摘要:
自奥巴马政府宣布“大数据的研究和发展计划”以来,大数据引起了世界各国的高度关注。面对大数据带来的各种挑战,业务过程管理必将得到进一步发展。校准是事件日志中迹与过程模型之间一致性检查的重要手段,可以精确定位偏差出现位置,但已有校准方法一次只能计算一条迹与过程模型之间的校准.若计算m条迹与过程模型之间的校准,需调用m次该方法,做大量重复工作.针对这个问题,基于Petri网提出一种新的校准方法——AoPm方法,同时得到多条迹与模型之间最优校准.以一个给定完备事件日志集和过程模型为例,基于区域的过程发现算法,对事件日志中所有迹挖掘其日志模型;发现日志模型与过程模型的日志移动、模型移动和同步移动,并得到它们的乘积系统;计算乘积Petri网的可达图,得到变迁系统;最后运用A+算法及A++算法,分别得到日志中所有迹与过程模型之间的一个最优校准和所有最优校准.对AoPm方法的时间复杂度和空间复杂度进行了理论分析,与已有校准方法进行比较可知:计算m条迹与过程模型之间的最优校准时,AoPm方法计算乘积与变迁系统的次数和所占用空间都是传统方法的1/m.给出并验证了变迁系统中必定能找到日志中任意一条迹的一个校准、一个最优校准以及所有最优校准的定理,并提出了日志同步网的概念,证明了A+算法和A++算法的正确性.基于ProM平台,对AoPm方法进行了仿真实验,并与传统校准方法进行了比较分析.针对给定网上购物模型及生成日志集,实验结果表明在处理批量迹与过程模型之间校准时,AoPm方法比传统校准方法,在计算变迁系统的运行时间和占用空间上,分别有指数级和多项式级的降低.因此,AoPm方法在空间复杂度和时间复杂度方面,都优于传统校准方法.该方法突破了以往每次只对一条迹和过程模型进行校准的限制,首次实现了批量迹与模型之间的校准,提高了事件日志中迹与过程模型之间的一致性检查效率.