一种基于TokenLog的符合性检查方法(Process Mining,Conformance Checking).ppt

一种基于TokenLog的符合性检查方法 李传艺,葛季栋,胡海洋,胡昊,骆斌 大纲 基于事件日志的符合性检查?问题 Token Log?解决方案核心 基于Token Log的符合性检查?具体方法 实验内容?验证评估 工作展望 基于事件日志的符合性检查 按日志任务序列模拟业务过程 任务执行缺少的Token: 越少越符合 可能触发的非当前序列中的任务: 越少越符合 误判: 不符合判成符合,符合判成不符合 Token Log(1)——意义 Token Petri-net 代表:资源,数据,权限,信号,消息等信息 Token Log 以Token为载体记录信息的 生产任务,生产时机,消费任务,消费时机 本质 记录业务过程中任务间因果依赖 Token Log(2)——定义 Token: (CID, PT, CT, PEID, CEID) 运行实例(Case),使用Case ID(CID)标记 生产任务(PT),消费任务(CT) 生产时机(CID, PEID),消费时机(CID, CEID) 任务执行ID(EID): 标记任务的某次执行 同一运行实例中唯一 (CID, EID)全局唯一 Token t=(3, A, B, 5, 9) t在运行实例3中由任务A在执行ID为5的那次执行中产生 t在运行实例3中被任务B在执行ID为9的那次执行中消费 Token Log是Token集合 Token Log(3)——可行性 YAWL引擎 基于Token Log的符合性检查(1) 基于Token Log的符合性检查(2) 基于Token Log的符合性检查(3) 模型正确性 日志预处理 合并相同实例并统计出现次数 同一个实例中Token间的匹配关系统计 日志填入程度度量 Token匹配关系填入程度(dap) 根据映射关系判断结构是否满足要求 运行实例填入程度(dac) 日志被填入程度(dal) 基于Token Log的符合性检查(4) 日志完整性 获取模型结构单元 Petri-nets: TS不变量最小半正解 模型行为描述 结构单元行为描述: 结构到匹配关系映射 模型行为覆盖程度 结构单元单个库所(dcp) 某类结构单元 模型行为覆盖程度(dcm) 基于Token Log的符合性检查(5) 符合性判定 条件 模型能生成日志所有内容: dal=1 (先) 日志包含模型的所有行为: dcm=1 (后) 定制判定标准 影响因素 提前根据影响因素决定判断标准 实验内容(1) 实验目的 使用Token Log进行符合性检查的可行性与正确性 实验步骤 生成Token Log YAWL引擎验证可行性 PIPE中模拟执行过程模型并生成Token Log 模拟算法 结果Toke Log 预处理 Token Log预处理: ProM中合并运行实例并统计出现次数 过程模型预处理: ProM中计算TS不变量解获得库所特征 实验内容(2) 实验步骤(续) 计算模型正确性 dal = 0.995 含义: 模型能够正确生成99.5%的日志内容 计算日志完整性 dcm = 0.857 含义: 日志覆盖了85.7%模型能够产生的行为 实验结论 日志中99.5%内容覆盖了模型的85.7%行为?模型与日志符合 结果与事实相符 结论: 使用Token Log基本可以有效的进行符合性检查 实验内容(3) 局限性: 结果判定 提高: 多个结果参数 ? 两个参数 多个模型与多个日志结果比较判定 选择结果数值较高的一组 一个模型与一个日志结果判定 与事件日志相同 根据输入模型与日志特定确定判定标准 需要丰富经验 可能无法预知模型与日志的特征 明确的判定标准值？ Token Log 基础: 基本可以有效用于符合性检查 扩展日志内容 信息实体具体: 类型,数值,绝对时间等 扩展应用场景 过程发现 决策挖掘 分布式环境中的过程挖掘研究 谢谢大家！ * * 无突破: 不是方法的问题,而是因为事件日志 信息少, 事件(实例, 任务名称)及其前后关系 方法本身 模拟过程运行,计算开销大 检查内容限于日志内容 库所 变迁1 变迁2 事件日志(control-flow, data-flow, timing)没有这样的概念 依据: Artifact-Centric Workflow Artifact是一直存在的业务实体,记录所有操作过它的任务,一个特殊的Token 检查方案 基于等价关系 模型生成所有日志内容(模型正确性) 日志覆盖模型允许所有行为(日志完整性) 将Token Log内容填入模型,静态分析 模型正确性: 结构能否接受日志 日志完整性: 日志能否满足结构要求 基于Token Log特点: 与模型结构单元的映射关系 优点 条件清晰无误判情形 静态计算减少检查开销 符合?