بهبود کارایی الگوریتم های تشخیص تقلب مالیاتی با استفاده از الگوهای پردازش موازی

تقلب مالیاتی شامل طیف وسیعی از شیوه های کتمان حقایق، اظهار اطلاعات نادرست و انجام معاملات مالی خارج از چهارچوب های قانونی است. امروزه با گسترش سیستم های مالیاتی و حجم بالای داده های ذخیره شده در آن، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پالایش و پردازش کرده و اطلاعات و دانش مورد نظر را استخراج نمود. با توجه به سیاست های مالیاتی به ویژه در مالیات بر ارزش افزوده، نرخ تقلب مالیاتی رو به رشد است. اخیرا محققین از روش های مختلفی از قبیل قوانین همبستگی، خوشه بندی، شبکه های عصبی، درخت های تصمیم، شبکه های بیزین، رگرسیون و ژنتیک در جهت کشف تقلب مالیاتی استفاده کرده اند. ولی به دلیل حجم بالای داده های مالیاتی، اکثر الگوریتم ها در تشخیص تقلب، دارای زمان اجرای زیادی هستند. در ابتدا از الگوریتم Apriori که از قوانین همبستگی و مدل های یادگیری بدون ناظر است جهت کشف رفتارهای مشکوک متقلبین مالیاتی استفاده می شود و همچنین در مرحله بعد، یک سیستم تشخیص تقلب مالیاتی مبتنی بر شبکه های بیزین ارائه می شود و با توجه به کارایی پایین آن از نظر سرعت، کارایی آن با استفاده از تکنیک های پردازش موازی افزایش داده می شود. نتایج پیاده سازی بر روی پایگاه داده های مختلف مالیاتی نشان داد که با استفاده از الگوهای پردازش موازی، می توان کارایی برنامه های کشف تقلب های مالیاتی را به طور قابل ملاحظه ای بهبود بخشید.