用于维修资金账务安全的审计监管方法与流程

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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聚类的异常检测模型中，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。
7.优选的，所述通过设备的维修数据点结合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：单个设备的第次维修数据点的维修频率特征值的计算表达式为：式中，表示单个设备的第次维修数据点的维修频率特征值；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示距离邻域中维修数据点的数量；表示对于全部维修数据点的距离邻域中的平均距离进行线性归一化。
8.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。
9.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：通过已有的第个设备的第次维修对应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的计算表达式：式中，表示新增维修数据点的维修频率异常程度；表示在邻域内的新增维修数据点之前的维修数据点维修频率特征值连续上升的维修数据点数量；表示距离邻域的维修数据点数量值；表示已有的设备数量；表示新增维修数据点的维修频率特征数值；表示已有的第个设备中的维修数据点数量；为函数；表示已有的第个设备的维修数据点中的第个维修数据点的维修频率特征值；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。
10.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聚类的异常检测模型中，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：
式中，表示对于获取到的新增维修数据点异常程度距离；表示新增维修数据点的维修频率异常程度；表示新增维修数据点在聚类模型中对于第个簇类的隶属度；表示新增维修数据点与第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。
11.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，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。
12.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
13.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。
14.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
15.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。
16.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。
17.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。
18.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。
19.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。
20.对于公司的维修资金账务数据通过公链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，将数据整理为设备对应的设备维修金额，设备维修时间，维修类型。
21.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。
22.本实施例所使用的聚类模型为模糊聚类模型，设定簇类数量，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(本实施例簇类数量的选取为20)。通过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。
23.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。
24.本实施例采用基于模糊聚类模型的异常检测方法为方法，现有的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。
25.在本实施例中，现有的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。
26.针对上述技术问题，本实施例对现有的方法中异常程度的获取方法进行如下改进：对于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。
27.步骤s002：通过设备的维修数据点结合距离邻域中维修数据点距离获取设备的维修频率特征。
28.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。
29.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；提取其设备对应的全部历史维修数据，形成该设备的维修时序数据。
30.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，设定距离邻域，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的选取为10)在该设备的时序数据中确定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。对于单个设备的第次维修数据点的维修频率特征值：式中，表示单个设备的第次维修数据点的维修频率特征值；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示维修数据点到维修数据点的欧氏距离；表示距离邻域中维修数据点的数量；表示对于全部维修数据点的距离邻域中的平均距离进行线性归一化。
31.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距离邻域的维修频率衡量，在设备的使用初期固定距离邻域维修数据点数量，也就是说可以避免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。
32.至此，根据设备id的维修历史数据结合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。
33.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。
34.在获取到每个设备的第次维修数据点的维修频率特征值后，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。
35.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，通过已有的第个设备的第次维修对应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：式中，表示新增维修数据点的维修频率异常程度；表示在邻域内的新增维修数据点之前的维修数据点维修频率特征值连续上升的维修数据点数量；表示距离邻域的维修数据点数量值；表示已有的设备数量；表示新增维修数据点的维修频率特征数值；表示已有的第个设备中的维修数据点数量；是函数，表示对于差值只考虑维修频率上升的维修数据点；表示已有的第个设备的维修数据点中的第个维修数据点的维修频率特征值；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。
36.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。
37.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。
38.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。
39.步骤s004：对于新增维修数据点在基于聚类的异常检测模型中，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。
40.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聚类的异常检测模型中，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。
41.式中，表示对于获取到的新增维修数据点异常程度距离；表示新增维修数据点的维修频率异常程度；表示新增维修数据点在聚类模型中对于第个簇类的隶属度；表示新增维修数据点与第个簇类的簇类中心点之间的欧氏距离。
42.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。
43.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。
44.通过步骤s002-步骤s004，获取到优化后的基于聚类模型的异常检测方法，并得到了新增维修数据点的优化后的异常程度。
45.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。
46.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，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。
47.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。

技术特征：
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 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聚类的异常检测模型中，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：单个设备的第次维修数据点的维修频率特征值的计算表达式为：；式中，表示单个设备的第次维修数据点的维修频率特征值；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示在维修数据点的距离邻域维修数据点集合中第个维修数据点；表示距离邻域中维修数据点的数量；表示对于全部维修数据点的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：通过已有的第个设备的第次维修对应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的计算表达式：；式中，表示新增维修数据点的维修频率异常程度；表示在邻域内的新增维修数据点之前的维修数据点维修频率特征值连续上升的维修数据点数量；表示距离邻域的维修数据点数量值；表示已有的设备数量；表示新增维修数据点的维修频率
特征数值；表示已有的第个设备中的维修数据点数量；为函数；表示已有的第个设备的维修数据点中的第个维修数据点的维修频率特征值；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聚类的异常检测模型中，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：；式中，表示对于获取到的新增维修数据点异常程度距离；表示新增维修数据点的维修频率异常程度；表示新增维修数据点在聚类模型中对于第个簇类的隶属度；表示新增维修数据点与第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，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。

技术总结
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。的异常情况并进行预警。的异常情况并进行预警。


技术研发人员：李华 葛泽臣 庄宿超
受保护的技术使用者：济南百思为科信息工程有限公司
技术研发日：2023.06.09
技术公布日：2023/7/12