SMS_46
表示已有的第
Figure SMS_49
个设备中的维修数据点数量；
Figure SMS_48
为
Figure SMS_50
函数；
Figure SMS_33
表示 已有的第
Figure SMS_36
个设备的维修数据点中的第
Figure SMS_40
个维修数据点的维修频率特征值；
Figure SMS_44
表示对于 新增维修数据点与每一个设备的平均维修频率特征值的差值进行线性归一化。
优选的，所述根据维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异常程度结果的计算方式进行优化，进而得到新增维修数据点的优化后的异常程度，包括的具体步骤如下：
对于新增维修数据点在基于
Figure SMS_51
聚类的异常检测
Figure SMS_52
模型中，根据维修数据 点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数 据的异常程度结果的计算方式进行优化，优化表达式如下：
Figure SMS_53
式中，
Figure SMS_55
表示对于获取到的新增维修数据点
Figure SMS_59
异常程度距离；
Figure SMS_62
表示新增维修数 据点
Figure SMS_56
的维修频率异常程度；
Figure SMS_58
表示新增维修数据点
Figure SMS_61
在聚类模型中对于第
Figure SMS_63
个簇类的 隶属度；
Figure SMS_54
表示新增维修数据点
Figure SMS_57
与第
Figure SMS_60
个簇类的簇类中心点之间的欧氏距离；将所有新 增维修数据点的异常程度距离进行线性归一化，归一化之后的结果记为新增维修数据点优 化后的异常程度。
优选的，所述根据新增区块链数据的异常检测结果进行账务安全预警，包括的具体步骤如下：
在获取到新增区块链数据的优化后的异常程度之后，设定异常阈值
Figure SMS_64
，将异常程度 高于该阈值的新增数据块标记为异常并向维修资金账务监管人员进行预警。
本发明的技术方案的有益效果是：基于本发明所述的通过设备的维修频率对设备在异常检测模型中隶属度衡量进行优化可以在聚类模型对实时设备维修资金账务数据的异常检测过程中，加入设备在时序上体现出的维修频率信息，从而使得异常检测模型可以检测出异常的设备高频率维修；
基于本发明所述的通过设备的历史维修数据进行维修频率异常程度的衡量，并通过设备的维修频率异常程度在相同设备的维修频率进行异常程度的优化，相较于通过单设备的维修频率信息可以消除因为设备的使用时长导致的设备老化带来的维修需求导致的设备维修频率异常的问题，从而使得对于实时的维修资金账务的异常检测更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明用于维修资金账务安全的审计监管方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的用于维修资金账务安全的审计监管方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于维修资金账务安全的审计监管方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的用于维修资金账务安全的审计监管方法的步骤流程图，该方法包括以下步骤：
步骤S001：利用基于
Figure SMS_65
聚类的方法将所有维修数据点分为若干类别，并获取维 修数据点和每个维修数据点属于每个类别的隶属度。
本实施例针对的具体场景为，在通过区块链技术进行维修资金账务的记录过程中对于实时的新增区块进行的基于聚类的账务异常检测。
对于公司的维修资金账务数据通过公链
Figure SMS_66
进行历史数据的采集，获取全部的维 修资金历史账务区块数据，将数据整理为设备
Figure SMS_67
对应的设备维修金额，设备维修时间，维 修类型。
获取全部的维修资金历史账务区块数据记为历史维修数据点，最近五分钟获取的维修资金账务区块数据记为新增维修数据点。
本实施例所使用的聚类模型为
Figure SMS_68
模糊聚类模型，设定簇类数量
Figure SMS_69
，对于簇 类数量本实施例不进行具体限定，根据实际的检测需求进行调整(本实施例簇类数量
Figure SMS_70
的 选取为20)。通过
Figure SMS_71
聚类对上述获取的全部的维修资金历史账务数据进行聚类，进而获 取到簇类结果。
至此，获得维修数据点，以此作为训练基于聚类的异常检测模型的数据空间。对所 有维修数据点（包括新增维修数据点）进行
Figure SMS_72
模糊聚类，得到若干聚簇，和每个维修数据 点属于每个类别的隶属度。
本实施例采用基于
Figure SMS_73
模糊聚类模型的异常检测方法为
Figure SMS_74
方法，现有的
Figure SMS_75
方法能够获得每个数据点的异常程度，结合本实施例，现有的
Figure SMS_76
