审计知识工程PDF电子书下载

第1章　审计知识工程概述 1

1.1 审计知识工程的发展历史 1

1.1.1 审计的产生与发展 1

1.1.2　计算机审计的形成与发展 3

1.1.3 审计知识工程的产生背景 6

1.2　审计知识工程的概念与特点 7

1.2.1 审计知识工程的概念 7

1.2.2　审计知识工程的特点 9

1.3.1 研究对象的特点 10

1.3　审计知识工程的研究对象与方法 10

1.3.2　复杂性 12

1.3.3 开放的复杂巨系统 14

1.3.4　研究方法 14

思考题 16

第2章　审计知识工程的基础理论 17

2.1　审计知识工程的学科体系 17

2.2　审计理论 19

2.2.1　审计理论框架 19

2.2.2　审计基本理论 20

2.2.3　审计规范理论 24

2.2.4　审计应用理论 26

2.3　计算机数据分析与挖掘技术 29

2.3.1 数据挖掘的产生与发展 29

2.3.2　数据挖掘的一般机理 30

2.3.3　数据挖掘的任务 33

2.3.4　数据挖掘的方法 35

2.4　系统工程的方法与思想 37

2.4.1 研究的目标与内容 37

2.4.2　研究的方法 38

2.4.3　系统分析框架 40

2.4.4　系统结构分析 41

思考题 43

第3章　审计知识的发现与管理 44

3.1 审计知识研究 44

3.1.1 知识的概念 44

3.1.2　审计知识的特征 48

3.1.3 审计知识的表示形式 50

3.2　审计知识发现与决策 55

3.3 审计证据与知识融合 61

3.4　定量与定性相结合的知识创新 63

3.5　审计组织的知识管理 65

思考题 66

第4章　审计信息的组织结构 67

4.1 数据库的发展历史 67

4.2　数据库管理系统 72

4.3　关系数据模型 74

4.3.1 数据结构 74

4.3.2　完整性约束规则 75

4.4　关系数据库范式理论 76

4.5 查询技术 78

4.6　非关系型数据库 84

思考题 88

第5章　审计知识重构与多维分析技术 89

5.1　数据仓库的概念 89

5.2　数据仓库的体系 92

5.3　数据仓库的数据模式 97

5.4　数据仓库的构建 101

5.4.1 数据仓库的设计方法 101

5.4.2　数据仓库设计 101

5.5 数据仓库与OLAP 104

思考题 105

第6章　关联规则挖掘技术 106

6.1 基本概念 106

6.2　关联规则的Apriori算法 107

6.3 Apriori的改进算法 110

6.3.1 基于散列的方法 110

6.3.2　基于数据分割的方法 111

6.3.3　基于采样的方法 111

6.4.1　算法描述 112

6.4　基于FP-tree的关联规则挖掘算法FP-growth 112

6.4.2　示例说明 113

6.5 多层关联规则挖掘 118

6.6　多维关联规则挖掘 119

6.7　基于约束的关联规则挖掘 120

6.8　数量关联规则挖掘 121

6.8.1 基本概念 121

6.8.2　数量关联规则的分类 121

6.8.3　数量关联规则挖掘的一般步骤 122

6.8.4　数值属性离散化问题及其算法 124

6.9.2 基于Apriori的最大频繁项目集挖掘算法 127

6.9.1　最大频繁项目集 127

6.9　最大频繁项目集挖掘 127

6.9.3　基于FP-tree的最大频繁项目集挖掘算法 129

6.10　关联规则更新挖掘算法 131

6.10.1　数据集的增量性更新挖掘算法 132

6.10.2　算法参数的相似性更新挖掘算法 135

6.10.3　基于FP-tree的关联规则更新挖掘算法 136

6.10.4　基于FP-tree的最大频繁项目集更新算法 139

6.11　一种新的支持度计算方法 142

6.11.1　基本概念 143

6.11.2　候选频繁项目集的生成 144

6.11.3　项目集支持数计算方法 145

6.12　负关联规则挖掘算法 146

6.12.1 基本概念 146

6.12.2　基于Apriori的负关联规则挖掘算法 148

6.12.3　基于频繁模式树的负关联规则挖掘算法 150

6.13　加权关联规则挖掘算法 151

6.13.1　加权关联规则模型 152

6.13.2　加权关联规则的发现 154

思考题 156

7.1　聚类分析研究现状 158

第7章　聚类分析技术 158

7.2　系统模型与基本概念 160

7.2.1 问题的形式化描述 160

7.2.2　相似性测度 160

7.2.3　聚类的定义方法 162

7.3　聚类分析中的距离定义 163

7.4　聚类分析类型 164

7.5　代表性聚类算法 165

7.5.1 k-means算法 165

7.5.2　k-medoids算法 166

7.5.4　BIRCH算法 168

7.5.3 大数据库划分算法 168

7.5.5　Chameleon算法 170

7.5.6　基于密度的DBSCAN算法 171

7.5.7　基于密度的OPTICS算法 174

7.5.8　基于网格的STING算法 175

7.6　聚类算法性能评价 176

思考题 177

第8章　审计离群知识发现技术 178

8.1　离群点检测 178

8.2.1 离群点的定义方法 179

8.2　离群点检测算法概述 179

8.2.2　基于统计学的定义与检测方法 180

8.2.3　基于偏离的定义与检测方法 181

8.2.4　基于距离的定义与检测方法 181

8.2.5　基于聚类的定义与检测方法 182

8.2.6　基于规则的定义与检测方法 182

8.2.7　局部离群点的定义与检测方法 183

8.3　聚类分析与离群点检测的过程 183

8.3.1　数据准备 184

8.4 算法介绍 185

8.4.1 基于嵌套循环的离群点检测算法 185

8.3.3　模式发现 185

8.3.2　特征生成 185

8.4.2　DBoda算法 186

8.4.3　基于密度的离群点检测算法 188

8.5 ？∞空间上的离群点检测 190

8.5.1 问题的提出 190

8.5.2 ？∞-距离意义下基于近似密度计算的离群点算法 191

8.5.3　离群点检测算法 193

思考题 194

9.1 问题描述 195

第9章　序列模式挖掘技术 195

9.2　类Apriori方法 196

9.3　GSP算法 200

9.4　基于投影的序列模式挖掘算法PrefixSpan 202

9.4.1　基本概念 202

9.4.2　算法描述 203

9.4.3 示例说明 204

9.5 SPADE方法 206

9.5.1 相关性质 206

9.5.2　支持数计算 207

9.5.3　基于前缀分类的格分解 209

9.5.4　频繁序列模式搜索 211

9.5.5 SPADE算法的设计和实现 211

9.6　序列模式增量式更新算法 214

9.6.1 基本概念 214

9.6.2　算法描述 216

9.6.3　示例说明 217

思考题 218

参考文献 219