CN103559588A - 基于Petri网行为轮廓的日志挖掘方法 - Google Patents

Abstract

一种基于Petri网行为轮廓的日志挖掘方法，属于流程挖掘领域。其目的是通过挖掘技术的实施来改进业务流程模型，从而提高流程运行效率和服务质量。首先从程序运行产生的轨迹中提取日志序列,然后进行预处理；分析相邻两个活动间的行为关系，建立行为轮廓，依据直接依赖关系构建初始模型；然后重放出现频数最大的日志序列，根据各项指标寻找出优于初始模型的两个流程模型；利用行为轮廓一致性分别比较这两个模型与初始模型的一致性度，选择较优的模型；重复上述最后两个步骤直到日志重放完毕，得到最优业务流程模型。该挖掘方法不仅能够保证业务流程满足功能性，而且使得流程的行为简洁，减少程序运行时间。

Description

基于Petri网行为轮廓的日志挖掘方法

技术领域

本发明涉及业务流程管理领域的业务流程挖掘方法，它适用于从程序运行产生的轨迹中提取日志序列，进行业务流程的优化挖掘，属于流程挖掘领域。

背景技术

业务流程管理是企业运行越来越重要的一部分，业务流程管理的优劣直接影响着企业的效益，而业务流程的优劣又直接影响着业务流程管理的效率。在这种情况下，企业总想拥有更好的业务流程，而业务流程挖掘就是一种能够改进业务流程的一种方法。业务流程挖掘是一种数据挖掘在业务流程管理领域的一种较新应用，通过对业务流程运作产生的日志进行分析，还原业务流程的真实过程，利用日志对业务流程进行分析和优化等。

对于流程挖掘问题，现有的挖掘方法主要从行为语义学和过程行为方法进行的，基于行为语义学的流程挖掘已有大量的研究，而基于过程行为的流程挖掘的研究相对较少，特别是针对业务流程的挖掘，而且大多数未对挖掘方法的优劣程度从过程行为方面进行一致性测量，并且在以往的挖掘中，从未加入行为轮廓的概念。

发明内容

本发明为了改进现有的挖掘方法，提出了一种基于执行日志的业务流程优化挖掘方法，能够有效地提高流程运行效率和服务质量。该方法在挖掘的过程中为了更加明确地说明活动间的关系加入了行为轮廓的概念，不仅能够保证模型的功能性得到满足，而且还可以使得模型拥有较为简洁的行为，最终得到行为合理、结构得当的业务流程模型。

在挖掘过程中，首先，从程序运行产生的轨迹中提取日志序列，将所有的日志序列进行合并，避免出现重复操作，再将合并后的日志序列按照频数大小顺序排列，即优先考虑频数大的序列，以保证这些序列能被模型接受；选择频数较大的几个日志序列，建立活动关系表，确定相邻两个活动间的行为轮廓关系，根据活动间的直接依赖关系构建初始模型；通过日志的重放分析剩余日志序列与初始模型的合理性，再分析剩余日志序列与初始模型的合理性、行为适当性、结构适当性，调整初始模型，可得到初步的优化模型；然后经过计算行为轮廓一致性度，可得到本次循环的优化模型；重复以上操作直到日志重放完毕，得到最优模型。

值得注意的是，在计算行为轮廓一致性度的时候，应该有两个初步优化模型，要分别计算他们与初始模型的一致性度，所以在第一次循环的时候，要选择出两个初步优化模型。

本发明的优点是在挖掘的过程中加入了行为轮廓的概念，用行为轮廓一致性评价模型的优劣，有效地降低了模型的冗余度，提高程序的运行效率。

附图说明

图1是本发明实施方式的结构示意图。

图2是本发明日志序列处理的结构示意图。

图3是本发明优化挖掘算法的结构示意图。

具体实施方式

以下结合附图所述实施例对本发明作进一步的说明。

图1为本发明的整个流程系统的主要部分的示意图。如图所示，整个系统是以提取日志为开始，经过预处理，然后进行业务流程的挖掘。它主要包括两部分分别是日志序列的处理和优化挖掘算法。实际模型是否已知并不重要，我们只是想从运行的日志序列中挖掘出更加有效的模型。