方法获得每个 维修数据点的异常程度的具体计算方法为：
即在聚类过程结束后，将所得的所有簇类，根据每个簇类包含的维修数据点数量 按照从大到小的顺序进行累加，按照簇类维修数据点数量进行划分，将数量前
Figure SMS_77
的簇类 分为为大簇，其余簇类分为小簇。大簇中的任意一个维修数据点异常程度等于该维修数据 点到其本身簇类中心点的距离，而小簇中维修数据点异常程度为该维修数据点到与其最近 的大簇的簇类中心点的距离。
在本实施例中，现有的
Figure SMS_78
方法在获取维修数据点的异常程度时存在如下技 术问题：
在实际的维修资金账务中，单独通过设备维修账务中的设备与维修金额进行维修账务的异常检测因为会存在相同设备的高频率维修这种异常维修情况。在聚类的过程中因为数据空间中不包括数据点的时序信息，所以无法在基于聚类的异常检测过程中对设备的维修频率等信息进行检测。
针对上述技术问题，本实施例对现有的
Figure SMS_79
方法中异常程度的获取方法进行 如下改进：对于
Figure SMS_80
去模糊后的维修数据点到各个簇类中心点的距离通过隶属度进行加 权求和从而获取每个维修数据点的异常程度。具体过程见后续步骤。
步骤S002：通过设备的维修数据点结合
Figure SMS_81
距离邻域中维修数据点距离获取设备的 维修频率特征。
在对新增的维修资金账务数据进行异常检测的过程中，通过该维修资金账务数据所对应的维修设备进行设备的维修时序数据，通过设备的维修历史时序数据对该设备的时序异常进行分析，并针对所有相同设备的维修历史时序数据获取到该设备的维修异常程度。根据获取到的异常程度在该新增账务数据在异常检测模型中的隶属度计算进行优化，获取到新增维修数据点的准确异常程度。
对于最近五分钟新增的维修资金账务区块数据看作一个新增维修数据点，区块数 据即为在公链上的区块数据；提取其设备
Figure SMS_82
对应的全部历史维修数据，形成该设备的维修 时序数据。
在单个设备的历史维修时序数据中，可以通过每一个维修数据点的
Figure SMS_84
距离邻域内 的到其他维修数据点距离进行维修频率的衡量。所述的
Figure SMS_88
距离邻域即为对于一个设备维修 历史时序维修数据点，设定
Figure SMS_91
距离邻域
Figure SMS_85
，对于邻域中维修数据点的数量本实施例不进行 具体限定，根据实际的检测需求进行调整(本实施例邻域中维修数据点的数量
Figure SMS_86
的选取为 10)在该设备的时序数据中确定
Figure SMS_89
个与该维修数据点距离最近的数据点按照与该维修数据 点距离从小到大进行排序，通过
Figure SMS_92
距离邻域中的维修数据点距离进行维修数据点维修频率 的衡量。对于单个设备的第
Figure SMS_83
次维修数据点
Figure SMS_87
的维修频率特征值
Figure SMS_90
：
Figure SMS_93
式中，
Figure SMS_103
表示单个设备的第
Figure SMS_97
次维修数据点
Figure SMS_99
的维修频率特征值；
Figure SMS_106
表示在维修数 据点
Figure SMS_110
的
Figure SMS_107
距离邻域维修数据点集合中第
Figure SMS_111
个维修数据点；
Figure SMS_104
表示在维修数据点
Figure SMS_108
的
Figure SMS_94
距离邻域维修数据点集合中第
Figure SMS_100
个维修数据点；
Figure SMS_95
表示维修数据点
Figure SMS_101
到维修 数据点
Figure SMS_105
的欧氏距离；
Figure SMS_109
表示
Figure SMS_96
距离邻域中维修数据点的数量；
Figure SMS_98
表示对于全部维修 数据点的
Figure SMS_102
距离邻域中的平均距离进行线性归一化。
上式通过单一设备的历史维修时序数据中维修数据点之间的
Figure SMS_112
距离平均连接距 离作为维修频率的衡量特征。在设备的使用过程中如果出现异常的高频率的维修时，就需 要注意是否存在着设备
Figure SMS_113
记录错误，或是维修资金账户欺诈的可能。上述的设备维修频率 衡量方法相较于通过固定
Figure SMS_114
距离邻域的维修频率衡量，在设备的使用初期固定
Figure SMS_115
距离邻域 维修数据点数量，也就是说可以避免
Figure SMS_116
距离邻域维修数据点数量无法确定的情况。根据上 式所述的通过维修数据点的
Figure SMS_117
距离邻域维修数据点的平均链接距离特征可以在设备的维 修历史数据中准确地衡量维修频率。
至此，根据设备ID的维修历史数据结合
Figure SMS_118
距离邻域中维修数据点距离获取到每个 设备ID的维修频率特征。
步骤S003：通过单个设备的维修数据点的维修频率特征值获取新增维修数据点的维修频率异常程度。
在获取到每个设备的第
Figure SMS_119
