基于托肯重演的并行结构过程模型修复方法

过程挖掘可以根据企业信息系统生成的事件日志建立业务过程模型。当实际业务过程发生变化时,过程模型与事件日志之间会产生偏差,这时需要对过程模型进行修正。对于含有并行结构的过程模型修复,由于加入自环和不可见变迁等因素,有些现有的修正方法的精度会降低。因此提出一种基于逻辑Petri网和托肯重演的并行结构过程模型修复方法。首先根据子模型的输入输出库所与日志的关系,确定子模型的插入位置;然后通过托肯重演的方式确定偏差所在位置;最后根据基于逻辑Petri网提出的方法进行过程模型的修复。在ProM平台上进行了仿真实验,验证了该方法的正确性和有效性,并与Fahland等方法进行对比分析。结果表明,所提方法的精度达到85%左右,相比Fahland、Goldratt方法分别提高了17和11个百分点;在简洁度方面该算法没有增加自环和不可见变迁,而Fahland和Goldratt方法均增加了不可见变迁和自环;三种方法的拟合度均在0.9以上,而Goldratt方法略低一些。以上证明用所提方法修正后的模型具有更高的拟合度和精度。     

基于BERT的多视角事件日志修复

在业务流程执行过程中,由于信息系统故障或者人工记录出错等问题导致事件日志中数据的丢失,从而产生缺失的事件日志,使用这种缺失日志会严重影响业务流程分析结果的质量。针对这种缺失日志的修复问题,现有的研究大部分仅从数据视角或者行为视角进行展开,很少从数据和行为相融合的视角开展事件日志的修复工作。提出了一种基于BERT模型的多视角事件日志修复方法。该方法利用双层BERT模型,从数据和行为融合的视角训练模型,通过BERT模型的预训练任务（masked attribute model,MAM）和（masked event model,MEM）以及Transformer编码块的注意力机制,捕获输入属性的双向语义信息和长期依赖关系,使用微调策略进行模型训练,以预测的形式修复事件日志中的缺失值。最后,通过公开可用的数据集进行评估分析,结果表明,该方法在修复事件日志方面表现良好。     

流程树切挖掘业务流程隐变迁的方法

隐变迁是指存在于事件日志中的不频繁行为,从流程模型中挖掘出隐变迁,提高流程运行效率和服务质量显得尤为重要。已有的方法大部分基于业务流程序列进行分析,但很少考虑跨序列间的关系,因此对挖掘业务流程隐变迁有一定的影响。提出流程树切挖掘业务流程隐变迁的方法,首先根据发生频数较高的日志序列得到初始模型,再根据流程树切预处理事件日志,把日志活动关系与初始模型关系进行对比,找到存在变化的区域,挖掘可能存在的隐变迁,通过评价指标判定带隐变迁的模型是最优模型,最后实例分析验证该方法的有效性。     

事件日志的批量迹与过程模型的多视角对齐方法

在业务过程发现的一致性检测中,现有事件日志与过程模型的多视角对齐方法一次只能获得一条迹与过程模型的最优对齐;并且最优对齐求解中的启发函数计算复杂,以致最优对齐的计算效率较低。为此,提出一种基于迹最小编辑距离的、事件日志的批量迹与过程模型的多视角对齐方法。首先选取事件日志中的多条迹组成批量迹,使用过程挖掘算法得到批量迹的日志模型;进而获取日志模型与过程模型的乘积模型及其变迁系统,即为批量迹的搜索空间;然后设计基于Petri网变迁序列集合与剩余迹的最小编辑距离的启发函数来加快A*算法;最后设计可调节数据和资源视角所占权重的多视角代价函数,在乘积模型的变迁系统上提出批量迹中每条迹与过程模型的多视角最优对齐方法。仿真实验结果表明,相比已有工作,在计算批量迹与过程模型间的多视角对齐时,所提方法占用更少的内存空间和使用更少的运行时间。该方法提高了最优对齐的启发函数计算速度,可以一次获得批量迹的所有最优对齐,进而提高了事件日志与过程模型的多视角对齐效率。     

