关系数据库中聚合代数约束的高效发现算法——AAC-Hunter

针对如何更好地维护关系数据库的数据完整性以及帮助审计员找出违规的报销记录的问题,提出了自动发现聚合代数约束(AAC)的算法AAC-Hunter。AAC是一种定义在数据库中两列的聚合结果之间的模糊约束,作用于大多数而非全部记录上。AAC-Hunter首先枚举连接、分组和代数表达式来产生候选AAC,然后分别计算这些候选AAC的值域集合,最后输出AAC结果。但该方法无法应对海量数据带来的性能挑战,因此AAC-Hunter提出了一套启发式规则减小候选约束空间规模以及基于中间结果复用和消除平凡候选AAC的两个优化策略来加速候选AAC的值域集合计算。实验结果表明了对比不使用启发式规则和优化策略的基线算法,AAC-Hunter在TPC-H和European Soccer数据集上分别减小了95.68%和99.94%的约束发现空间,分别缩短了96.58%和92.51%的运行时间。可见AAC-Hunter具备有效性,能够提升审计应用的效率和能力。

Top-k近似否定约束的发现

现有的约束发现算法主要讨论了函数依赖或者条件函数依赖,忽略了实际的约束包含大小关系的语义问题。否定约束可以描述字段级和表级约束,除了相等与不等,还可以表示大于和小于的次序关系,因而具有极强的语义表达能力。提出一种Top-k近似否定约束的发现算法,可以快速地发现数据库中评估指标好的近似否定约束。实验表明,该算法在时间上明显快于在所有近似否定约束结果集上查找Top-k约束,得到的结果集在评价指标上与近似否定约束结果集上查找出来的Top-k相近。

利用链接发现技术侦测可疑账号交易信息

金融犯罪一般和账户的资金流动有着紧密的关系,特别是在洗钱活动中表现得尤为突出。目前,大多数的异常侦测系统采用的是传统知识发现方法,首先对数据集进行调查,形成感兴趣的假设,然后再设计分析方法来解决这些问题。但是,这往往有个弊端,对于一个新的应用领域,我们便很难得到那些我们未知或不熟悉的新型知识模式。为了弥补这一不足,本文利用基于约束非指导性链接发现技术,通过对目标节点进行约束性判断,再计算“兴趣度”和路径“作用值”来对外汇资金交易数据库进行自动分析,挖掘出用户感兴趣的交易信息,并最终为侦测外汇金融犯罪提供有利线索和决策依据。