次维修数据点的维修频率特征值
Figure SMS_120
后，即可通过对比全 部同种类设备的维修频率获取设备异常程度。其逻辑为对于一个设备的维修数据点，通过 全部设备的维修数据的维修频率变化进行维修频率的时序变化的异常程度。在设备的使用 过程中，随着使用的时间增加会出现维修的频率越来越高。维修频率的异常程度需要通过 维修频率的变化与相同设备的维修频率变化进行纵向对比。根据新增维修数据点的频率变 化相较于已有设备的频率变化程度进行新增维修数据点的维修频率异常程度的衡量。
对于历史维修数据点，将每一次设备维修数据点的维修频率特征值形成一个序 列，通过已有的第
Figure SMS_121
个设备的第
Figure SMS_122
次维修对应的维修数据点的维修频率特征值
Figure SMS_123
获取新增 维修数据点的维修频率异常程度
Figure SMS_124
：
Figure SMS_125
式中，
Figure SMS_134
表示新增维修数据点
Figure SMS_128
的维修频率异常程度；
Figure SMS_131
表示在
Figure SMS_129
邻域内的新增 维修数据点
Figure SMS_130
之前的维修数据点维修频率特征值
Figure SMS_135
连续上升的维修数据点数量；
Figure SMS_139
表示
Figure SMS_136
距离邻域的维修数据点数量值；
Figure SMS_140
表示已有的设备数量；
Figure SMS_126
表示新增维修数据点
Figure SMS_132
的维修 频率特征数值；
Figure SMS_138
表示已有的第
Figure SMS_142
个设备中的维修数据点数量；
Figure SMS_143
是
Figure SMS_144
函数，表示对于 差值只考虑维修频率上升的维修数据点；
Figure SMS_127
表示已有的第
Figure SMS_133
个设备的维修数据点中的第
Figure SMS_137
个维修数据点的维修频率特征值；
Figure SMS_141
表示对于新增维修数据点与每一个设备的平均维 修频率特征值的差值进行线性归一化。
上式通过新增维修数据点与各个设备的历史数据平均维修频率特征值做差，并在 其中只考虑维修频率特征值上升的维修数据点，维修频率上升则说明存在着异常的可能。 对于归一化后的异常程度通过新增维修数据点
Figure SMS_145
距离邻域中连续上升的维修数据点数量， 当连续上升的数量越多则说明异常程度越低。
基于上式所述的通过设备的历史维修数据进行维修频率异常程度的衡量，并通过设备的维修频率异常程度在相同设备的维修频率进行异常程度的优化，相较于通过单设备的维修频率信息可以消除因为设备的使用时长导致的设备老化带来的维修需求导致的设备维修频率异常的问题，从而使得对于实时的维修资金账务的异常检测更加准确。
至此，通过同种类设备的维修数据信息获取设备的维修频率异常程度。
步骤S004：对于新增维修数据点在基于
Figure SMS_146
聚类的异常检测
Figure SMS_147
模型中，根据 维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增 区块链数据的异常程度结果的计算方式进行优化，进而得到新增维修数据点的优化后的异 常程度。
在获取到设备维修频率异常程度之后，即可在异常检测模型中通过该维修频率异 常程度对新增维修数据点在模型中的新增区块链数据的异常程度结果的计算方式进行优 化。对于新增维修数据点在基于
Figure SMS_148
聚类的异常检测
Figure SMS_149
模型中，根据维修数据点所在 位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异 常程度结果的计算方式进行优化，优化表达式如下。
Figure SMS_150
式中，
Figure SMS_153
表示对于获取到的新增维修数据点
Figure SMS_154
异常程度距离；
Figure SMS_157
表示新增维修数 据点
Figure SMS_152
的维修频率异常程度；
Figure SMS_155
表示新增维修数据点
Figure SMS_158
在聚类模型中对于第
Figure SMS_160
个簇类的 隶属度；
Figure SMS_151
表示新增维修数据点
Figure SMS_156
与第
Figure SMS_159
个簇类的簇类中心点之间的欧氏距离。
将所有新增维修数据点的异常程度距离进行线性归一化，归一化之后的结果记为新增维修数据点优化后的异常程度。
至此，根据维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异常程度结果的计算方式进行优化，进而获取到新增维修数据点优化后的异常检测结果。
通过步骤S002-步骤S004，获取到优化后的基于
Figure SMS_161
聚类模型的异常检测
Figure SMS_162
方法，并得到了新增维修数据点的优化后的异常程度。
