Efficient Deviation Detection Between a Process Model and Event Logs

Business processes described by formal or semi-formal models are realized via information systems.Event logs generated from these systems are probably not consistent with the existing models due to insufficient design of the information system or the system upgrade.By comparing an existing process model with event logs,we can detect inconsistencies called deviations,verify and extend the business process model,and accordingly improve the business process.In this paper,some abnormal activities in business processes are formally defined based on Petri nets.An efficient approach to detect deviations between the process model and event logs is proposed.Then,business process models are revised when abnormal activities exist.A clinical process in a healthcare information system is used as a case study to illustrate our work.Experimental results show the effectiveness and efficiency of the proposed approach.

基于约束轨迹聚类的事件日志批量修复方法

企业业务运行过程中会产生大量的事件日志,事件日志是业务过程挖掘、监控和优化的基础和保障。然而,原始的事件日志由于缺乏结构及过于灵活导致难以直接应用于过程挖掘,对事件日志进行修复势在必行。现有日志修复方法需要结合过程模型逐条检查轨迹,并对各类异常行为采用不同策略进行修复,导致修复效率低下、适用性不强。针对上述问题,利用轨迹聚类方法,结合文本相似度指标,提出一种基于约束轨迹聚类的批量日志修复方法。该方法通过对轨迹聚类的每个步骤施加约束条件,使得单个簇包含作为簇中心的拟合轨迹以及与该拟合轨迹相似的异常轨迹,且中心轨迹即为异常轨迹的修复结果。该方法不但无需分析异常行为,直接获得修复后的拟合轨迹,而且实现了对于异常轨迹的批量修复。实验表明,该方法在脱离过程模型并保证高修复准确率的前提下,能够在噪音过滤之后,有效且高效地对事件日志进行批量修复。

基于BERT+CNN_BiLSTM的列控车载设备故障诊断

列控车载设备作为列车运行控制系统核心设备,在高速列车运行过程中发挥着重要作用。目前,其故障诊断仅依赖于现场作业人员经验,诊断效率相对较低。为了实现列控车载设备故障自动诊断并提高诊断效率,提出了BERT+CNN_BiLSTM故障诊断模型。首先,使用来自变换器的双向编码器表征量(Bidirectional encoder representations from transformers,BERT)模型将应用事件日志(Application event log,AElog)转换为计算机能够识别的可以挖掘语义信息的文本向量表示。其次,分别利用卷积神经网络(Convolutional neural network,CNN)和双向长短时记忆网络(Bidirectional long short-term memory,BiLSTM)提取故障特征并进行组合,从而增强空间和时序能力。最后,利用Softmax实现列控车载设备的故障分类与诊断。实验中,选取一列实际运行的列车为研究对象,以运行过程中产生的AElog日志作为实验数据来验证BERT+CNN_BiLSTM模型的性能。与传统机器学习算法、BERT+BiLSTM模型和BERT+CNN模型相比,BERT+CNN_BiLSTM模型的准确率、召回率和F1分别为92.27%、91.03%和91.64%,表明该模型在高速列车控制系统故障诊断中性能优良。

基于事件日志的业务过程控制流异常检测算法:现状与评测

在业务过程的执行过程中,各个视角都可能出现异常,如控制流异常、时间异常、数据流异常等。控制流是业务过程的主干,控制流的异常通常也隐含其他视角发生了异常,因此控制流异常的检测对于业务过程的正确执行具有关键性作用。近年来,越来越多的研究基于业务过程的事件日志检测控制流异常,针对这些检测方法,进行了分类和总结。此外,对典型的控制流检测方法进行实验,并分析实验结果,总结各种检测方法的优缺点及其适用场景,以帮助业务过程分析人员根据特定的场景选择合适的检测方法。

基于活动次序决策树的业务过程合规性检查方法

针对现有方法判断轨迹合规情况效率较低的问题,提出了一种基于活动次序决策树检查业务过程合规性的方法,并对该树进行剪枝处理以提高检测效率。首先,访问事件日志中完全拟合的轨迹,按照活动次序分别记录下每个活动的可取值,构建一棵以活动次序为属性的决策树;然后,为了减小决策树的结构规模提高判断效率,在尽量保证准确率的同时,对决策树进行剪枝,并对测试集中轨迹的拟合情况进行判断;最后,分别以地震应急流程及真实事件案例为数据集进行仿真实验。相较基于字符串距离度量方法和经典对齐方法,该算法显著提高了业务过程合规性检查效率,基于真实事件案例实验结果,进一步说明了该方法在进行业务过程合规性检查时的可行性和优越性。

