【技术实现步骤摘要】
本专利技术涉及数据处理，具体为一种账本数据的处理方法及系统。
技术介绍
1、随着数据泄露事件的频发，数据的安全性成为了企业和组织不可忽视的问题，特别是在处理财务数据时。在财务和会计处理中，数据的准确性至关重要。错误或遗漏都可能导致财务报告不准确，甚至引发合规性问题。因此，需要一种能够自动检测和过滤异常账本数据的方法，确保数据的准确性。
2、随着交易量的增加，手动处理账本数据变得越来越不现实。需要一种自动化的方法来提高数据处理的效率，减轻人工负担。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的账本数据的处理方法存在成本较高、无法对账本数据进行宏观分析和细节分析相结合的异常检测，并且现有技术无法理解人工对于账本信息的调整，从而导致异常报错的数据过多等问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种账本数据的处理方法，包括：
4、从数据源的录入端，采集账本数据；
5、对采集到的账本数据进行异常检测，得到没有异常的账本数据；
6、将没有异常的账本数据进行自动核算后，进行信息加密并作为集成数据存入数据库。
7、作为本专利技术所述的账本数据的处理方法的一种优选方案，其中：所述数据源包括，录入账本内容的数据依据；
8、所述账本数据包括，交易数据、交易细节、支付方式、附加信息、技术细节。
9、作为本专利技术所述的账本数
10、通过进化后的抗体，对账本数据异常的抗原进行抵抗，从而将异常账本数据进行识别和过滤；
11、对于每笔交易，都包含n个存在相互关联的账本数据，每个账本数据都会生成相应的抗原特征；
12、在抗原训练集中构建账本数据之间的关联关系，将每笔交易视为一个图g，其中节点代表交易中的账本数据，边代表账本数据之间的关联；通过gnn学习每个节点的嵌入表示；
13、
14、其中，表示第l层中节点i的特征；n(i)表示节点i的邻居节点集合；w(l)表示第l层的权重矩阵；b(l)表示第l层的偏置向量；j和i表示节点，且i≠j；
15、通过自定义注意力机制，基于每个账本数据的潜在表示和在交易中的相对位置：
16、
17、
18、其中，hglobal表示全局交易信息，通过对所有节点的特征表示进行聚合得到；at表示自定义注意力机制中的参数向量的转置；hi表示节点i的特征表示的最终形态；m表示给定交易中账本数据的总数；k表示索引；αij是注意力系数，表示节点j对节点i的重要性；
19、定义抗原特征ai为：
20、
21、其中，hi表示节点自身的特征，表示交易中所有账本数据的平均特征表示，concat表示特征向量的拼接，ai表示通过注意力机制加权的特征。
22、作为本专利技术所述的账本数据的处理方法的一种优选方案，其中：所述抗体是指在训练集中，对于每个抗原特征ai，都有一个标签yi，表示该抗原是否异常；所述标签yi构成抗体训练集的目标，用于训练抗体识别抗原的异常；
23、通过训练，当账本信息生成抗原时，抗体游历每个抗原，识别抗原的特征，输出对每个抗原的异常评估结果；
24、所述抗体的进化包括，抗体在能够完成抗体训练集中的抗原异常识别外，对抗体能够识别的抗原特征进行扩充；对ai中的每个向量进行单独分析，若通过识别hi，抗原在交易中的节点嵌入表示为训练集中未出现的位置，则判定为异常，通过抗体对抗原进行抵抗；通过识别交易中所有账本数据的平均特征，通过交易规模与账本数据的量级之间进行拟合，从而得到交易规模与账本数据的量级之间的函数表达，若抗原特征的表现为账本数据不在抗体训练集的训练范围内，则通过交易规模与账本数据的量级之间的函数表达和交易中所有账本数据的平均特征，估计账本数据的量级，当账抗原的本数据在估计到的账本数据范围内，则判定为无异常；当抗原的账本数据不在估计到的账本数据范围内，则判定为异常，通过抗体对抗原进行抵抗；
25、交易规模，是通过对抗体训练集训练得到的交易规模表达，能够通过交易中所有账本数据的平均特征进行反映。
26、作为本专利技术所述的账本数据的处理方法的一种优选方案，其中：所述对账本数据异常的抗原进行抵抗包括，获取在同一个交易中判定为异常的所有抗原，作为集合a，通过训练后的抗体输出每个异常抗原的预测值，作为集合b，并将集合a和集合b中的数据一一对应，将集合a中的每个抗原的账本数据减去对应的集合b中的预测值，得到抵抗的差值，若抵抗的差值之和小于标准差值与交易规模的乘积，则抗体的抵抗失败，将判定为异常的所有抗原修改为无异常；若抵抗结果为抗原异常，则定义为抗体抵抗成功；
