CN117314664A - 一种基于本福特定律与深度学习的审计系统 - Google Patents
一种基于本福特定律与深度学习的审计系统 Download PDFInfo
- Publication number
- CN117314664A CN117314664A CN202311264503.5A CN202311264503A CN117314664A CN 117314664 A CN117314664 A CN 117314664A CN 202311264503 A CN202311264503 A CN 202311264503A CN 117314664 A CN117314664 A CN 117314664A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- abnormal
- analysis
- deep learning
- 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.)
- Pending
Links
- 238000012550 audit Methods 0.000 title claims abstract description 65
- 238000013135 deep learning Methods 0.000 title claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 238000007639 printing Methods 0.000 claims abstract description 19
- 238000007726 management method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 45
- 238000013500 data storage Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及审计的技术领域，特别是涉及一种基于本福特定律与深度学习的审计系统，其通过不同部门中的数据分析模块随机对其他部门中的数据进行分析处理，同时通过多个部门同时对完整的审计数据进行储存，并定期进行数据对比，减少数据被篡改的情况发生，并且通过分散式的对各个部门中的数据进行分析处理，节省数据的分析处理时间，再有通过跨部门的方式对与异常数据相关数据进行重复审查，提高审计的精准性；包括：管理模块、数据采集模块、数据预处理模块、数据分析模块、跨部门分析模块、安全模块、预警模块和审计报告打印模块。
Description
技术领域
本发明涉及审计的技术领域，特别是涉及一种基于本福特定律与深度学习的审计系统。
背景技术
审计是对资料做出证据搜集及分析，以评估企业财务状况，然后就资料及一般公认准则之间的相关程度做出结论及报告。
传统的审计方法是通过人工对资料进行整理和审计，费时费力，并且人工对资料整理和审计过程中容易出现篡改资料的情况，因此出现了如公开号为CN103051727A的发明专利中公开的一种远程审计分流系统和授权公告号为CN101656710B的发明专利中公开的主动审计系统及方法等，但是在使用过程中发现，审计过程中数据较多，造成审计资料的整理和审计速度较慢，并且审计过程中数据容易被篡改影响审计结果，导致实用性较差，因此亟需一种基于本福特定律与深度学习的审计系统对上述问题进行改善。
发明内容
为解决上述技术问题，本发明提供一种通过不同部门中的数据分析模块随机对其他部门中的数据进行分析处理，同时通过多个部门同时对完整的审计数据进行储存，并定期进行数据对比，减少数据被篡改的情况发生，并且通过分散式的对各个部门中的数据进行分析处理，节省数据的分析处理时间，再有通过跨部门的方式对与异常数据相关数据进行重复审查，提高审计的精准性的一种基于本福特定律与深度学习的审计系统。
本发明的一种基于本福特定律与深度学习的审计系统，包括：
管理模块：对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
数据采集模块：收集需要审计的财务数据，对需要审计的电子资料和纸质资料进行采集和整理，并转换为同一格式的电子数据，同时对纸质资料的图像进行备份处理；
数据预处理模块：将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
数据分析模块：将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
跨部门分析模块：对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
安全模块：审计过程中，对数据的存入、调出和整个审计流程进行记录；
预警模块：将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
审计报告打印模块：审计完成后，打印审计报告。
优选的，所述数据分析模块包括：
第一深度学习处理模块：提取数据内的重要特征，利用训练完成的模型对数据进行分析处理，寻找数据中的异常部分，判断数据的准确性
虚拟服务器：为第一深度学习模块提供大量的计算资源，辅助多个第一深度学习模块之间进行数据共享，并且通过虚拟服务器提供了多层安全保护机制，提高数据和模型的安全；
数据储存模块：对接收到的数据和第一深度学习处理模块的训练数据进行储存；
异常类别分析模块：对发现的异常数据再次进行分析处理，判断异常类别，并将异常数据加入训练数据中辅助第一深度学习模块训练，提高第一深度学习模块的效率和准确度。
优选的，所述数据采集模块包括：