面向紧邻关系重发现的事件日志采样方法及其应用

事件日志采样作为近年来流程挖掘领域一个新的研究热点,旨在提高流程挖掘任务的效率,如模型发现、合规性检查、流程预测等。然而目前已有的采样方法不能很好地保证挖掘模型的质量,且针对大规模事件日志的采样效率低。任务紧邻关系作为事件日志中行为描述的基本单元,在各类流程挖掘任务中起到了关键作用。鉴于此,提出了一个通用的面向紧邻关系重发现的事件日志采样方法,该方法可保证紧邻关系的重发现性。为了验证该采样方法的有效性,将其应用于提高已有模型挖掘算法的效率,为了对挖掘模型质量定量评估,提出了基于流程树的模型相似度方法。所提出的采样方法已在开源流程挖掘工具平台ProM6和PM4PY实现,基于12个公开事件日志数据集,将所提出的面向紧邻关系重发现的采样方法与已有方法从模型挖掘质量方面进行了定量比较,实验结果表明所提方法可以在保证模型质量的前提下,大幅提高模型发现效率。

面向行为不变性的事件日志采样方法

信息系统在执行过程中收集了大量的业务流程事件日志,模型发现旨在从事件日志的行为信息中发现流程模型为业务流程理解和改进提供事实依据。直接跟随活动关系(DF)作为事件日志中最基本的行为信息是模型发现算法的基础。根据是否考虑日志的DF频次特征,将已有模型发现算法分为考虑频次和不考虑频次两类。已有面向模型发现的日志采样方法注重于提高模型发现的效率,却损失了事件日志中DF频次信息,得到的样本日志在使用基于DF频次的模型发现算法时改变了原始日志的行为。因此,针对基于DF频次的模型发现算法,提出一种面向行为不变性的日志采样方法,具体而言,该方法包括通过按比率选取轨迹变体及频次、计算轨迹的DF权重和基于集合覆盖采样三个阶段,使得样本日志包含的行为信息与原始日志一致。通过公开事件日志数据集上的实验分析表明,与已有的日志采样方法比较本文方法得到的样本日志能更准确地保留原始日志中的DF频次信息,从而确保更高的模型挖掘质量。

一种面向无标记事件日志的案例识别方法

流程挖掘旨在从事件日志中提取有用信息,从而发现、监控和改进实际的业务流程。大部分流程挖掘技术依赖于标准化的事件日志,即事件日志中的每个事件对应于一个案例。然而,已有的流程挖掘技术无法处理案例属性缺失的事件日志,即无标记事件日志。针对这个领域难题,提出一种面向无标记事件日志的案例识别方法。该方法首先根据关联规则从无标记事件日志中挖掘活动间的依赖程度,从而挖掘活动间的依赖关系;其次,根据活动间的依赖关系,挖掘活动间可能的活动关系,即并发关系、互斥关系和循环关系;最后提出一种案例识别算法对无标记事件日志进行案例识别,得到带有标记的事件日志。所提无标记事件日志案例识别方法已在开源平台ProM工具中实现。基于仿真日志数据集和真实日志数据集,验证了所提方法的有效性,通过与当前领域内最优方法进行定量比较,进一步验证了所提方法的优势。

一种基于多特征的日志事件异常检测方法研究

随着计算机系统规模增大、系统复杂性增加和用户服务质量要求提高,日志系统的重要性日益提高。日志用于记录计算机系统运行过程中产生的数据或事件,日志记录中的异常数据往往表明系统存在性能波动、异常或故障。针对现有的日志异常检测研究多采用单一特征进行异常检测,存在低效、不完备和误判率高等问题,提出基于多特征的日志事件异常检测方法。首先,定义了日志的多元特征,包括序列、定量、语义和时间特征。其次,采用BERT结合TF-IDF获取语义特征向量,并通过特征融合获取模型的输入特征。最后,建立基于注意力机制的Bi-LSTM异常检测模型。实验表明该异常检测模型在精确度上有一定提升,对于辅助发现日志异常具有一定参考作用。

基于日志采样的流程下一事件预测方法

下一事件预测任务是预测性流程监控的研究重点之一,针对现有基于深度学习的预测方法存在训练时间过长、参数量过大、对硬件要求过高等无法满足业务流程动态性的问题,提出一种基于日志采样的下一事件预测方法(SNEP)。通过计算事件重要性和直接跟随活动关系重要性来衡量轨迹重要性,抽取部分重要轨迹表示原事件日志;采用One-hot编码方式对轨迹前缀重新编码,并设计了适用下一事件预测任务的三层长短期记忆网络(LSTM)预测模型。在6个真实事件日志中进行实验,探究所提方法的有效性和不同采样率对模型预测结果的影响,结果表明预先采样的下一事件预测方法在各事件日志中的预测准确率和效率均有提升,验证了该方法的优越性。