步骤S005：根据新增维修数据点的优化后的异常程度进行账务安全预警。
在获取到新增区块链数据的优化后的异常程度之后，设定异常阈值
Figure SMS_163
，对于异常阈 值本实施例不进行具体限定，根据实际的检测需求进行调整(本实施例异常阈值
Figure SMS_164
的选取 为0.7)，将异常程度高于该阈值的新增数据块标记为异常并向维修资金账务监管人员进行 预警。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.用于维修资金账务安全的审计监管方法，其特征在于，该方法包括以下步骤：
利用基于
Figure QLYQS_1
聚类的方法将所有维修数据点分为若干类别，并获取维修数据点和每个维修数据点属于每个类别的隶属度；
通过设备的维修数据点结合
Figure QLYQS_2
距离邻域中维修数据点距离获取设备的维修频率特征；
通过单个设备的维修数据点的维修频率特征值获取新增维修数据点的维修频率异常程度；
对于新增维修数据点在基于
Figure QLYQS_3
聚类的异常检测/>
Figure QLYQS_4
模型中，根据维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异常程度结果的计算方式进行优化，进而得到新增维修数据点的优化后的异常程度；
根据新增维修数据点的优化后的异常程度进行账务安全预警。
2.根据权利要求1所述用于维修资金账务安全的审计监管方法，其特征在于，所述通过设备的维修数据点结合
Figure QLYQS_5
距离邻域中维修数据点距离获取设备的维修频率特征，包括的具体步骤如下：
单个设备的第
Figure QLYQS_6
次维修数据点/>
Figure QLYQS_7
的维修频率特征值/>
Figure QLYQS_8
的计算表达式为：
Figure QLYQS_9
；
式中，
Figure QLYQS_12
表示单个设备的第/>
Figure QLYQS_15
次维修数据点/>
Figure QLYQS_19
的维修频率特征值；/>
Figure QLYQS_11
表示在维修数据点
Figure QLYQS_14
的/>
Figure QLYQS_18
距离邻域维修数据点集合中第/>
Figure QLYQS_22
个维修数据点；/>
Figure QLYQS_10
表示在维修数据点/>
Figure QLYQS_16
的/>
Figure QLYQS_20
距离邻域维修数据点集合中第/>
Figure QLYQS_23
个维修数据点；/>
Figure QLYQS_13
表示/>
Figure QLYQS_17
距离邻域中维修数据点的数量；
Figure QLYQS_21
表示对于全部维修数据点的/>
Figure QLYQS_24
距离邻域中的平均距离进行线性归一化。
3.根据权利要求1所述用于维修资金账务安全的审计监管方法，其特征在于，所述新增维修数据点是指：
最近五分钟获取的维修资金账务区块数据记为新增维修数据点。
4.根据权利要求1所述用于维修资金账务安全的审计监管方法，其特征在于，所述新增维修数据点的维修频率异常程度的获取方法如下：
通过已有的第
Figure QLYQS_25
个设备的第/>
Figure QLYQS_26
次维修对应的维修数据点的维修频率特征值/>
Figure QLYQS_27
获取新增维修数据点的维修频率异常程度/>
Figure QLYQS_28
的计算表达式：
Figure QLYQS_29
；
式中，
Figure QLYQS_38
表示新增维修数据点/>
Figure QLYQS_33
的维修频率异常程度；/>
Figure QLYQS_34
表示在/>
Figure QLYQS_42
邻域内的新增维修数据点/>
Figure QLYQS_46
之前的维修数据点维修频率特征值/>
Figure QLYQS_47
连续上升的维修数据点数量；/>
Figure QLYQS_48
表示/>
Figure QLYQS_39
距离邻域的维修数据点数量值；/>
Figure QLYQS_43
表示已有的设备数量；/>
Figure QLYQS_30
表示新增维修数据点/>
Figure QLYQS_35
的维修频率特征数值；/>
Figure QLYQS_32
表示已有的第/>
Figure QLYQS_36
个设备中的维修数据点数量；/>
Figure QLYQS_41
为/>
Figure QLYQS_45
函数；/>
Figure QLYQS_31
表示已有的第/>
Figure QLYQS_37
个设备的维修数据点中的第/>
Figure QLYQS_40
个维修数据点的维修频率特征值；/>
Figure QLYQS_44
表示对于新增维修数据点与每一个设备的平均维修频率特征值的差值进行线性归一化。
5.根据权利要求1所述用于维修资金账务安全的审计监管方法，其特征在于，所述根据维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异常程度结果的计算方式进行优化，进而得到新增维修数据点的优化后的异常程度，包括的具体步骤如下：
