基于粗糙集知识约简算法的行为审计研究

The processing and behavior analysis of increasing massive and comprehensive audit data has been a hot research area. One of its key content is how to effectively monitor abnormal behaviors. Rough set theory is an important tool to deal with imprecise, incomplete and inconsistent data. It has been successfully applied to the field of knowledge discovery. This project is to study the behaviors of audit based on reduction algorithms in rough sets. The audit-related mass data from a variety of information systems and security systems is taken as the research object. The main work is divided into the following three parts: 1. Investigation of approaches and models for discovering abnormal behaviors in massive and comprehensive audit data; 2. Research on data reduction methods with variable accuracy for massive and comprehensive audit data, development of algorithms of generating association rules based on reduction methods in rough set theory and exploration of models and algorithms to evaluate the efficiency of data reduction and distortion; 3. Development of approaches and their optimization to improve the reliability and accuracy of the abnormal behavior detection. Solutions to these problems not only provide theory, methods and algorithms for behavior audit, but also contribute to effectively monitor abnormal behaviors in massive and comprehensive audit data, enhance the security of the systems and early warning capability, fully reflect the advantages of rough sets in processing uncertainty problems and knowledge discovery and extend applications of rough sets.

日益增长的海量综合审计信息处理及其行为分析是当前一个热点研究领域，其核心内容之一是如何有效地监测异常行为。粗糙集理论是处理不精确、不完整和不一致等数据的重要工具，已成功应用到知识发现等领域。本项目基于粗糙集知识约简算法来研究行为审计，以多种信息系统和安全系统产生的审计相关的海量信息为研究对象，研究内容分为三个部分：1.研究海量综合审计信息中异常行为的知识发现方法和获取模型；2.基于粗糙集理论约简方法研究海量综合审计信息可变精度的数据缩减方法及关联规则生成算法，并设计模型与算法来评估数据缩减效率和失真性问题；3.研究提高异常行为检测的可靠性和准确性的方法及其改进技术。这些问题的解决，不仅可为复杂的行为审计提供理论、方法和算法，而且对于有效地监测海量综合审计信息中异常行为，增强系统的安全整体防范和预警能力，充分体现粗糙集在不确定性问题处理和知识发现中的优势以及拓展粗糙集的应用领域等有重要意义。

本项目以海量综合审计信息为研究对象，基于粗糙集知识约简算法对行为审计问题进行研究，主要取得了以下成果：(1)基于粗糙集、聚类集成和多粒度聚类方法，构建了审计数据异常行为的知识发现方法和获取模型；(2)利用粗糙集中约简算法，设计了审计信息离线的数据缩减方法及其并行优化算法，提出了面向动态审计信息系统的数据缩减增量方法和规则增量生成算法，并构建了数学模型与算法来评估综合审计信息的数据缩减效率和失真性问题；(3)采用聚类集成、决策树等技术，结合粗糙集中知识约简方法，设计了可提高海量审计信息中异常行为检测的可靠性和准确性方法，并利用并行处理和增量挖掘技术，提出了可用于异常行为检测中知识获取算法的改进方法。本项目共发表/录用论文40篇，其中国际期刊论文18篇，国际会议论文19篇，国内核心期刊论文3篇；论文已被SCI检索18篇、EI检索12篇；获国际会议和全国会议优秀学生论文奖各1次；国际会议大会特邀报告4次、指南报告1次；主办国际研讨会和国内研讨会各1次，承办国际研讨会和全国会议各1次；培养了多名研究生，1名博士论文获得ACM成都优秀博士论文奖。本项目的研究成果不仅可应用于海量综合审计信息中的异常行为检测，而且可为复杂的行为审计提供理论、方法与算法，并拓展粗糙集理论的应用领域。