基于概念漂移的预测性业务流程监控方法

为解决现有的业务流程监控(BPM)方法的模型精度随时间下降和实时性较差的问题,提出一种基于概念漂移的预测性业务流程监控(PPM)方法。首先,对事件日志数据进行预处理及编码;其次,利用双向长短时记忆(BiLSTM)网络模型从前后方向捕获足够的序列信息以构建业务流程模型,并利用注意力机制充分考虑不同事件对预测结果的贡献程度,赋予事件日志不同的权重,从而减少噪声对预测结果的影响;最后,将正在执行的实例输入构建的模型,得到预测的执行结果,并将这些结果作为历史数据对模型微调。在8个公开且真实的数据集上的测试结果表明,所提方法的平均预测准确率相较于支持向量机(SVM)、逻辑回归(LR)和随机森林(RF)等已有的BPM方法提升了5.4%~23.8%,且早期性和时间性能都优于现有的研究方法。

基于Bert模型对不完整事件日志的多属性修复

流程挖掘是从事件日志中自动构建流程模型,并利用其分析、增强、监测实际的业务流程.然而不完整的事件日志会严重影响流程挖掘的结果.因此,修复事件日志是提高过程挖掘结果准确性的举措之一.现有的修复事件日志技术主要修复事件日志中的缺失活动,很少考虑修复日志中多个缺失的属性.现实中日志除了活动缺失,还存在属性缺失现象.针对此问题,提出了一种基于Bert的神经网络模型,用来修复事件中多个属性的缺失.该方法从数据的角度出发,通过Bert模型的预训练任务学习事件中属性之间的依赖关系,根据属性的前后文信息预测缺失的属性值.最后使用公开可用的真实事件日志对所提出的方法进行实验评估,评估结果表明本文所提出方法可以修复事件日志中多属性的缺失,且验证了该方法的准确性.

基于图像数据的缺失活动日志修复CNN方法

由于异常值和缺失值的扰动影响,业务流程系统可能会产生低质量的事件日志。针对缺失活动的日志修复问题,现有日志修复研究主要从缺失活动的重构方面进行展开,很少有从预测缺失活动角度进行修复工作。鉴于此,提出一种结合迹行为特征的卷积神经网络模型,用来修复迹中的缺失活动。其核心思想是按照时间属性和活动属性两个维度,根据活动之间的行为关系,将业务流程的事件日志转换为空间数据,继而转化为图像矩阵,并通过卷积神经网络模型训练来预测缺失活动。所提方法从事件日志的角度出发,不依赖于任何有关生成事件日志的业务流程模型先验知识,最后利用真实和人工生成事件日志将所提方法与已有研究进行对比分析,实验结果表明所提方法在活动修复精确度上优于已有研究结果。

Recognition of Milankovitch Cycles in the Natural Gamma—Ray Logging of Upper Cretaceous Terrestrial Strata in the Songliao Basin

Spectrogram analysis of seven natural gamma-ray logging of Member 1 of the Qingshankou Formation （K2qn^1） and Member 1 and 2 of the Nenjiang Formation （K2n^1-2） of Late Cretaceous age in the Songliao Basin reveals sedimentary cyclicities controlled by Milankovitch climate periodicities. The recognition of Milankovitch cycles allows estimation of an average accumulation rate of ～7.55- 8.62 cm/ka for the K2qn^1 sections, and ～6.69-10.16 cm/ka for the K2n^1-2 sections. Two marine transgression events occurred during the deposition of K2qn^1 and K2n^1-2 and their ages are at ～0.74- 1.10 Ma and ～2.38-4.84 Ma, respectively. Identification of Milankoviteh cycles from fine-grained deep lake sedimentary rocks in the Songliao Basin may provide great potential for high-resolution stratigraphic subdivisions and correlations.

A Survey on Event Mining for ICT Network Infrastructure Management

1 IntroductionNowadays in China, there are more than six hundred million netizens [1]. On April 11, 2015, the nmnbet of simultaneous online users of the Chinese instant message application QQ reached two hundred million [2]. The fast growth ol the lnternet pusnes me rapid development of information technology （IT） and communication technology （CT）. Many traditional IT service and CT equipment providers are facing the fusion of IT and CT in the age of digital transformation, and heading toward ICT enterprises. Large global ICT enterprises, such as Apple, Google, Microsoft, Amazon, Verizon, and AT＆T, have been contributing to the performance improvement of IT service and CT equipment.