对于新增维修数据点在基于
Figure QLYQS_49
聚类的异常检测/>
Figure QLYQS_50
模型中，根据维修数据点所在位置进行隶属度加权并结合新增维修数据点的维修频率异常程度，对新增区块链数据的异常程度结果的计算方式进行优化，优化表达式如下：
Figure QLYQS_51
；
式中，
Figure QLYQS_53
表示对于获取到的新增维修数据点/>
Figure QLYQS_57
异常程度距离；/>
Figure QLYQS_60
表示新增维修数据点
Figure QLYQS_54
的维修频率异常程度；/>
Figure QLYQS_56
表示新增维修数据点/>
Figure QLYQS_59
在聚类模型中对于第/>
Figure QLYQS_61
个簇类的隶属度；/>
Figure QLYQS_52
表示新增维修数据点/>
Figure QLYQS_55
与第/>
Figure QLYQS_58
个簇类的簇类中心点之间的欧氏距离；将所有新增维修数据点的异常程度距离进行线性归一化，归一化之后的结果记为新增维修数据点优化后的异常程度。
6.根据权利要求1所述用于维修资金账务安全的审计监管方法，其特征在于，所述根据新增区块链数据的异常检测结果进行账务安全预警，包括的具体步骤如下：
在获取到新增区块链数据的优化后的异常程度之后，设定异常阈值
Figure QLYQS_62
，将异常程度高于该阈值的新增数据块标记为异常并向维修资金账务监管人员进行预警。
CN202310677405.8A 2023-06-09 2023-06-09 用于维修资金账务安全的审计监管方法 Active CN116416078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677405.8A CN116416078B (zh) 2023-06-09 2023-06-09 用于维修资金账务安全的审计监管方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310677405.8A CN116416078B (zh) 2023-06-09 2023-06-09 用于维修资金账务安全的审计监管方法

Publications (2)

Publication Number Publication Date
CN116416078A true CN116416078A (zh) 2023-07-11
CN116416078B CN116416078B (zh) 2023-08-15

Family

ID=87049562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677405.8A Active CN116416078B (zh) 2023-06-09 2023-06-09 用于维修资金账务安全的审计监管方法

Country Status (1)

Country Link
CN (1) CN116416078B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455497A (zh) * 2023-11-12 2024-01-26 北京营加品牌管理有限公司 一种交易风险检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190303710A1 (en) * 2018-03-30 2019-10-03 Walmart Apollo, Llc Relative density-based clustering and anomaly detection system
WO2020155756A1 (zh) * 2019-01-28 2020-08-06 平安科技（深圳）有限公司 基于聚类和sse的异常点比例优化方法及装置
US20200382536A1 (en) * 2019-05-31 2020-12-03 Gurucul Solutions, Llc Anomaly detection in cybersecurity and fraud applications
CN114356989A (zh) * 2021-12-29 2022-04-15 中国联合网络通信集团有限公司 审计异常数据检测方法及装置
CN115169607A (zh) * 2022-07-06 2022-10-11 中国银行股份有限公司 住宅专项维修的监管系统
CN115423019A (zh) * 2022-09-01 2022-12-02 西安电子科技大学 一种基于密度的模糊聚类方法及装置