基于接口变迁的交互流程模型挖掘方法

流程模型挖掘是基于系统运行记录下的事件日志来还原特征对应流程模型的技术。目前已有的挖掘方法多是基于由系统分解出的不同模块之间交互频繁且模块包含特征较少的场景。在挖掘包含较多特征、交互不频繁的流程模型方面,目前的方法存在一定的局限性。鉴于此,文中提出了基于接口变迁的交互流程模型挖掘方法。首先,利用现有的挖掘方法来挖掘模块内部的特征序,确定初始模块网;其次,遍历事件日志以查找疑似接口变迁;然后,通过挖掘特征网来确定接口变迁,并对接口变迁增加接口库所;最后,基于开放Petri网,利用合成网的观点将交互模块合成为一个完善的流程模型Petri网。通过实例分析,验证了该挖掘方法的有效性。     

一种基于后继任务的过程挖掘算法

过程挖掘的目标是从信息系统所记录的事件日志中重现过程模型.尽管信息系统会生成多种事件日志,但只有很少一部分的事件日志被应用于分析流程.提出一种基于后继任务的新型过程挖掘算法(χ 算法).该算法不仅能够直接从后继任务中挖掘出因果依赖关系,而且能够挖掘出潜在并发关系.其中,因果依赖关系包括显式依赖和隐式依赖(由非自由选择结构产生)两种.另外,χ 算法能够正确地挖掘SWF网、大部分带隐式依赖的非SWF网、一些非良好处理的工作流网和一些含有隐式库所的工作流网.因为χ 算法所使用的事件日志多出了一种新的事件类型———后继任务,所以χ 算法能够处理范围更广的工作流网.     

业务流程隐变迁的拟间接依赖挖掘方法

隐变迁存在于业务流程中,但在日志中未被记录,挖掘隐变迁能够还原模型并提高流程的运行效率。已有方法都是基于日志间直接依赖关系挖掘隐变迁,未考虑其间接依赖关系,具有一定的局限性。提出基于拟间接依赖关系挖掘隐变迁的方法,根据事件日志中活动间的轮廓关系构建初始模型,通过拟间接依赖关系表找出日志序列之间的约束体。利用整数线性规划方法,查找符合要求的拟间接关系变迁对,从而挖掘出拟间接关系变迁对中存在的隐变迁。将隐变迁融合到初始模型中,得到含有隐变迁的目标模型。通过具体的实例分析验证了该方法的有效性。     

数据库事务恢复日志和入侵响应模型研究

数据库日志记录数据元素的变迁历史,是维护数据库系统正确性和一致性的重要依据.现有的日志模式无法体现事务间依赖关系,系统在遭到恶意攻击时只得让所有数据元素恢复到出错点的状态,容忍入侵的能力差.提出一种新型的事务恢复日志模型,采用抽象状态机描述了日志生成规则和入侵响应模型,对事务之间的依赖关系进行了形式化的定义,并对入侵响应模型的完整性和正确性进行了分析.配置事务恢复日志和入侵响应机制的数据库系统在遭受攻击时,可以仅恢复受恶意事务影响的后继而无需回滚所有事务,从而提高了数据库系统的生存性.     

基于BERT和弱行为轮廓的可解释性事件日志修复方法

由异常值和缺失值导致的低质量事件日志在实际的业务流程中通常不可避免，低质量的事件日志会降低过程挖掘相关算法的性能，从而干扰决策的正确实施。在系统参考模型未知的条件下，现有方法在进行日志异常检测与修复工作中，存在需要人为设定阈值、不知预测模型学习何种行为约束以及修复结果可解释性较差的问题。采用遮掩策略的预训练语言模型BERT可以通过上下文信息自监督地学习文本中的通用语义，受此启发，提出了模型BERT4Log和弱行为轮廓理论，并结合多层多头注意力机制进行低质量事件日志的可解释修复。所提修复方法不需要预先设定阈值，仅需要进行一次自监督训练，同时该方法利用弱行为轮廓理论量化行为上的日志修复程度，并结合多层多头注意力机制实现对具体预测结果的详细解释。最后，在一组公开数据集上对方法性能进行评估，并与目前性能最优的研究进行对比分析，实验结果表明BERT4Log的修复性能整体优于对比方法，可以学习弱行为轮廓并实现修复结果的详细解释。     

基于増广Petri网生成受控日志

为减少冗余日志,降低事件约束不可控对算法评估及验证的影响,提出基于可达状态的随机选择生成受控日志的方法.利用増广Petri网为系统建立模型,依据模型中库所与变迁的结构关系及标识分布构建输入矩阵;基于Petri网可达状态分析方法,随机选择触发可发生变迁,记录变迁序列;对记录进行受控分析,拼装生成多重集事件日志和XES标准...