业务流程的时延预测队列挖掘方法

过程挖掘是针对流程信息系统所记录下的日志进行分析,将业务流程真实过程还原的技术。目前已有的方法多是基于控制流与数据流的观点,针对任务运行状态的,无时延的业务过程进行挖掘。但在挖掘存在多任务的有时延的业务进程方面,目前的方法存在一定局限性。提出基于队列挖掘优化过程模型的方法,首先利用现有的基于过程挖掘的方法,挖掘业务流程的初始模型。再运用队列挖掘的观点对特定的顾客进行时延预测,挖掘出顾客的行为信息,以此对初始流程模型进行优化。最后通过实例验证了所提出的优化挖掘方法的有效性,优化后的流程模型不仅对事件日志有很好的重放效果,并且能够反应出多类别的,且存在时延的业务流程中任务的行为信息。

基于Petri网行为轮廓从事件日志中挖掘隐变迁的方法

隐变迁是指一些存在于过程模型中,但没有出现在日志序列中的变迁。这样的变迁会大量存在于现实的模型中。从事件日志中寻找挖掘隐变迁的方法是过程挖掘技术的一个重要的难题。目前针对自由选择网有一些解决办法,但是对于复杂的过程模型有一定的局限性。本文提出了基于Petri网行为轮廓寻找隐变迁的方法。首先根据发生频率最高日志序列得出源模型,再根据剩余的日志序列一步步优化源模型从而找到隐变迁,最后通过评价指标来判定模型的合理性。

业务流程的时延预测多类型队列挖掘方法

过程挖掘是业务流程管理的核心内容之一。现有的方法多是基于控制流观点进行过程挖掘的,但是在挖掘存在时延的业务流程时,此方法存在一定的局限性。目前基于队列观点进行过程挖掘的方法,为挖掘存在时延的流程提供了定量分析的技术支持,但是在多类别队列挖掘方面存在不足。笔者针对G/M/s+M,D/M/c+M和M/M/1三种不同的队列类型提出不同的时延预测方法,并且将服务流程中不同的顾客类别对时延预测产生的影响考虑在内,对特定顾客进行基于队列长度的时延预测。同时提出了通过总结时延数据得到事件的行为信息,以此优化初始流程模型的方法。文章提出的多类别队列挖掘方法,针对目前队列挖掘方法在考虑多队列类型方面的不足进行了完善,同时能运用在优化流程模型方面。最后通过实例验证方法的有效性。

一种基于微服务架构的服务划分方法

对单体系统进行微服务划分能有效缓解单体架构中系统冗余、难以维护等问题,但是现有的微服务划分方法未能充分利用微服务架构的属性信息,导致服务划分结果的合理性不高。文中给出了一种基于微服务架构的服务划分方法。该方法通过系统服务与属性的关联信息来构建实体-属性关系图,然后结合微服务架构的特征信息与目标系统的需求信息制定服务划分规则,量化两类顶点之间的关联信息,生成实体-属性加权图,最后应用加权的GN算法自动地实现系统的微服务划分。实验结果表明,该方法在服务划分的时效性上有较大提升,并且生成的微服务划分方案在评估指标上的表现更好。

一种基于微服务的检察业务服务封装方法

微服务架构是一种新兴的服务架构风格,在处理复杂服务系统时表现出运行高效、部署灵活等特性,相较于单体式服务架构,能够提供更好的业务管理和服务支持。针对检察院复杂的办案业务,需要对服务进行组合封装,形成新的增值服务以满足用户需求。但是,单独进行服务质量驱动的服务封装不能满足检察业务的需求,因此,结合服务功能和服务质量,提出了微服务架构下图规划算法的改进方法(Improved Graphplan Under MicroService Architecture,IGMA)。该方法首先对服务、用户请求建立数学模型,其次综合服务的功能需求和非功能需求,在不同案件类型下为用户提供多种组合方案,最后建立服务工作流,完成案件服务封装。该方法能够智能判断服务组合结构中的分支结构,并对不同的分支结构建立不同的组合方案。实验结果表明,该方法在服务封装的时效性和准确性上有了较大的提升。

基于权值多样性的半监督分类算法

在实际生活中,可以很容易地获得大量系统数据样本,却只能获得很小一部分的准确标签。为了获得更好的分类学习模型,引入半监督学习的处理方式,对基于未标注数据强化集成多样性(UDEED)算法进行改进,提出了UDEED+——一种基于权值多样性的半监督分类算法。UDEED+主要的思路是在基学习器对未标注数据的预测分歧的基础上提出权值多样性损失,通过引入基学习器权值的余弦相似度来表示基学习器之间的分歧,并且从损失函数的不同角度充分扩展模型的多样性,使用未标注数据在模型训练过程中鼓励集成学习器的多样性的表示,以此达到提升分类学习模型性能和泛化性的目的。在8个UCI公开数据集上,与UDEED算法、S4VM(Safe Semi-Supervised Support Vector Machine)和SSWL(Semi-Supervised Weak-Label)半监督算法进行了对比,相较于UDEED算法,UDEED+在正确率和F1分数上分别提升了1.4个百分点和1.1个百分点;相较于S4VM,UDEED+在正确率和F1分数上分别提升了1.3个百分点和3.1个百分点;相较于SSWL,UDEED+在正确率和F1分数上分别提升了0.7个百分点和1.5个百分点。实验结果表明,权值多样性的提升可以改善UDEED+算法的分类性能,验证了其对所提算法UDEED+的分类性能提升的正向效果。