电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式；
纸质数据采集模块：将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式。
优选的，所述纸张数据采集模块包括：
第二深度学习处理模块：对拍摄的图像进行分析处理，获取图像中的文字信息，形成电子数据；
摄像模块：对纸质数据进行摄像，获取纸质数据的图像信息；
图像备份模块：对拍摄的图像进行备份，方便工作人员对比纸质资料的准确性。
优选的，所述安全模块包括：
数据存入记录模块：对存入数据的时间、数据类型和数据数量进行记录；
数据调出记录模块：对调出数据的时间、数据类型和数据数量进行记录；
操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测。
优选的，所述数据储存模块包括：
审计数据储存单元：对共享的审计数据进行接收和分类储存；
训练数据储存单元：对第一深度学习处理模块的训练数据进行储存，辅助第一深度学习处理模块进行模型训练，
自检单元：审计数据储存单元和训练数据储存单元中的数据发生改变后，对照为改变前的数据对改变后的数据进行检测，检测改后的数据是否复合修改要求
删除单元：对无用的数据进行删除，减少无用数据对审计数据储存单元和训练数据储存单元的占用
限期恢复单元：在限定时间内，对误删的数据进行恢复，减少数据的丢失。
优选的，所述第一深度学习模块采用PyTorch框架和循环神经网络配合使用，训练构建分析处理模型。
优选的，所述第二深度学习模块采用PyTorch框架和卷积神经网络配合使用，同时采用图像增强技术对抓取机构拍摄的画面进行处理，训练构建识别模型。
优选的，审计方法包括以下步骤：
S1、向第一深度学习模块提供大量准确财务数据和异常财物数据，使第一深度学习模块提取准确财务数据和异常财物数据中的特征，并通过提取出准确财务数据和异常财物数据中的特征对模型进行反复训练，直至训练出合格的分析处理模型；
S2、向第二深度学习模块提供大量正确财务图像数据和非正常财务图像数据，使第二深度学习模块提取正确财务图像数据和非正常财务图像数据中的特征，并通过提取出正确财务图像数据和非正常财务图像数据中的特征对模型进行反复训练，直至训练出合格的图像分析处理模型；
S3、通过管理模块对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
S4、通过电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式，通过纸质数据采集模块将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式；
S5、通过数据预处理模块将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
S6、通过数据分析模块将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
S7、通过跨部门分析模块对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
S8、通过数据存入记录模块对存入数据的时间、数据类型和数据数量进行记录，通过数据调出记录模块对调出数据的时间、数据类型和数据数量进行记录，通过操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测；
S9、通过预警模块将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
S10、通过审计报告打印模块在审计完成后，打印审计报告。
与现有技术相比本发明的有益效果为：
1、通过不同部门中的数据分析模块随机对其他部门中的数据进行分析处理，提高分析处理的效率；
2、通过多个部门同时对完整的审计数据进行储存，并定期进行数据对比，减少数据被篡改的情况发生，提高数据的安全性和审计的准确性；
3、通过跨部门的方式对与异常数据相关数据进行重复审查，提高审计的精准性。
附图说明
图1是本发明基于本福特定律与深度学习的审计系统的结构示意图；
图2是本发明数据分析模块的结构示意图；
图3是本发明数据采集模块的结构示意图；
图4是本发明纸质数据采集模块的结构示意图；
图5是本发明安全模块的结构示意图；
图6是本发明数据储存模块的结构示意图；
图7是本发明本福特定律首位数的分布图结构示意图；
图8是本发明本福特定律的公式示意图；
图9是本发明余弦相似性公式的示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
实施例
如图1至图9所示，包括：
管理模块：对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
数据采集模块：收集需要审计的财务数据，对需要审计的电子资料和纸质资料进行采集和整理，并转换为同一格式的电子数据，同时对纸质资料的图像进行备份处理；
数据预处理模块：将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
数据分析模块：将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
跨部门分析模块：对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
安全模块：审计过程中，对数据的存入、调出和整个审计流程进行记录；
预警模块：将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
