بهبود كارايي الگوريتم هاي تشخيص تقلب مالياتي با استفاده از الگوهاي پردازش موازي

Improving Performance of Tax Fraud Detection Algorithms using Parallel Processing Patterns

تقلب مالياتي شامل طيف وسيعي از شيوه‌هاي كتمان حقايق، اظهار اطلاعات نادرست و انجام معاملات مالي خارج از چهارچوب هاي قانوني است. امروزه با گسترش سيستم هاي مالياتي و حجم بالاي داده هاي ذخيره شده در آن، نياز به ابزاري است تا بتوان داده هاي ذخيره شده را پالايش و پردازش كرده و اطلاعات و دانش مورد نظر را استخراج نمود. با توجه به سياست هاي مالياتي به ويژه در ماليات بر ارزش افزوده، نرخ تقلب مالياتي رو به رشد است. اخيراً پژوهشگران از روش هاي مختلفي از قبيل قوانين همبستگي، خوشه بندي، شبكه هاي عصبي، درخت هاي تصميم، شبكه هاي بيزين، رگرسيون و ژنتيك در جهت كشف تقلب مالياتي استفاده كرده اند. ولي به دليل حجم بالاي داده هاي مالياتي، اكثر الگوريتم ها در تشخيص تقلب، داراي زمان اجراي زيادي هستند. در ابتدا از الگوريتم Apriori كه از قوانين همبستگي و مدل هاي يادگيري بدون ناظر است، جهت كشف رفتارهاي مشكوك متقلبان مالياتي استفاده مي شود و همچنين در مرحله بعد، يك سيستم تشخيص تقلب مالياتي مبتني بر شبكه هاي بيزين ارايه مي شود و با توجه به كارايي پايين آن از نظر سرعت، كارايي آن با استفاده از تكنيك هاي پردازش موازي افزايش داده مي شود. نتايج پياده سازي بر روي پايگاه داده هاي مختلف مالياتي نشان داد كه با استفاده از الگوهاي پردازش موازي، مي توان كارايي برنامه هاي كشف تقلب هاي مالياتي را به طور قابل ملاحظه اي بهبود بخشيد.

Tax fraud includes a large spectrum of methods including denying the facts and realities, claiming wrong information and performing financial businesses without considering legal frameworks. Nowadays, with the development of tax systems and the large volume of tax data, it is necessary to have tools to process this large data and to exploit information and knowledge. According to tax policies, especially in value-added tax resource, the rate of tax fraud is increasing. Based on the investigations, researchers use standard methods such as association rules, clustering, neural networks, decision trees, Bayesian networks, regression and genetics to detect tax fraud. Because of large volume of tax database, most of the studied algorithms are time consuming. At first, Apriori Algorithm was used. This algorithm was one of the unsupervised learning models and association rules. It is used to detect suspicious behavior of tax fraudsters. Secondly, a system for tax fraud detection based on Bayesian networks is presented and its performance is improved using parallel processing techniques. Results of the study show that using available parallel processing patterns improve the execution time of tax fraud detection algorithm considerably.