一种财务数据处理系统

技术领域

本发明属于数据处理技术领域，具体涉及一种财务数据处理系统。

背景技术

随着企业信息化建设的不断深入，企业在巨量投入过程中，往往重功能实现，轻防护措施，从而导致信息安全事件频发。如：用户信息泄露，被盗取，导致用户对软件提供商满意度大打折扣。近年来，从国家到地方，各级政府、行业主管部门对各企事业单位的信息安全要求不断加强，相关政策法规不断出台，使得各单位员工逐渐加强了安全意识，企业也需要加大安全建设投入。

随着科技的飞速发展，网络已经悄然嵌入我们生活的各个细节，E-mail、网络游戏、开网络商店、加入各种论坛、使用各种聊天工具等等，如此众多的参与项目往往都需要对个人的身份进行识别，因此对应的账号、密码是必不可少的。伴随着网络黑手和黑客技术的日趋增多及种种网络弊端的渐渐浮现，账号被盗问题层出不穷。虽然针对此类问题很多机构都做出了很大的努力和改善，但密码账号在黑客面前依旧表现得如此脆弱，网络账号的安全性迫在眉睫。

发明内容

本发明的目的是克服现有网络数据不安全，网络账户不安全或者非本人登录所造成的安全问题的问题与缺陷，提供一种财务数据处理系统，能保证数据在传输过程中的安全，进一步地能够保证账户的安全，更进一步地，根据账户的特性能快速对财务数据进行处理分析。

为实现以上目的，本发明的技术方案如下：

一种财务数据处理系统，包括：

客户端，数据加密解密模块，存储云模块，数据分析模块，数据分类模块；

所述的客户端用于获取用户身份信息，并对用户身份信息进行核实，用户通过客户端填写相关财务数据或发出请求指令或接受信息反馈；

所述的数据加密解密模块用于对数据进行加密解密并绑定客户端的特征信息；

所述的存储云模块用于将加密后的数据进行储存，并对上传至客户端的数据进行加密；

所述的数据分析模块用于对加密后的数据进行解密和分析判断；

所述的数据分类模块用于根据数据属性进行归类汇总。

所述客户端的特征信息为电脑IP地址或电脑MAC地址或移动设备识别号。

所述客户端的特征信息还绑定用户的经营范围数据。

所述的数据加密解密模块中加密方法为数据压缩加密。

所述数据分析模块包括解码模块和数据整理模块，所述解码模块用于将加密的数据进行解密可读化，所述的数据整理模块用于数据格式统一化。

所述数据分类模块包括样本集创建模块，训练模块，验证模块，迭代模块；

所述的样本集创建模块，用于根据所述数据类型和待训练的类别，从所述分类样本库中获取对应的数据，以创建所述机器学习模型的训练集和验证集；

训练模块，用于根据所述训练集，对所述机器学习模型进行并行训练；

验证模块，用于根据所述验证集，对训练后的机器学习模型进行并行验证，并统计验证结果，得到统计结果；

迭代模块，根据验证模块得到的统计结果和新机器学习模型来更新训练模块中的机器学习模块，得到训练模块中更加准确的机器学习模型。

与现有技术相比，本发明的有益效果为：

1.本发明中通过数据加密模块解决数据安全的问题，数据加密一方面保证了数据的安全，另一方面通过压缩加密的方法减小了数据存储量，方便整个系统能够加载更多财务数据。

2.本发明中还有存储云模块，存储云模块一方面减少了设备建设的成本，另一方面方便数据备份，提高了数据安全性，同时也方便数据的备份溯源。

3.本发明中在数据加密的同时还增加了客户端特征信息，特征信息为电脑IP地址或电脑MAC地址或移动设备识别号，这些特征信息是客户端的唯一识别码，不容易被伪造或篡改，当登录发生数据请求过程中无法识别到特征信息与以前常用特征信息不一致时，会马上通知客户并拦截所有请求指令。通过增加客户端特征信息的方法保证了用户账户安全问题，避免账号被盗后，用户的数据泄露。

4.本发明中在客户端的特征信息还绑定了用户的经营范围数据。其中用户的经营范围数据用于后面数据分类模块中数据分类，通过经营范围的筛选，数据被系统进行分类比人工分类速度快，能够实现数据输入后马上得到分类信息。

