基于行为轮廓的模块化流程模型修复方法

模型修复是业务流程领域中新的优化方法.为了让流程模型对系统的描述更加准确,使模型修复方法系统化,且进一步降低成本,减少以往修复算法的迭代次数和时间复杂度,可运用基于行为轮廓的模块化修复新方法,由分解、过滤、选择、修复、组合五个模块构成.首先,使用极大分解算法对模型进行分解,使流程模型呈片段状,便于筛选出问题片段;然后,使用过滤算法对所有片段进行线性过滤从而缩短通过行为轮廓来选择劣子模型的时间,再使用感应挖掘算法对劣子模型进行修复;接着,再对修复后的劣子模型和优子模型进行组合,从而使得修复后的模型能够重放事件日志,且能够与原始模型尽可能保持行为相似性,最后通过实验分析验证了所提方法的可行性.     

一种基于可达标识的过程模型修复方法

模型修复是一种基于模型增强的过程挖掘的应用技术,现有的模型修复方法大多是以拟合度为主要指标,对于其他维度,诸如精确度,考虑较少。基于此,本文试图综合考虑多个维度,来对过程模型进行修复。校准能够对事件日志进行重演,发现各类偏差,即日志动作和模型动作,却无法确定偏差在Petri网中出现的位置。因此,基于Petri网的可达标识,提出了扩展校准的概念,这样便能确定偏差的位置。进一步地,针对扩展校准中出现的日志动作提出了RMR(Reachable Marking Repaining)算法进行修复。最后,通过实验证明修复算法在拟合度和精确度上均有较好的表现。     

基于全局最优对齐的业务流程偏差分析

快速发展的业务环境下流程模型可能存在偏差,但是模型的偏差会影响基于模型的分析结果,因此通过对齐将观测行为与模型行为相结合是十分必要的.已有的对齐分析方法对于等低成本的对齐没有考虑全局因素直接进行随机选择,同时对于不一致的行为没有提供有针对性的修复方案.本文提出了一种基于全局最优对齐的业务流程偏差分析方法.首先,通过严重成本函数获取每条迹的最优对齐;其次,利用全局最优思想确定最优对齐多重集,并挖掘出日志行为与模型行为间的偏差;然后,通过实例分析显示该方法的有效性,并在最后结合实例的对齐多重集,采用两种可视化方式综合显示偏差详细信息并提出修复方案.     

基于通信行为轮廓的手机充值流程挖掘方法

基于通信行为轮廓的流程挖掘方法对流程进行建模.根据子系统的事件日志,利用已有的挖掘方法挖掘出相应的视图模型;基于系统日志的通信行为轮廓设计出特征网,并将特征网与视图模型进行合并得到开放Petri网;通过映射将其转化为一个流程Petri网模型,通过服从度验证模型的合理性;通过具体的手机充值系统,进行模型挖掘.     

基于子组行为关系的过程模型修复

提出基于子组行为关系的模型修复方法.依据必要事件保序对日志进行过滤,将日志与模型分解成子组日志和模型子块;基于最优对齐提取子组日志中不拟合的子日志,分析子日志活动间行为关系;对于增加、删除的行为关系,在子块中插入、删除活动及相应的弧和库所;对于发生变化行为关系,在子块中改变相应的弧以支撑新行为.     

医疗急诊流程挖掘与模型改进

基于流程挖掘中的α算法和流程挖掘平台ProM(process miner),将医疗急诊流程的事件日志转化为Petri网模型,并将其与医疗急诊日志及实际流程对比分析。由于α算法的局限性,对于一些复杂结构,可能会导致错误的挖掘流程。基于逻辑Petri网,给出了一种挖掘模型的改进方法,利用逻辑变迁来避免选择结构,并进行医疗急诊流程的二次建模,进而保证构建的流程模型与实际流程保持一致。     

一种基于校准的模型问题域识别方法

以Petri网作为描述流程模型的形式化方法,利用工作流的四种基本结构描述流程中活动之间的关系;结合流程模型质量维度中的拟合度、简化度、精确度和泛化度,给出了流程模型中执行序列与事件日志中迹的校准方法。通过所提出的校准动作序列与流程模型的映射方法,可以识别流程模型的问题域。通过网上购物的实例验证了方法的有效性和实用性。     

面向不稳定日志的一致性异常检测方法

系统日志被用作系统异常检测的主要数据源.现有的日志异常检测方法主要利用从历史日志中提取的日志事件数据构建检测模型，即假设日志数据随时间的推移其分布规律具有稳定性.然而，在实践中，日志数据往往包含以前未出现过的事件或序列.这种不稳定性有两种来源：1）日志发生了概念漂移；2）日志处理过程中引入了噪声.为缓解日志中出现的不稳定问题，设计了基于置信度协同多种算法的异常检测模型EBCAD（Ensemble-Based Conformal Anomaly Detection）.首先，用统计量p值度量日志之间的不一致性，选择多个合适的集成算法作为不一致性度量函数计算不一致性得分进行协同检测；然后，设计了基于置信度的更新机制来缓解日志不稳定问题，将新日志的不一致性得分添加到已有得分集，更新日志异常检测的经验；最后，根据协同检测得到的置信度与预设置信水平大小来判断不稳定日志是否异常.实验结果表明，在HDFS日志数据集中，当不稳定数据注入率从5%增加到20%时，EBCAD模型的F1值仅从0.996降低到0.985；在BGL_100K日志数据集中，当不稳定数据注入率从5%增加到20%时，EBCAD的F1值仅从0.71降低到0.613.证明EBCAD在不稳定日志中可以有效检测到异常.     

基于时间卷积网络的业务流程预测监控

业务流程预测监控是过程挖掘和业务流程管理中的重要研究方向之一,在业务流程管理中事先预知运行流程未来发生的事件有很重要的意义.作为预测分析的一种应用,业务流程预测主要是利用从历史事件日志中学习的模型来预测正在运行的流程中将要发生的事件及其对应属性.基于深度学习的业务流程预测方法已经成为主流方法,主要有循环神经网络和卷积神经网络.针对循环神经网络和卷积神经网络的局限,提出一种基于时间卷积网络的业务流程预测方法,通过空洞卷积和因果卷积学习更长序列,并将业务流程中的事件及其属性都作为输入,在业务流程的执行场景中预测流程的下一个事件和剩余流程.通过3个真实生活事件日志数据集上的实验表明:对于预测下一事件任务和预测剩余流程任务时间卷积网络都有一定提升.     

基于扩展足迹矩阵的一致性检测

一致性检测是过程挖掘研究的重要内容,现有的一致性检测方法不足以找到准确的偏差位置。本文以Petri网作为描述过程模型的形式化方法,根据基于日志的次序关系重新定义了一种基于日志的扩展次序关系,并以此定义了基于日志的扩展足迹矩阵和基于模型的扩展足迹矩阵。通过对比两个扩展足迹矩阵得到日志和模型之间精准的偏差位置。最后,通过索赔申请处理的实例验证了方法的有效性。