图2是本发明日志序列处理的结构示意图。如图所示，首先，从程序运行产生的轨迹中提取日志序列，将所有的日志序列进行预处理使之满足两个条件：一是没有相同的日志序列，可避免重复操作；二是日志序列应按照频数大小顺序排列，以方便优先考虑频数大的序列，以保证这些序列能被模型接受；选择频数较大的几个日志序列，建立活动关系表，确定相邻两个活动间的行为轮廓关系，根据活动间的直接依赖关系构建初始模型。

图3是本发明优化挖掘算法的结构示意图。如图所示，从初始模型开始，通过日志的重放分析剩余日志序列与初始模型的合理性，再分析日志序列与初始模型的行为适当性和结构适当性，选择较优的模型；分别计算初始模型与初步优化模型的行为轮廓一致性度；选择较优的一个作为初始模型，另外一个作为初步优化模型；重复以上操作直到日志重放完毕，得到最优模型。（注：在第一次循环中分析日志与模型间的一致性时需找到两个初步优化模型）附：1）合理性:

$\mathrm{fitness}=\frac{1}{2}(1-\frac{{\mathrm{\Σ}}_{i=1}^k{n}_i{m}_i}{{\mathrm{\Σ}}_{i=1}^k{n}_i{c}_i})+\frac{1}{2}(1-\frac{{\mathrm{\Σ}}_{i=1}^k{n}_i{r}_i}{{\mathrm{\Σ}}_{i=1}^k{n}_i{p}_i})$

其中k为给定日志中的不同轨迹数，n_i为第i类轨迹中所含的实例数，m_i为第i类轨迹中缺少的托肯数，r_i为第i类轨迹中遗留的托肯数，c_i为第i类轨迹中消耗的托肯数，p_i为第i类轨迹中产生的托肯数。

2）行为适当性:

$a_B=1-\frac{{\mathrm{\Σ}}_{i=1}^k{n}_i(x_i-1)}{(m-1){\mathrm{\Σ}}_{i=1}^k{n}_i}$

其中，其中，k为给定日志中的不同轨迹数，n_i表示日志轨迹i中包含的过程实例数，x_i表示在轨迹i中日志重放时就绪变迁的平均个数，m表示模型中可见任务的个数（不包含不可见任务，假设m＞1）。

3）结构适当性:

$a_S=\frac{\left|T\right|+2}{\left|T\right|+\left|P\right|}$

其中，T为变迁集，P为库所集，2指的是初始库所与结束库所的个数。

4）行为轮廓一致性度:设S₁＝(P₁,T₁;F₁,M₁)和S₂＝(P₂,T₂;F₂,M₂)是两个Petri网系统，他们关于～匹配，

是他们一致的变迁对集，则～的基于变迁集的行为轮廓的一致性度定义为：

$\mathrm{MBP}(S_1,S_2)=\frac{\left|{{\mathrm{CT}}_1}^{~}\right|+\left|{{\mathrm{CT}}_2}^{~}\right|}{\left|({T_1}^{~}\×{T_1}^{~})\right|+\left|({T_2}^{~}\×{T_2}^{~})\right|}$

Claims (3)

1.基于Petri网行为轮廓的日志挖掘方法,该方法由日志序列的提取和处理、业务流程的优化挖掘方法两部分组成，其特征在于，日志序列的提取和处理实现对日志序列的规范化要求，即满足能够从日志序列进行挖掘的条件；业务流程的挖掘方法实现对处理过的日志序列逐个进行重放，根据各个指标建立模型、调整模型和选择模型。

2.根据权利要求1所述的业务流程挖掘方法，其特征在于：在分析日志序列的活动时，采用了行为轮廓的概念，利用活动间的关系表构建了各个相邻活动间的行为轮廓关系。

3.根据权利要求1所属的业务流程挖掘方法，其特征在于：在优化挖掘过程中，不仅利用了日志与模型的一致性分析，而且还利用了模型与模型的一致性分析，在评价模型与模型的一致性时，采用评价标准是行为轮廓一致性度。

Images