审计报告打印模块：审计完成后，打印审计报告；
所述数据分析模块包括：
第一深度学习处理模块：提取数据内的重要特征，利用训练完成的模型对数据进行分析处理，寻找数据中的异常部分，判断数据的准确性
虚拟服务器：为第一深度学习模块提供大量的计算资源，辅助多个第一深度学习模块之间进行数据共享，并且通过虚拟服务器提供了多层安全保护机制，提高数据和模型的安全；
数据储存模块：对接收到的数据和第一深度学习处理模块的训练数据进行储存；
异常类别分析模块：对发现的异常数据再次进行分析处理，判断异常类别，并将异常数据加入训练数据中辅助第一深度学习模块训练，提高第一深度学习模块的效率和准确度；
所述数据采集模块包括：
电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式；
纸质数据采集模块：将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式；
所述纸张数据采集模块包括：
第二深度学习处理模块：对拍摄的图像进行分析处理，获取图像中的文字信息，形成电子数据；
摄像模块：对纸质数据进行摄像，获取纸质数据的图像信息；
图像备份模块：对拍摄的图像进行备份，方便工作人员对比纸质资料的准确性；
所述安全模块包括：
数据存入记录模块：对存入数据的时间、数据类型和数据数量进行记录；
数据调出记录模块：对调出数据的时间、数据类型和数据数量进行记录；
操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测；
所述数据储存模块包括：
审计数据储存单元：对共享的审计数据进行接收和分类储存；
训练数据储存单元：对第一深度学习处理模块的训练数据进行储存，辅助第一深度学习处理模块进行模型训练，
自检单元：审计数据储存单元和训练数据储存单元中的数据发生改变后，对照为改变前的数据对改变后的数据进行检测，检测改后的数据是否复合修改要求
删除单元：对无用的数据进行删除，减少无用数据对审计数据储存单元和训练数据储存单元的占用
限期恢复单元：在限定时间内，对误删的数据进行恢复，减少数据的丢失；
所述第一深度学习模块采用PyTorch框架和循环神经网络配合使用，训练构建分析处理模型；
所述第二深度学习模块采用PyTorch框架和卷积神经网络配合使用，同时采用图像增强技术对抓取机构拍摄的画面进行处理，训练构建识别模型。
一种基于本福特定律与深度学习的审计方法包括以下步骤：
S1、向第一深度学习模块提供大量准确财务数据和异常财物数据，使第一深度学习模块提取准确财务数据和异常财物数据中的特征，并通过提取出准确财务数据和异常财物数据中的特征对模型进行反复训练，直至训练出合格的分析处理模型；
S2、向第二深度学习模块提供大量正确财务图像数据和非正常财务图像数据，使第二深度学习模块提取正确财务图像数据和非正常财务图像数据中的特征，并通过提取出正确财务图像数据和非正常财务图像数据中的特征对模型进行反复训练，直至训练出合格的图像分析处理模型；
S3、通过管理模块对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
S4、通过电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式，通过纸质数据采集模块将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式；
S5、通过数据预处理模块将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
S6、通过数据分析模块将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
S7、通过跨部门分析模块对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
S8、通过数据存入记录模块对存入数据的时间、数据类型和数据数量进行记录，通过数据调出记录模块对调出数据的时间、数据类型和数据数量进行记录，通过操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测；
S9、通过预警模块将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
S10、通过审计报告打印模块在审计完成后，打印审计报告。
所述本福特定律如图8所示，其中本福特定律中的p(n)表示以数字p(1-9)开头的数在数据集中出现的概率，log10表示以10为底的对数函数，n表示数字的值；
余弦相似性公式如图9所示，其中Di和Qi分别表述代表向量D和Q的各分量，X为余弦夹角。
本发明所实现的主要功能为：提高审计效率、提高审计安全性、提高审计便捷性；
1、提高审计效率：通过不同部门中的数据分析模块随机对其他部门中的数据进行分析处理，提高分析处理的效率；
2、提高审计安全性：通过多个部门同时对完整的审计数据进行储存，并定期进行数据对比，减少数据被篡改的情况发生；
3、提高审计便捷性：通过跨部门的方式对与异常数据相关数据进行重复审查，寻找异常数据的源头。
所述通过求余弦夹角小数点后两位的数值判断本福特定律的准确性；本行业内技术人员只需按照其附带的使用说明书进行操作即可，而无需本领域的技术人员付出创造性劳动。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种基于本福特定律与深度学习的审计系统，其特征在于，包括：
管理模块：对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