5.本发明中数据分析模块中包括数据整理模块，数据整理模块用于数据格式统一化，数据格式统一化有助于数据识别及有效数据快速提取。

6.本发明中数据分类模块包括样本集创建模块，训练模块，验证模块，迭代模块，其中样本集创建模块用于创建机器学习模型，训练模块对数据的筛选，验证模块为对筛选结果的统计验证，迭代模块是根据验证模块得到一些统计数据，帮助机器学习模型更加完善，提高机器学习模型的正确性。其中机器学习模型选择是根据用户的经营范围数据来进行筛选，不同的经营范围的企业对应不同的机器学习模型，根据经营范围建立机器学习模型能够快速进行分类。

7.本发明使用SaaS模式，用户无需购买软硬件、建设机房、招聘IT人员、甚至无需招聘财务人员，即可通过互联网使用，完成一个公司的财务记账处理等活动。

附图说明

图1为本发明中的财务数据处理系统结构示意图；

图2为本发明中的数据分类模块结构示意图；

图3为本发明中的数据分类模块结构示意图。

具体实施方式

下面结合附图说明和具体实施方式对本发明作进一步详细的说明。

参见图1，图2和图3，一种财务数据处理系统，包括：

客户端，数据加密模块，存储云模块，数据分析模块，数据分类模块；

所述的客户端用于获取用户身份信息，并对用户身份信息进行核实，用户通过客户端填写相关财务数据或发出请求指令或接受信息反馈；

其中所述的财务数据为包括但不限于有购买方信息，销售方信息，货物或服务名称或交易明细，交易金额，所缴纳税额信息；

所述的请求信息包括但不限于数据查看，数据下载，数据上传，数据汇总，图形选择，数据报错，数据修改；

所述的数据加密解密模块用于对数据进行加密解密并绑定客户端的特征信息；

所述的数据加密方法包括但不限于压缩加密，哈希加密，主要是为减小数据大小，便于数据传输与存储。

所述客户端的特征信息为电脑IP地址或电脑MAC地址或移动设备识别号；

所述的电脑IP地址它为互联网上的每一个网络和每一台主机分配一个逻辑地址，以此来屏蔽物理地址的差异。

所述的MAC地址是也叫物理地址、硬件地址，由网络设备制造商生产时烧录在网卡的EPROM，一个用来确认网络设备位置的地址。

所述的移动设备识别码是由15位数字组成的“电子串号”，它与每台手机一一对应，而且该码是全世界唯一的。

这些特征信息是客户端的唯一性特征，有助于后期数据识别及账号安全的使用。

用户用客户端登录系统界面，若用户所使用的客户端为系统登记过的常用客户端，则用户登录一切正常，能正常的填写财务数据或发出请求指令；

若用户所使用的客户端为陌生客户端或非系统登记过的客户端，则会登录失败并通过短信或电话的形式通知用户情况，看是否被盗号或重新备注为常用客户端。

所述客户端的特征信息还绑定用户的经营范围数据。

所述的经营范围是指国家允许生产和经营的商品类别、品种及服务项目，反应企业业务活动的内容和生产经营方向，是企业业务活动范围的法律界限，体现企业民事权利能力和行为能力的核心内容。

例如互联网科技类公司的经营范围包含但不限于网络通信科技产品领域内的技术开发、技术咨询、技术转让、技术服务，计算机网络工程，计算机软件开发及维护，计算机辅助设备的安装及维修，电子产品的安装和销售，计算机及相关产品等；

建筑类公司的经营范围包含但不限于施工总承包，专业承包，劳务分包，建筑装饰工程，景观工程，机电设备安装工程，安防工程，土方石工程；建筑装饰材料，环保设备，金属材料，木材及制品，防水材料，机电设备，花卉盆景，水泵阀门，流体控制成套设备及配制的销售等。

所述的存储云模块用于将加密后的数据进行储存，并对上传至客户端的数据进行加密；

所述的存储云是一种网上在线存储的模式，即把数据存放在通常第三方托管的到虚拟服务器，而非专属的服务器上，这样子减少系统建设成本。

所述的数据分析模块用于对加密后的数据进行解密和分析判断；

所述的数据分类模块用于根据数据属性进行归类汇总。

所述的数据加密模块中加密方法为数据压缩加密。

所述数据分析模块包括解码模块和数据整理模块，所述解码模块用于将加密的数据进行解密可读化，所述的数据整理模块用于数据格式统一化。数据格式统一化是为了方便提取财务数据信息，方便根据关键词进行识别。

