关键活动节点处的在线近似一致性检测

为校验事件流与模型之间的服从性，节约资源和提高检测效率，提出一种不需要构建模型的近似检测方法。对已有的日志进行聚类，选取代表性的迹构建模型支集，计算适合度上下界作为一致性的判断依据。系统在线运行过程中，将事件流暂存于事件堆栈，在关键活动节点处取出序列，进行与模型支集之间的一致性检测。通过实际案例对提出方法进行性能评估，并与其它方法进行对比，结果验证了算法的可行性，其具有较高的准确率。     

过程挖掘中增强活动依赖的最优对齐算法

一致性检验是过程挖掘领域中检验日志与模型之间偏差的有效方法，对齐是众多先进方法之一。现阶段最优对齐的成本计算大多只与对齐中移动个数保持相关，缺乏对单一活动成本的考虑。因此，提出一种增强活动依赖的最优对齐加权计算方法。基于动态规划求解日志与模型之间的序列对齐；统计合法移动信息，差异化活动及移动类别的成本进行依赖增强；依据对齐成本加权计算方法计算最优对齐并以Java应用的形式对以上方法进行实现。实验利用一个常规化模型及其部分日志对方法的可行性及有效性进行了验证。     

MARL-GPN:一种基于多智能体强化学习的博弈Petri网

作为过程挖掘中的一个重要研究分支，变化挖掘可运用在系统安全分析、IPS安全建设等场景下，从变化域的生成情况判断可能存在的未知漏洞。而传统变化挖掘算法更注重业务流程的安全性，无法满足在动态博弈场景下挖掘需要考虑多方安全效益所形成有效变化域的情况。针对此问题，提出一种基于多智能体强化学习的博弈Petri网(MARL-GPN),以专用于动态安全模型的有效变化域研究。该新型的博弈Petri网会首先根据攻防事件构建效益矩阵，然后各智能体间会根据对方当前状态与下一步走势生成最优应对策略，其次在指定学习周期下达成纳什平衡得到双方最优活动迹，与传统变化挖掘进行比对即可得到有效变化域。最后以典型信息安全事件为例验证了该模型的可行性。     

基于服从性的协作流程变化域传播分析

针对协作流程间变化传播问题，已有研究主要集中在相似流程之间进行变化传播并确定相应目标变化域，但是很少关注流程模型服从性变化对协作流程会产生怎样的变化。该文提出基于服从性的协作流程变化域传播分析方法。根据随机编排模型算法，生成随机编排模型，并推导出公共模型和私有模型；通过互连所有公共模型来构建协作模型，分析不同级别的服从性发生变化是如何在协作模型中传播的通过模型之间的映射关系发现相关流程的变化域。最后根据实例验证方法的可行性。     

基于行为轮廓矩阵增强的业务流程结果预测方法

预测性过程监控依赖于预测效果,针对如何增强预测性过程监控预测效果的问题,提出了一种基于行为轮廓矩阵增强的业务流程结果预测方法。首先,通过分析活动间的行为关系提取行为轮廓矩阵,并将其与事件序列一同输入到模型中。随后,结合卷积神经网络（CNN）和长短期记忆网络（LSTM）分别学习矩阵图像特征和序列特征。最后,引入注意力机制以整合图像特征和序列特征进行预测。通过真实事件日志进行验证,在预测事件日志结果方面,提出的增强方法对比基准的LSTM预测方法提高了预测效果,验证了方法的可行性。该方法结合行为轮廓矩阵增强了预测模型对事件日志中行为之间关系的理解,进而提升了预测效果。