27、所述标准差值为一个单位的交易规模所对应的最大异常数值；
28、将抗体抵抗成功的抗原进行过滤，对无异常的账本数据进行自动核算，并存入数据库，将异常的账本数据发送至人工审核，审核结束后存入数据库。
29、作为本专利技术所述的账本数据的处理方法的一种优选方案，其中：所述异常评估结果包括，所述抗体通过神经网络的识别，输出异常的概率预测pi，通过验证集对抗体的异常评估结果进行测试，得到抗原异常时pi的数值范围r到t，以及抗原无异常时pi的数值范围p到0；设置异常估计阈值q，当抗体输出异常的概率预测pi＞q时，则判定为异常；当抗体输出异常的概率预测pi≤q时，则判定为无异常；
30、
31、其中，r＞t；p＞0；r＞p；z表示验证集中，pi在t到p范围内的总次数；z表示验证集中，pi在t到p范围内且结果为无异常的次数。
32、作为本专利技术所述的账本数据的处理方法的一种优选方案，其中：所述自动核算包括，利用智能合约技术，对账本数据进行分类和汇总，并自动执行账本数据的核算、更新和维护工作；
33、所述信息加密包括，对核算后的数据，使用生成的密钥对数据进行非对称加密，并设置公钥和私钥，实现对数据的加密。
34、一种采用本专利技术所述方法的账本数据的处理系统，包括：
35、采集模块，从数据源的录入端，采集账本数据；
36、检测模块，对采集到的账本数据进行异常检测，得到没有异常的账本数据；
37、存储模块，将没有异常的账本数据进行自动核算后，进行信息加密并作为集成数据存入数据库。
38、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本专利技术中任一项所述的账本数据的处理方法的步骤。
39、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术中本文档来自技高网...
【技术保护点】
1.一种账本数据的处理方法，其特征在于，包括：
2.如权利要求1所述的账本数据的处理方法，其特征在于：所述数据源包括，录入账本内容的数据依据；
3.如权利要求2所述的账本数据的处理方法，其特征在于：所述抗体是指在训练集中，对于每个抗原特征Ai，都有一个标签yi，表示该抗原是否异常；所述标签yi构成抗体训练集的目标，用于训练抗体识别抗原的异常；
4.如权利要求3所述的账本数据的处理方法，其特征在于：所述对账本数据异常的抗原进行抵抗包括，获取在同一个交易中判定为异常的所有抗原，作为集合A，通过训练后的抗体输出每个异常抗原的预测值，作为集合B，并将集合A和集合B中的数据一一对应，将集合A中的每个抗原的账本数据减去对应的集合B中的预测值，得到抵抗的差值，若抵抗的差值之和小于标准差值与交易规模的乘积，则抗体的抵抗失败，将判定为异常的所有抗原修改为无异常；若抵抗结果为抗原异常，则定义为抗体抵抗成功；
5.如权利要求4所述的账本数据的处理方法，其特征在于：所述异常评估结果包括，所述抗体通过神经网络的识别，输出异常的概率预测pi，通过验证集对抗体的
6.如权利要求5所述的账本数据的处理方法，其特征在于：所述自动核算包括，利用智能合约技术，对账本数据进行分类和汇总，并自动执行账本数据的核算、更新和维护工作；
7.一种采用如权利要求1-6任一所述方法的账本数据的处理系统，其特征在于：
...【技术特征摘要】
1.一种账本数据的处理方法，其特征在于，包括：
2.如权利要求1所述的账本数据的处理方法，其特征在于：所述数据源包括，录入账本内容的数据依据；
3.如权利要求2所述的账本数据的处理方法，其特征在于：所述抗体是指在训练集中，对于每个抗原特征ai，都有一个标签yi，表示该抗原是否异常；所述标签yi构成抗体训练集的目标，用于训练抗体识别抗原的异常；
4.如权利要求3所述的账本数据的处理方法，其特征在于：所述对账本数据异常的抗原进行抵抗包括，获取在同一个交易中判定为异常的所有抗原，作为集合a，通过训练后的抗体输出每个异常抗原的预测值，作为集合b，并将集合a和集合b中的数据一一对应，将集合a中的每个抗原的账本数据减去对应的集合b中的预测值，得到抵抗的差值，若抵抗的差值之和小于标准差值与交易规模的乘积，...
【专利技术属性】
技术研发人员：董代，石龙，夏何均，刘刚，
申请(专利权)人：北京谷器数据科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。