数据采集模块：收集需要审计的财务数据，对需要审计的电子资料和纸质资料进行采集和整理，并转换为同一格式的电子数据，同时对纸质资料的图像进行备份处理；
数据预处理模块：将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
数据分析模块：将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
跨部门分析模块：对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
安全模块：审计过程中，对数据的存入、调出和整个审计流程进行记录；
预警模块：将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
审计报告打印模块：审计完成后，打印审计报告。
2.如权利要求1所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述数据分析模块包括：
第一深度学习处理模块：提取数据内的重要特征，利用训练完成的模型对数据进行分析处理，寻找数据中的异常部分，判断数据的准确性
虚拟服务器：为第一深度学习模块提供大量的计算资源，辅助多个第一深度学习模块之间进行数据共享，并且通过虚拟服务器提供了多层安全保护机制，提高数据和模型的安全；
数据储存模块：对接收到的数据和第一深度学习处理模块的训练数据进行储存；
异常类别分析模块：对发现的异常数据再次进行分析处理，判断异常类别，并将异常数据加入训练数据中辅助第一深度学习模块训练，提高第一深度学习模块的效率和准确度。
3.如权利要求1所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述数据采集模块包括：
电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式；
纸质数据采集模块：将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式。
4.如权利要求3所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述纸张数据采集模块包括：
第二深度学习处理模块：对拍摄的图像进行分析处理，获取图像中的文字信息，形成电子数据；
摄像模块：对纸质数据进行摄像，获取纸质数据的图像信息；
图像备份模块：对拍摄的图像进行备份，方便工作人员对比纸质资料的准确性。
5.如权利要求1所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述安全模块包括：
数据存入记录模块：对存入数据的时间、数据类型和数据数量进行记录；
数据调出记录模块：对调出数据的时间、数据类型和数据数量进行记录；
操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测。
6.如权利要求1所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述数据储存模块包括：
审计数据储存单元：对共享的审计数据进行接收和分类储存；
训练数据储存单元：对第一深度学习处理模块的训练数据进行储存，辅助第一深度学习处理模块进行模型训练，
自检单元：审计数据储存单元和训练数据储存单元中的数据发生改变后，对照为改变前的数据对改变后的数据进行检测，检测改后的数据是否复合修改要求
删除单元：对无用的数据进行删除，减少无用数据对审计数据储存单元和训练数据储存单元的占用
限期恢复单元：在限定时间内，对误删的数据进行恢复，减少数据的丢失。
7.如权利要求2所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述第一深度学习模块采用PyTorch框架和循环神经网络配合使用，训练构建分析处理模型。
8.如权利要求4所述的一种基于本福特定律与深度学习的审计系统，其特征在于，所述第二深度学习模块采用PyTorch框架和卷积神经网络配合使用，同时采用图像增强技术对抓取机构拍摄的画面进行处理，训练构建识别模型。
9.如权利要求1-7任一项所述的一种基于本福特定律与深度学习的审计系统，其特征在于，审计方法包括以下步骤：
S1、向第一深度学习模块提供大量准确财务数据和异常财物数据，使第一深度学习模块提取准确财务数据和异常财物数据中的特征，并通过提取出准确财务数据和异常财物数据中的特征对模型进行反复训练，直至训练出合格的分析处理模型；
S2、向第二深度学习模块提供大量正确财务图像数据和非正常财务图像数据，使第二深度学习模块提取正确财务图像数据和非正常财务图像数据中的特征，并通过提取出正确财务图像数据和非正常财务图像数据中的特征对模型进行反复训练，直至训练出合格的图像分析处理模型；
S3、通过管理模块对数据采集模块、数据预处理模块、数据分析模块、审计报告打印模块、安全模块、预警模块和跨部门分析模块进行控制和管理，并为工作人员提供登录界面；
S4、通过电子数据采集模块：对电子数据进行采集，并将电子数据转换成为相同的格式，通过纸质数据采集模块将纸质数据进行拍摄，提取纸张上的文字信息，形成电子数据，并将电子数据转换成为相同的格式；
S5、通过数据预处理模块将数据中的异常值和缺失值挑出，通过工作人员手动对异常值和缺失值进行检查和补充，使数据精确完整；
S6、通过数据分析模块将整理后的数据分发至各个部门中的数据分析模块中，通过不同部门中的数据分析模块同时对所有数据进行储存，并通过随机的方式使不同部门中的数据分析模块对其他部门的数据进行分析处理，在分析处理过程中首先采用本福特定律对数据进行分析处理，并通过余弦相似性公式检验本福特定律对数据进行分析处理的准确性，再对数据进行详细分析，同时通过本福特定律检测出的异常数据进行重点分析处理，寻找异常源头，并且各个部门中的数据分析模块之间进行储存数据的对比，检测数据是否相同；