CN116089846A (zh) * 2023-04-03 2023-05-09 北京智蚁杨帆科技有限公司 一种基于数据聚类的新能源结算数据异常检测与预警方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190303710A1 (en) * 2018-03-30 2019-10-03 Walmart Apollo, Llc Relative density-based clustering and anomaly detection system
WO2020155756A1 (zh) * 2019-01-28 2020-08-06 平安科技（深圳）有限公司 基于聚类和sse的异常点比例优化方法及装置
US20200382536A1 (en) * 2019-05-31 2020-12-03 Gurucul Solutions, Llc Anomaly detection in cybersecurity and fraud applications
CN114356989A (zh) * 2021-12-29 2022-04-15 中国联合网络通信集团有限公司 审计异常数据检测方法及装置
CN115169607A (zh) * 2022-07-06 2022-10-11 中国银行股份有限公司 住宅专项维修的监管系统
CN115423019A (zh) * 2022-09-01 2022-12-02 西安电子科技大学 一种基于密度的模糊聚类方法及装置
CN116089846A (zh) * 2023-04-03 2023-05-09 北京智蚁杨帆科技有限公司 一种基于数据聚类的新能源结算数据异常检测与预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
康凯;王家宝;刘方鑫;: "基于轨迹聚类的公共安全异常检测", 计算机工程与应用, no. 14 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455497A (zh) * 2023-11-12 2024-01-26 北京营加品牌管理有限公司 一种交易风险检测方法及装置

Also Published As

Publication number Publication date
CN116416078B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN110647539B (zh) 一种用于车辆故障的预测方法和系统
Angelos et al. Detection and identification of abnormalities in customer consumptions in power distribution systems
CN107742127A (zh) 一种改进的防窃电智能预警系统及方法
CN116416078B (zh) 用于维修资金账务安全的审计监管方法
CN101718634A (zh) 基于多元概率模型的设备状态综合动态报警方法
CN116559598B (zh) 一种智慧配电网故障定位方法及系统
CN111401785A (zh) 一种基于模糊关联规则的电力系统设备故障预警方法
CN108197254B (zh) 一种基于近邻的数据修复方法
CN108804740A (zh) 基于集成改进ica-krr算法的长输管道压力监测方法
CN113556629B (zh) 一种智能电表误差远程估计方法及装置
CN108108765A (zh) 一种基于概率密度比的数据融合的设备故障诊断方法
CN116739645A (zh) 基于企业管理的订单异常监督系统
CN116796271A (zh) 一种居民用能异常识别方法
CN113516313A (zh) 一种基于用户画像的燃气异常检测方法
Wen et al. A new method for identifying the ball screw degradation level based on the multiple classifier system
CN112149750A (zh) 一种供水管网爆管识别数据驱动方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN111222968A (zh) 一种企业税务风险管控方法及系统
CN116992385B (zh) 一种物联网水表用量异常检测方法及系统
CN116953395B (zh) 充电桩偷电检测方法、装置、设备及存储介质
CN113484817A (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN112329862A (zh) 基于决策树的反洗钱方法及系统
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN104714205B (zh) 电表错置侦测系统及其方法
CN115081950A (zh) 企业成长性评估建模方法、系统、计算机及可读存储介质

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
GR01 Patent grant
GR01 Patent grant