跨组织业务流程模型挖掘与质量评估

跨组织业务流程需要多个组织相互配合,协同工作来完成一项由单个组织无法完成的任务.由于跨组织业务流程的复杂性与分布性,其建模与分析过程是一项耗时且容易出错的任务,要求建模人员拥有丰富的经验和行业知识.流程挖掘通过分析业务信息系统执行过程中产生的日志为模型构建提供了一种自动化方法.然而,传统的流程挖掘技术仅支持单个组织的日志挖掘,无法有效地处理跨组织业务流程挖掘问题.本文针对此问题提出一种跨组织业务流程模型挖掘方法.首先扩展已有的流程挖掘方法来进行单个组织的业务流程模型挖掘;其次,定义组织间三种典型的协同模式,并提出相应算法以挖掘组织间的协同模式;再将各个组织的流程模型和协同模式集成,得到全局跨组织业务流程模型;最后采用传统的质量评估指标和提出的协同模式拟合度来量化发现的跨组织业务流程模型质量,通过四个不同的跨组织业务流程案例与已有挖掘方法进行比较,验证本文提出挖掘方法的有效性和可用性.

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。

智能信息系统业务事件驱动机理分析与运维模型优化研究

随着供电企业信息化建设的不断深入,电力信息系统逐步增多,运维压力不断增大。为解决多个电力信息系统运维日志关联解析弱,信息系统故障分析准确率低的问题,提出了一种基于业务事件驱动的电力信息系统日志标准化解析方法。通过业务事件驱动机理,实现了跨业务条线的电力信息系统日志映射;通过关键词匹配算法实现信息系统故障分析、预警。该方法在某省电力公司信息通信分公司进行仿真验证,其电力信息系统运维分析准确率为99.36%。所提方法能提高信息系统运维分析准确率,提升电力信息系统健康运行水平及运维管理工作的质效。

云计算系统中基于伴随状态追踪的故障检测机制

在运行时检测分布式系统内所产生的故障需要事先获得故障特征模型.构造故障特征模型的常见做法为将故障注入系统并根据随后系统内所产生的特征症状(如异常事件日志)建模.已有建模方法通常使用从故障发生到给定时间窗口之内的特征症状.然而,根据真实系统观察,不同故障的传播影响时间相差很大,且故障特征会在故障传播过程中发生改变.因此,已有方法对检测时间窗口之后发的故障特征症状不能识别或会产生大量错误报警.为了解决此问题,文中提出一种基于故障注入测试的故障特征提取方法,该方法主要由3步组成:(1)过滤噪声日志;(2)构造1个故障识别器识别不同故障的早期特征;(3)为每类故障构造限状态追踪器追踪该故障的后期传播状态,从而在故障被识别出来后持续跟踪故障传播状态.通过在企业级云计算系统中进行实验验证,与已有方法相比该文方法具备更高的故障检测精确度.

基于混合人工免疫算法的流程挖掘事件日志融合方法

流程挖掘是流程管理和数据挖掘交叉领域中的一个研究热点.在实际业务环境中,流程执行的数据往往分散记录到不同的事件日志中,需要将这些事件日志融合成单一事件日志文件,才能应用当前基于单一事件日志的流程挖掘技术.然而,由于流程日志间存在着执行实例的多对多匹配关系、融合所需信息可能缺失等问题,导致事件日志融合问题具有较高的挑战性.对事件日志融合问题进行了形式化定义,指出该问题是一个搜索优化问题,并提出了一种基于混合人工免疫算法的事件日志融合方法:以启发式方法生成初始种群,以人工免疫系统的克隆选择理论作为基础,通过免疫进化获得"最佳"的融合解,从而支持包含多对多的实例匹配关系的日志融合;考虑两个实例级别的因素——流程执行路径出现的频次和流程实例间的时间匹配关系,分别从"量"匹配和"时间"匹配两个维度来评价进化中的个体;通过设置免疫记忆库、引入模拟退火机制,保证新一代种群的多样性,减少进化早熟几率.实验结果表明:该方法能够实现多对多的实例匹配关系的事件日志融合的目标,相对于随机方法生成初始种群,启发式方法能够加快免疫进化的速度.另外,针对利用分布式技术提高事件日志融合性能,探讨了大规模事件日志分布式融合中的数据划分问题.