发现具有长期依赖的过程模型，同时提供保证和过滤罕见行为模式。
摘要：过程发现的目标是为给定的事件日志找到描述潜在过程的模型。尽管过程模型可以用多种方式表示，但Petri网是一种理论上深入研究的描述语言，因此经常被使用。本文扩展了eST-Miner过程发现算法。eST-Miner计算一组Petri网位置，这些位置被认为与给定的事件日志描述的一定比例的行为相匹配，具体指标是给定的噪声阈值。它使用基于标记的重放评估所有可能的候选位置。对于每个位置，单独确定可重放的跟踪集，即这些集合不需要一致。这使得算法能够抽象出仅出现在某些跟踪中的不频繁的行为模式。然而，当通过将它们连接到相应的唯一标记的变迁来将位置组合成Petri网时，得到的网能够完全重放事件日志中由所有插入的位置组合允许的跟踪。因此，不考虑它们的组合效果逐个插入位置可能导致死锁和Petri网的适应度低。在本文中，我们探索了eST-Miner的适应方法，旨在选择一个可以保证定义的最小适应度的位置子集，同时在输入事件日志方面保持高精度。此外，当前的位置评估技术倾向于阻止不频繁的活动标识的执行。因此，引入并深入研究了一个改进的位置适应度度量。在我们的实验中，我们使用真实和人工事件日志来评估和比较各种位置选择策略和位置适应度评估度量对返回的Petri网的影响。
作者：Lisa Luise Mannel, Wil M. P. van der Aalst
论文ID：2212.11047
分类：Databases
分类简称：cs.DB
提交时间：2023-08-14