S7、通过跨部门分析模块对有异常的数据进行分析处理将通过跨部门分析的方式，对与异常数据相关联的其他部门的数据进行重复审查，确定异常源头；
S8、通过数据存入记录模块对存入数据的时间、数据类型和数据数量进行记录，通过数据调出记录模块对调出数据的时间、数据类型和数据数量进行记录，通过操作流程记录模块：记录整个审计过程中流程，并对工作人员的操作流程进行记录，方便工作人员对整个审计流程进行检测；
S9、通过预警模块将异常数据和定期对比时不同的数据以弹窗的形式显示至管理模块上，使工作人员对异常数据进行人工审计；
S10、通过审计报告打印模块在审计完成后，打印审计报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264503.5A CN117314664A (zh) | 2023-09-27 | 2023-09-27 | 一种基于本福特定律与深度学习的审计系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264503.5A CN117314664A (zh) | 2023-09-27 | 2023-09-27 | 一种基于本福特定律与深度学习的审计系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117314664A true CN117314664A (zh) | 2023-12-29 |
Family
ID=89259841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311264503.5A Pending CN117314664A (zh) | 2023-09-27 | 2023-09-27 | 一种基于本福特定律与深度学习的审计系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314664A (zh) |
-
2023
- 2023-09-27 CN CN202311264503.5A patent/CN117314664A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
| CN111598753A (zh) | 一种嫌疑人推荐方法、装置、电子设备和存储介质 | |
| CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
| CN114821725A (zh) | 一种基于神经网络的矿工人脸识别系统 | |
| CN110852714A (zh) | 应用于装修业务平台的薪酬提成数据管理系统 | |
| CN112990308A (zh) | 一种对印刷内容进行监测的方法、装置及设备 | |
| CN116452212B (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
| CN117314664A (zh) | 一种基于本福特定律与深度学习的审计系统 | |
| CN112149586A (zh) | 一种基于神经网络的视频片段自动抽取系统及方法 | |
| CN115134159B (zh) | 一种安全告警分析优化方法 | |
| CN111382710A (zh) | 一种基于图像识别的图纸比对方法 | |
| O’Malley et al. | Automated ‘lights-out’searching of all recovered fingerprints: Review of the current workflow for latent fingerprint processing in Queensland, Australia | |
| CN111667697A (zh) | 异常车辆识别方法和装置、计算机可读存储介质 | |
| CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 | |
| CN114140092A (zh) | 一种多功能企业财务核算系统 | |
| CN114630110A (zh) | 一种视频图像在线率检测方法 | |
| CN113590683A (zh) | 一种多维度的电子票据可疑用票综合监测分析方法 | |
| CN116992496B (zh) | 一种用于企业服务管理的数据资源安全监督系统 | |
| CN112862409A (zh) | 提运单核验方法及装置 | |
| CN111198909A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
| DE102019109287A1 (de) | System und Verfahren zum Erkennen von potenziellem Betrug seitens des Kassierers | |
| CN114841656B (zh) | 基于边缘计算的军用飞机故障检测方法和系统 | |
| CN112348714B (zh) | 证据链构建方法、电子设备和存储介质 | |
| CN117675384B (zh) | 一种智慧园区数据安全管理方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |