【《基于神经网络的支付交易数据异常检测技术发展文献综述》11000字】

[21]。1.2分类模型1.1.1数据挖掘的定义早在20世纪80年代，数据挖掘便起源于KDD(KnowledgeDiscoveryinDatabase)。数据挖掘的内容概况分为多种，数据挖掘的多重含义需要不断更改挖掘，比如“是从大批海量数据中有目的性的选择一定量的有用的数据进行建立模型使之成为一种有效的挖掘过程”、“从批量数据中提取出有潜在价值的重点信息选择等”[17]。在现实生活中大众所接受的定义是:可以从大规模数据中进行筛选，挖掘其中的隐藏含义知识行为[18]。这个定义具有以下几个含义:1)较大规模的数据、真实性数据且含有一定的噪声;2)提取出的新知识是可以为人们所服务的;3)提取出的新知识能够被人们理解和支持的;4)提取出的新知识适用的范围很广泛。1.1.2数据挖掘过程不难看出其数据挖掘的具体概念，我们将数据进行具体的挖掘内容更改，以及实时的效率。数据挖掘的整个过程中存在多种数据领域的含义包含多个领域，大致可以概括为三个环节:数据前期的整改环节、数据在其挖掘探索过程环节、结果的选择解释和选择更改评分的过程[19]。其中数据准备阶段还可以分为:数据整理删除、数据整改集合、数据有计划的选择、数据的更改变化等。如下图数据挖掘过程：定义问题定义问题准备数据数据挖掘表示与评价图STYLEREF1\s2SEQ图\*ARABIC\s11数据挖掘过程图(1)数据清理对不完整、不清晰、海量且含有噪声的数据进行去噪处理、推导计算填补缺省处理、修正异常处理、清除重复数据处理。这个环节需要根据研究分析所得的数据的更改进行具体的处理方案，决定其最终的数据结果，进行有规律的选择。(2)数据集不同类型的数据，有机铺垫的工作方式。操作这部分需要把握好外部因素的不同数据的物理格式。(3)数据选择根据目标的需要，我们吧对自己有用的数据从海量的数据集中找出来，并将其作为目标的操作对象。(4)数据变换所谓数据转换就是将将数据从一种格式变为另外一种操作需要的格式，可以获得降维后的数据，有利于找出真正有效的特征或变量。(5)数据挖掘根据数据的研究概况和其研究发展的过程中对某种领域的理解数据概况，以及对其研究技术的数据变化，进行相互融合和贯穿，从而使得当前的数据挖掘方法己经层出不穷。这些方法能发现异常数据，并用不同的方法解释从而提取出隐含在数据中的某些规律「21]。通过知识挖掘出类的技术，与统计分析类技术截然不同，其经常应用的方法有很多，在此就不一一列举了。实施数据挖掘时，一方面需要考虑数据固有的特征，另一方面需要考虑自己想要实现的目标，综合考虑，权衡利弊，选择合适的算法，最后获取隐含于数据中的模式。常用的算法很多，如:数据重返的分析算法改正、分类别具以及分类聚类算法、数据决策树的构建模型等。(6)模式评估选择对某种数据的更改以及对其的评估概况的挖掘数据类型，进而在其中找出真正的需求模式。(7)知识表示重新加以表示或描述所提取出的知识，使其能达到被人们轻易理解的程度。综上我们发现，整个数据挖掘过程是一个循环往复过程，只要其中一个环节出现问题均需要返回到上一步再次调整，再继续执行。1.1.3数据挖掘方法数据挖掘的主要发展趋势来源于基础的各种学科知识的相互结合，相互包含，以最终的数据结果得出结论，并最终得出挖掘方式。为了让用户得出所需要的结论，满足自身的需求其概况发展趋势，以及挖掘方法，对挖掘技术进行了必然方式，截止目前数据挖掘技术可分为如下四大类:(1)针对不同的数据库根据不同的数据模型进行分析概况可分为具体的分类模型可分为关系型、对象关系型。数据类型的不同又可分为时间类别模型、空间类别模型、数据概况分析类别、流动数据的发展类别、文本叙述的类别、异常型态过程类别、多媒体的数据挖掘模式类别[22]。(2)针对不同的知识类型挖掘知识可划分为不同类型的相关性分析，进化分析，表征，分类，聚类，预测和异常值分析，复杂的数据挖掘将含有至少两个或更多的功能。另一方面，根据不同程度的抽象或知识也可以挖掘数据分类的大小，可分为高抽象层，原始数据层等多个抽象层。最好的数据挖掘模式能够实现对数据的更加深层次的知识识别抽象化。数据挖掘，也可根据基本的类别或者异常的类别进行分类概况进行具体分析。一般而言，我们可以应用诸如相关性分析、关联分析、聚类、分类等手段来提取出数据中的规则，同时还可以清除噪声[22]。(3)针对不同的技术手段按照人们通常使用的数据分析方法可将其划分为遗传算法、人工神经网络、聚类等。通常成熟全面的数据挖掘系统会结合两种以上的挖掘技术，实现结合各个方法的优势[23]。(4)针对不同的应用场景在众多企业类别中其金融行业、交通行业、通信网络行业、生物医学行业。适用于不同行业的运营模式的具体数据的挖掘类别。所以想要得到一个通用的即适用于各种不同应用场景的数据挖掘方法在目前来说还是一项具有挑战的任务。1.1.4支付领域的数据挖掘应用关联分析，其存在的目的是为了通过对数据的隐藏含义的挖掘形式进行互相的贯穿，形成具有关联的形式状态。关联分析就是给数据整合后进行重新编辑进行分类，通过对数据纪律的分析，推导出之间存在的数据分析关系类别。序列模式分析，其与相关的数据类别进行划分，目的在于对其挖掘数据的概况分析与其之间的联系，但是序列模式的概况更加具有新的数据类别更加符合其具体的需求进行具体的前因后果的数据类别关系。分类分析，假定给与一定的数据记录与其进行整合形成独树一帜的类别分类，在其具体分析中得出不同的数据结论，首先给与一定的数据记录，即按照类别分类记录，然后去检查这些分好类别的记录并描述这些记录的特征。该描述可以显示的也可以是隐式的，如规则的定义就是显示的，而数学模型或者公式就对应的是隐式的。(4)聚类分析，同分类分析相异，在聚类分析时给定的是一组未分类的记录。目的是根据一定量的数据分析进行新的合理划分记录，于此同时用显性或者隐形的数据进行描述进行类别分析。这些规则由聚类分析工具去定义。聚类分类分析能够根据不同的数据算法进行整改，引导其整改数据与原来数据的不同分析得出的结论进行重新的划分结果。1.3网络银行异常交易检测技术银行的异常交易可以分为两大类:一类是重复交易或者交易异常中断、交易金额不足、授权未通过等系统流程异常交易;另一类是不满足交易的合法性，比如通过非法手段盗用用户信息进行的交易，或者钓鱼等网络诈骗交易等。两种类型的异常可能会混合在一起，但本文主要重点研究的是第二种非法的网络银行欺诈交易，即欺诈交易的异常交易检测技术。1.3.1网络银行异常交易检测技术与方法1.异常交易检测模型机器学习技术的出现，出现了大量基于时间序列比对，遗传算法是通过对机器的数据规避风险的一种具体的数据管控技术，己经用于检测各种异常的银行等金融机构欺诈性交易[22]相比于传统的基于规则引擎的专家系统以及人工校验的检测方式，机器学习下的金融异常交易检测技术无需大量的欺诈样本，也无需的反复更新专家系统的引擎规则，即可达到快速及时发现欺诈交易样本的目的，并且检测效率也更加可靠，成本大幅降低[25]。英国学者相对而言更加注重于针对经济层面的风险分析及控制处理。英国学者Bannister与Bokat将风险管理定义为是一个识别、测定及控制可能威胁组织活动、收益的风险的过程。Dixon认为风险管理是对那些可能威胁企业生产与收益能力的风险因素进行确认、评价及经济管控的过程[26]。除此之外，还有相关教材定义风险管理为“针对企业资源进行计划管理和组织控制以减少不确定因素发生而带来的影响”。随着风险管理理论的不断发展，相关理论基础也日益丰富和完善，在此基础上，本文采用了以下定义:所谓风险管理，是指通过对风险的认识、估计、衡量与控制，利用尽可能低的成本将风险所导致的损失降至最低的一种科学管理方法[27]。根据的反欺诈使用的检测模型的不同，可分类为如下几大类型:（1）基于规则引擎的反欺诈技术规则引擎中最具代表性的是早期的专家系统，当前比较流行的规则引擎反欺诈技术系统有黑名单系统以及社会统一征信系统等[28]。规则引擎通过吸取业务专家经验以及过去发生的欺诈案例来创建规则引擎库，规则引擎优点有实现相对简单以及检测效率高等优点，无需复杂的算法实现以及大量的计算，对于出现在规则库中的欺诈场景或案例识别率为百分之百;部署简单，无需要做大量的数据分析以及逻辑运算，只需对业务数据做简单的基于规则过滤。但也同时存在一些明显的缺点，对于新型的欺诈类型如果未能及时更新规则库，有可能出现漏检和风险管理漏洞。所以对于基于规则引擎的反欺诈系统，需要辅助人工检测手段，及时发现新型欺诈类型并更新相应的规则引擎最为关键[29]。（2）基于机器学习的反欺诈技术基础于人工智能的反差数据进行理论化的分析，反欺诈技术基础于数据引擎的方式，广泛应用于金融电信等行业。早期数据分析技术主要用于在提取定量和统计数据特征。虽然传统的数据分析技术可以间接地引导学习知识，并做出一些常规的推理判断，但毕竟目标性不强。机器学习和人工智能解决方案可以分为有样本标签的监督机器学习和无样本标签的机器学习[30]。1.异常交易检测特征提取机器学习的目的性概况进行分析预判，在监督学习的预测需要首先对数据进行有规律有选择性的训练。通常不会拿原始数据来训练，虽然原始信息包含了样本最丰富的信息，但没有经过任何处理的裸数据能最完整表达样本。但是用原始数据来直接训练在训练集上会得到很好的性能，但在测试集上的性能却变得非常差，也就是过拟合的问题;用原始数据进行直接训练还有一个问题就是原始维度太高模型计算量大耗时长。为了解决对数据的规模性探索研究错产生的问题，需要对采集的数据进行新一轮的数据采集并提取其中重要的表达数据方式，并对其进行有效的预判，进行选择性的措施进行处理。常用的特征提取方法有如下几种:(1)主成分分析，通过对转换所得的数据进行相关联的数据分析，改变其中的规律以一种新的形态进行更改;(2)判别分析，根据特定的属性进行个性化的分析进行变量的更改部分数据(3)等距特征映射，使用用曲线距离作为空间中点与点之间的距离的变量分析方法。(4)拉普拉斯特征映射，从局部进行对全部的数据类别分析，将局部的规律相互整合形成变量的数据分析成果。1.3.2基于机器学习的异常交易检测技术深度学习解决方案可以分为有样本标签的监督学习[31]和无样本标签的学习。在监督学习中，所有记录的随机子样本被采用并手动分类为欺诈性或非欺诈性。可能需要对欺诈等相对罕见的事件进行过度抽样，以获得足够大的样本量[26]。然后，这些手动分类的记录用于训练有监督的学习算法。在使用此训练数据构建模型之后，该算法应该能够将新记录分类为欺诈性或非欺诈性。监督神经网络、模糊神经网络以及神经网络已经被逐渐应用于大规模的数据范围之内。检测移动电话网络中的欺诈和财务报表欺诈[32][33]。贝叶斯学习神经网络应用于面对欺诈行为当中，并对其进行严格检测，防止欺诈行为的出现[34]。基于混合知识/统计的系统，其中专家知识与统计功能集成，使用一系列数据挖掘技术来检测细胞克隆欺诈。具体而言，实施了一个规则学习计划，用于从大型客户交易数据库中发现欺诈行为的指标[35]。卡希尔等人(2000)基于欺诈性呼叫的数据设计欺诈签名，以检测电信欺诈。为了对欺诈呼叫进行评分，将其在帐户签名下的概率与其在欺诈签名下的概率进行比较。链接分析包含不同的方法。它使用记录链接和社交网络方法将己知的欺诈者与其他个人联系起来[36][37]。这种类型的检测仅能够检测类似于先前己经发生并且被人为分类的欺诈。应该提到一些关于欺诈检测的无监督学习的重要研究。例如，Bolton[38]和Hand[39]使用同行组分析和断点分析应用于信用卡账户的支出行为。对等组分析检测单个对象，这些对象开始以与先前相似的对象不同的方式运行。Bolton和Hand为行为欺诈检测开发的另一个工具是断点分析。与对等组分析不同，断点分析在帐户级别运行。断点是观察特定账户的异常行为的观察。以上两种表达形式的概述都适用于信用卡账户的消费行为。此外，Murad[41]和Pinkas[42]专注于为欺诈检测而进行的行为改变，并提出了三级分析。三级分析方法在帐户级别运行，并指出作为潜在欺诈的帐户的正常行为的任何显着偏差。为此，基于没有欺诈记录的数据(半监督)创建“正常”配置文件。在同一领域，Burge[43]和Shawe-Taylor[44]也使用行为分析来进行欺诈检测。然而，使用循环神经网络来进行呼叫行为的原型设计，应用了无监督学习。Cox等人[45]玛寄人类模式识别技能与自动数据算法相结合。在他们的工作中，信息通过特定领域的界面直观呈现，将人类模式识别技能与自动数据算法相结合(Jans等人)。1.4人工神经网络技术1.4.1人工神经网络模型神经网络发展中，己经开发出多种网络模型，如BP神经模型、RBF网络模型、自组织映射神经网络等。(1）误差反向传播神经网络模型((BP网络)BP神经网络((ErrorBackPropagation)是一种采用误差反向推到的一种工程，对其进行第二次的研究探索，从输入层到隐含层的数据网络进行检测，并根据反向的方式进行更替。每一层多存在一定的数据构成元素并对其进行互相连接融洽，使之可以达到无缝衔接的状态。输入信号的先后变化顺序向其传播信息，经过不断的函数调查进行新的数据计算，进行信息输出以最终得出数据结果。研究发现，网络的精确符合层数与之点数呈现正相关的发展状态。增加层数的高度粘合度进行模拟符合精确度，使之更加复杂可以增加训练时间的高度融合。依据Kolmogorov[46]理论，在一定的条件下，对于任意给定的ε>o，存在于网络神经结构的模型，用模型来代替精确的的高度磨合，进行连续的函数来进行计算，并进行一定的数据分类，来解决线性规律的处理方式来增加线性速度，使之成为最普遍的梦磨合度。三层BP神经网络的网络结构如图1.2所示:图STYLEREF1\s2SEQ图\*ARABIC\s12BP神经网络结构图在该网络结构数据表述中，隐含层输出向量为OK=f(netk)，输入向量为X=(x1,x2,...xn）TY=(y1,y2,...yn）T，输出层向量是k=1,1...l，期望输出向量是D=(d1,d2,...dn）T输入层次到隐藏含义当中的数据权益程度以便用V表示，V=(v11,v12,...vmn）T其中Vmn表示隐藏含义的数据元素当中第h个数据神经元素来进行各类的表达对应第m个输入层神经元的权衡量;隐含层到输出层之间的权值矩阵用W表示，W=(w11,w12,...wln）T。对于输出层，有Ok=F(netk)(k=1,2,...l)。(k=1,2,...l)。对于隐含层，有yj=F(netk)(k=1,2,...m)；(j=1,2,...m)。而隐含层和输出层的转移函数.f(x)是连续性的数据合计，以及单个的数据的不同表述两者兼得Sigmoid函数:BP神经网络的算法学习步骤如下:1从总体数据样本中进行有选择的筛选，挑取某种元素进行编辑;2样本数据信息在其隐藏含义中各有不同进行对应的数据处理方式;3计算网络过程中产生的数据值，以减少输出与期望值之间的误差;4从输出层开始反向的抽取某个隐藏类别，减少误差所在的权益程度;5重复以上步骤，直到数据误差之间的最小值之间的数据变化;通过以上步骤的反复训练之后，网络节点之中进行数据的再次确定数值的变化程度，得到准确的数据因素进行训练整合，用未知样本数据进行预测判断。(2)径向基函数神经网络模型(RBF)径向基函数(RBF,RadicalBasisFunction)神经网络是在根据局部调节的方案与其交错叠加的方式基础上进行采取一定的措施来进行执行函数的数值计算创新。它是一种三层前馈型神经网络，其拓补结构如图1.4所示。运算过程相当于在多维度的训练当中选择最佳的数据结构进行模拟的最佳平面，形成一个基础函数，且基函数采用高斯核函数;而输出层节点通常有线性函数组成。图STYLEREF1\s2SEQ图\*ARABIC\s13径向基函数神经网络拓补结构图径向基函数神经网络学习过程如下:1初始化，根据所有所得样本的数据进行概况从而确定其隐藏含义的基础信息列表即确定中心值和标准化常数的初值;2采取聚类分析的算法求取高斯核函数的参数;3根据所得样本数据进行对照输入，利用最小二乘法进行数据的刨析。即完成了对网络学习的完成进度的发展趋势，利用其他样本进行概况研究数据分析进行新的运算处理。(3)自组织特征映射神经网络模型[47](SOM)自组织特征反映出对网络神经数据的镜像反射，进行内在的数据刨析，自组织、自适应地对网络神经曾进行改进。其最重要的使根据数据值进行与外界的进一步联系，互相吸收数据形成相互的对比，信息不同特征表现出来的敏感程度，来对信息进行有效的聚类划分。其拓补结构如图1.5所示：图STYLEREF1\s2SEQ图\*ARABIC\s14自组织特征映射神经网络拓补结构图其中，输入层用来接收外界提供的数据，而输出层则是对于数据进行分析比较，在其中发现规律，观察节点变化。自组织特征映射神经网络也分为学习与工作两个阶段。在训练现阶段的发展趋势当中，网络随机样本对于特定样本来说，依旧存在不同，某一方一定会获得收益反之则会产生损失，其在过程中依旧存在不确定性。获胜节点周围的节点对于其他数据来看依旧存在不同的效益结果，因此两者之间也将互相权衡利弊进行连接权向量均以不同的变化程度向输入方向进行调整，调整力度依邻域内各节点距离获胜节点的远近而逐渐减小。网络通过自组织方式，用大量训练样本调整网络权值，最后使输出层各节点成为对特定模式类敏感的神经元，对应的内星权向量成为各输入模式的中心向量。并当两个模式类的特征接近时，代表这两类的节点在位置上也接近。从而在输出层形成能反应样本模式类分布情况的有序特征图[48]。自组织特征映射神经网络学习过程如下:(1）初始化权值并选择邻域的大小;(2）输入训练样本信息;(3）寻找获胜节点，即通过对数据的计算进行数据连接使之显示出差距以此来进行改进使误差平方和最小的点就是获胜节点;(4)定义优胜邻域。以获胜节点为中心确定在某一时刻的权值调整域，一般初始邻域较大，但伴随着不断地训练其结果不断改进。(5)调整优胜邻域内所有节点的权值;(6)结束判定。当学习效率达到某中高度时，则暂停训练;否则，转到步骤(2)继续。1.4.2人工神经网络原理人工神经网络（ArtificialNeuralNetworks，ANN）系统是20世纪40年代后出现的。它是经过多重数据的结合形成的连接权值，并进行大规模的数据处理方式，并进行存储建立起良好组织制度。BP（BackPropagation）算法又称为减少误差的存在进行反向刨析，是一种重要的监督方式。BP神经网络算法在理论上可以接近于任意一函数的数值表控方式，在其结构上进行线性的数据分析划分，具有加强的映射能力，对其进行解析整合。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可以根据当下的发展趋势来制定适合的发展方案，灵活性增强、使之达到优质状态，并将其适用于各行各业，前景广阔未来可期[49]。人工神经是通过对大数据的处理进行连接相互融洽，每个神经元可以看作是神经网络的基本运算单元[50]，以非线性的数据处理方式来进行数据概况进行有效的处理方式，使之相互作用下改变其神经元的数据类别分析。人工神经元模型如图1.1所示。图STYLEREF1\s2SEQ图\*ARABIC\s15人工神经元模型图1.2中第J个神经元(节点)模仿了生物神经元所具有的三个最基本也最重要的功能:加权·求和与转移。其中x1,x1...xi...xn分别代表来自神经元1,1...i...n的输入，即权值:bj是阀值，第i个神经元的输出主要对神经元的输入输出进行调节;f(●)是传递函数;Yj是第J个神经元的输出。其中，第J个神经元的净输入值为:（1.2）净输入值sj通过对函数的数据传达进行分析f(●)后，便得到第J个神经元的输出是yj: （1.3）同生物元细胞具有信息承载限度一样，人工神经元的传递的信号亦不能无限增加，必有一最大值，试中f应是单调上升的有界函数。人工神经网络的运算过程具有学习和工作两个阶段[51]。在学习阶段将信息进行反复输入输出进行预判达到最终效果。在工作阶段对原有数据进行保留，选择一组新的样本进行数据调整变成数量改变，获得新的运算方式进行数据处理，得出结论。同时，人工神经网络在其学习过程中具有一定的独立性并能快速适应其中，以便减少误差从而改变数量的权益值，以适应大环境的数据分析。通常情况下，神经网络具有两种不同的学习训练方式，一种是有导师的学习算法，主要通过固定的数据样本进行有规律有模型的调整，以达到对样本的双重数据分类或者效仿;另一种是无导师的学习算法，规定固定的时间进而学习，对其内容产生不同的理解概述，系统能自动发现并学习和储存环境特征及规律，可以自动地调整连接权值，以便对输入样本分组能聚集，这种学习方法更接近于人脑的功能。1.4.3人工神经网络特点人工神经网络是以对人脑神经网络的基本认识为基础，综合运用数学以及信息处理方法对人脑神经网络进行模拟、简化和抽象，最终建立的简化信息处理模型[52]。其系统能够剧本人脑的适应能力、自习的能力权益、在特定模型当中的识别以及优化模型数据，解决在其过程中出现的问题，表现出很好的智能特性。人工神经网络具有以下特性:（1）具有极强的非线性映射能力。神经网络的运营具有一定的局限性，其在实质上从输入层到输出层的映射效应，在其理论上保留足够的内藏含义对其进行刨析，具有实现非线性映射的能力，这使得适合于化解内部机制复杂的问题[53]。(2）强大的计算、处理实际问题的能力。它运用分布并行的信息处理方式，对数据的采集采用记忆联系的方式进行调动数据元素的概况。通过“有导师”的学习方式，对规则进行有规律的适应训练并储存记忆，当新的无规则样本加入时，该模型可以从不完整的信息和噪声干扰中运用事先储存的规则对样本信息进行联想记忆，实现完整的原始信息的恢复，具有良好的容错性和抗干扰能力。特别适合内容庞杂、特征不明显的复杂模式的识别问题。(3）较强的样本识别与分类能力。强大的非线性处理能力，使神经网络能够很好地处理非线性样本的数据分类。作为一个非线性优化算法，神经网络具有强大的优化计算能力，它可以在己知的约束条件下，寻找一组参数组合，使目标函数快速达到极小值。(4)良好的泛化能力。神经网络采用全局逼近的学习算法，具有较好的泛化能力。经过训练后的网络，运行速度极快，可对相似的问题进行实时处理。参考文献胡馗.基于数据仓库技术的企业信息化管理.淮南市住房公积金管理中心矿业集团分中心.2016(05).任仪南.基于流程创新的第三方支付增值业务研究.北京交通学.2016-06-01袁永熙.现代电子商务理论与技术导论[M].长沙:湖南科学技术出版社,2012.冯彬.银联型在线支付平台及其增值服务研究.武汉理工大学.2007-11-01Sherly,K.K.,&Nedunchezhian,R.(2010).BOATadaptivecreditcardfrauddetectionsystem.IEEEInternationalConferenceonComputationalIntelligenceandComputingResearch(pp.l-7).IEEE.瞿志凯、张婷.基于大数据的反恐情报数据仓库体系结构设计.中国人民武装警察部队学院.2016(02)何宇.基于混合结构的在线支付系统事务处理机制研究[J].电子商务，2010,13(3):419-422.WalkerA.FinancingSystemsDevelopment[M].NewYork:Prentice-HallInc.,2014.KoltizF.BusinessResearchMethods[M].London:BergmanPress,2009.陈洪易一种基于多因素回归分析的营销预测分析模型及应用[J].商业现代化，2012,26(S):663-665.WalkerA.FinancingSystemsDevelopment[M].NewYork:Prentice-HallInc.,2014.KramersL.HowtoPerformanefficientConsumerAnalysis[J].ElectronicMarketingCommunications,2013,37(4):552-559.KoltizF.BusinessResearchMethods[M].London:BergmanPress,2009.NortonS.IntroductiontoElectronicCommerceSystem[M].NewYork:PearsonEducatedInc.,2012.AggarwalCC,YuP.OutlierDetectionforHighDimensionalData.Proc.o-fACMSIGMOD.2001,2001.陈俊，王声.基于数据仓库的决策支持系统的设计与实现[J].计算机工程与设计，2008,(10):5280-5283.章萍.试析影响养老保险基金安全运行的风险因素及风险化解财会[J].月刊(综合)，2008,(6):34-36.李睿，徐红，李进.基于数据仓库的寿险决策支持系统设计与实现[J].现代电子技术，2006,(19):71-78.HornM.Microeconomics:AManager'sPerspectivewithApplicationsinBusinessAnalysis[M].Amber:MichiganUniversityPress,2009.KopplerS.MarketingManagementwithApplicationstoBusinessDecisionAnalysis[M].NewYork:Addison-WesleyInc.,2007.马刚、王延章.数据仓库及其设计规范化.大连理工大学系统工程研究所、辽宁大连116024.2001(05)KingdonJ.AIFightsMoneyLaundering[J].IntelligentSystemsIEEE,2004,19(3):87-89.D