所述数据分类模块包括样本集创建模块，训练模块，验证模块，迭代模块；

所述的样本集创建模块，用于根据所述数据类型和待训练的类别，从所述分类样本库中获取对应的数据，以创建所述机器学习模型的训练集和验证集；

其中，机器学习模型是基于机器学习的算法模型，在训练完成后可以对特定数据类型的数据进行分类。机器学习模型可以是基于神经网络的模型，也可以是基于决策树的模型，也可以基于朴素贝叶斯的模型。数据类型是根据用户的特征信息和/或用户所要类别条目能够得到的数据类别，待训练的类型是机器学习模型训练后需要输出的各个类别。

可以通过用户上传机器学习模型的方式获取到所述机器学习模型，或者是根据用户指定的机器学习模型的模型信息获取到所述机器学习模型，例如，根据用户指定的机器学习模型的模型标识及版本信息从机器学习模型的存储位置获取到对应的机器学习模型。

针对某个需要进行训练的机器学习模型，可以是建立的机器学习模型，也可以是需要进行版本更新的机器学习模型。新建立的机器学习模型中的模型参数需要经过训练调整确定。

训练模块，用于根据所述训练集，对所述机器学习模型进行并行训练；

验证模块，用于根据所述验证集，对训练后的机器学习模型进行并行验证，并统计验证结果，得到统计结果；

根据用户给出的数据类型和待训练的类别，可以在分类样本库中获取对应的样本数据，并根据训练集需要的样本数据和验证集需要的样本数量，从获取到的样本数据中获取所述训练集需要的样本数量的样本数据，作为训练集，再从获取到的样本数据获取所述验证集需要的样本数量的样本数据，作为验证集。例如，对于需要增加新的分类时，获取属于该新的分类的样本及其他已有分类的样本，组成样本集合，从该样本集合中抽取复合训练集需要的样本数量的样本数据作为训练集，从样本几个中剩余的样本中抽取复合验证集需要的样本数量的样本数据作为验证集。

其中，训练集是用来对机器学习模型进行训练的，通过学习匹配一些模型参数来建立一个或多个分类。验证集是用来对根据训练集训练后的机器学习模型进行验证的，以确定训练后的机器学习模型的准确率、精确率和召回率。

其中格式统一化的数据源插入到数据分类模块中样本集创建模块中，数据源的标识可以是客户端的特征标识，数据源的标识就代表该用户公司的经营范围。数据源内的各个数据由于被格式统一化了，所以各个数据都是有相对应的标识。例如统一格式如下：

包含但不限于购买方信息，销售方信息，货物或服务名称或交易明细，交易金额，所缴纳税信息；

数据A的标识为购买方，数据B的标识为销售方，数据C的标识为交易内容，数据D的标识为交易时间，数据E的标识为交易金额，数据F的标识为交易税率，数据G的标识为税额。

其中，样本集创建模块中数据源可以是需要输入到训练模块中被机械学习的数据源，而通过机器学习的数据源进行出后，输出的结果需要放入验证模块中进行验证。

机器学习主要的快速将财务数据进行分类，分类项包括但不限于进项数据，销项数据，其它支出数据，其它收入数据，工资，保险，所缴纳税费；

所述的需要被分类的数据源放入到训练集中，训练集中机器程序识别各个数据标识，然后将数据分为包括但不限于进项数据，销项数据，其它支出数据，其它收入数据，工资，保险，所缴纳税费。

迭代模块，根据验证模块得到的统计结果和新机器学习模型来更新训练模块中的机器学习模块，得到训练模块中更加准确的机器学习模型。

针对已有的机器学习模型，在用户有新的需求时，需要对已有的机器学习模型进行版本更新，比如需要添加新的类别或者是准确率不满足需求时，需要对机器学习模型进行训练，从而对机器学习模型中的模型参数进行调整，以使其，已使其满足新的需求，得到新版本的机器学习模型。