基于关联规则的审计特征智能提取的应用研究
| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 引言 | 第9-16页 |
| ·课题来源和研究意义 | 第9-11页 |
| ·研究现状及热点 | 第11-14页 |
| ·计算机审计的研究现状 | 第11-12页 |
| ·当前计算机审计的研究热点 | 第12-13页 |
| ·关联规则挖掘在审计领域中应用的现状 | 第13-14页 |
| ·本文的研究内容 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 2 相关技术研究 | 第16-26页 |
| ·关联规则挖掘 | 第16-24页 |
| ·关联规则的问题描述 | 第17-19页 |
| ·关联规则的分类 | 第19-21页 |
| ·经典Apriori 算法 | 第21-23页 |
| ·Apriori 算法难点问题 | 第23-24页 |
| ·审计特征研究 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于关联规则的审计特征智能提取应用模型 | 第26-33页 |
| ·海关联网审计平台(CNAP)简介 | 第26-28页 |
| ·ARAC 模型详解 | 第28-31页 |
| ·ARAC 设计背景 | 第28页 |
| ·问题描述 | 第28-29页 |
| ·ARAC 模型体系结构 | 第29-30页 |
| ·ARAC 模型要解决的问题 | 第30-31页 |
| ·ARAC 中的审计应用流程 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 审计特征智能提取的数据预处理 | 第33-44页 |
| ·用XML 实现ARAC 的审计数据集成 | 第33-34页 |
| ·ARAC 的数据预处理模型 | 第34-35页 |
| ·应用领域知识于数据预处理中 | 第35-39页 |
| ·领域知识的概念 | 第36页 |
| ·领域知识的分类表示 | 第36-38页 |
| ·领域知识在数据预处理中的应用 | 第38-39页 |
| ·ARAC 数据预处理实现的主要方法 | 第39-41页 |
| ·数据选择与抽象 | 第39-40页 |
| ·业务的识别 | 第40页 |
| ·生成目标数据 | 第40-41页 |
| ·生成业务事务模式 | 第41-43页 |
| ·业务事务模式的概念 | 第41-42页 |
| ·业务事务模式的识别 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 利用关联规则挖掘实现特征智能提取应用 | 第44-54页 |
| ·Apriori 算法改进 | 第44-49页 |
| ·主要定义与有关性质 | 第45-47页 |
| ·候选频繁项目集的生成 | 第47-49页 |
| ·项目集支持数的计算 | 第49页 |
| ·由频繁项集生成关联规则 | 第49-51页 |
| ·关联规则综合评价指标体系的建立 | 第51-53页 |
| ·由审计特征实现审计应用 | 第53页 |
| ·本章小结 | 第53-54页 |
| 6 相关实验 | 第54-63页 |
| ·系统实现简介 | 第54-55页 |
| ·关联规则挖掘行为模板审计过程 | 第55-59页 |
| ·数据挖掘结果举例 | 第59-60页 |
| ·算法分析及与相关算法的比较 | 第60-62页 |
| ·频繁项目集生成算法分析 | 第60-61页 |
| ·关联规则生成算法分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 7 总结与展望 | 第63-66页 |
| ·论文主要工作总结和结论 | 第63-64页 |
| ·进一步的研究工作 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 作者简历 | 第68-69页 |
