بهبود کارایی الگوریتم‌های تشخیص تقلب مالیاتی با استفاده از الگوهای پردازش موازی‌

چکیده تقلب مالیاتی شامل طیف وسیعی از شیوه‌های کتمان حقایق، اظهار اطلاعات نادرست و انجام معاملات مالی خارج از چهارچوب­های قانونی است. امروزه با گسترش سیستم­های مالیاتی و حجم بالای داده­های ذخیره شده در آن، نیاز به ابزاری است تا بتوان داده­های ذخیره شده را پالایش و پردازش کرده و اطلاعات و دانش مورد نظر را استخراج نمود. با توجه به سیاست­های مالیاتی به­ویژه در مالیات بر ارزش افزوده، نرخ تقلب مالیاتی رو به رشد است. اخیراً محققین از روش­های مختلفی از قبیل قوانین همبستگی، خوشه­بندی، شبکه­های عصبی، درخت­های تصمیم، شبکه­های بیزین، رگرسیون و ژنتیک در جهت کشف تقلب مالیاتی استفاده کرده­اند. ولی به دلیل حجم بالای داده­های مالیاتی، اکثر الگوریتم­ها در تشخیص تقلب، دارای زمان اجرای زیادی هستند. در ابتدا از الگوریتم Apriori که از قوانین همبستگی و مدل­های یادگیری بدون ناظر است جهت کشف رفتارهای مشکوک متقلبین مالیاتی استفاده می­شود و همچنین در مرحله بعد، یک سیستم تشخیص تقلب مالیاتی مبتنی بر شبکه­های بیزین ارائه می­شود و با توجه به کارایی پایین آن از نظر سرعت، کارایی آن با استفاده از تکنیک­های پردازش موازی­ افزایش داده می­شود. نتایج پیاده­سازی بر روی پایگاه داده­های مختلف مالیاتی نشان داد که با استفاده از الگوهای پردازش موازی، می­توان کارایی برنامه­های کشف تقلب­های مالیاتی را به­طور قابل ملاحظه­ای بهبود بخشید.