在我国反洗钱领域,人民银行会定期对证券公司的交易数据进行稽查,要求公司上报洗钱交易数据。人民银行发掘真实洗钱数据并且与公司上报数据进行比对,如果公司存在漏报、误报的情况,则进行大额罚金处罚。其中,股票交易数据属于结构化数据,存储在关系型数据库中。由于表结构复杂,表与表之间关系繁多,可疑数据难以准确定位。因此,证券公司需要构造数据对自身交易合规监控软件进行测试。当前,测试数据通过反洗钱专员根据反洗钱规则进行人工构造,存在难以建模、难以泛化、覆盖率不足等问题。本文依托于人民银行的反洗钱监管背景,根据相关证券公司真实需求,设计并实现了基于反洗钱规则的结构化测试数据生成系统,以期取代人工构造测试数据的模式。该系统的解决方案分为四个方面:第一,利用自然语言处理技术,对用户自定义的反洗钱规则文本进行关键参数抽取,进行自动化建模;第二,为用户提供关键参数选择功能,无需重构代码,提高数据生成的泛化性;第三,利用参数化组合规则技术,通过逐参数扩展算法生成规则集合,保证测试数据全覆盖;第四,对生成数据进行结果分析,保证测试数据质量。系统划分为参数化组合规则模块、数据生成模块、结果分析模块和数据管理模块。系统的服务端基于Django REST Framework框架进行设计,支持用户自定义反洗钱规则文本和组合参数。数据生成方面,系统采用Celery和Redis消息队列对数据生成任务进行异步调度。最后,将生成数据存储在My SQL数据库中,以供结果分析模块和数据管理模块进行展示与操作。实验案例证明,本系统能在合理时间内生成高质量、全覆盖的测试数据,可以对证券公司的交易合规监控软件进行全面测试,提高软件对洗钱数据检测的准确率。