基于協同辦公平臺的OA智能化探索

畢云星

【摘要】? ? 協同辦公平臺是將信息發布、任務管理、業務系統集成等功能進行整合，使得員工使用與操作更加方便，極大的提高企業內部的辦公效率。隨著人工智能的到來，如何將先進的智能技術與傳統的協同辦公平臺相結合，進一步提高企業的辦公效率，實現決策的智能化支撐，是一個具有重要意義的研究課題。本文將設計OA智能分布式工作流引擎，對實現智能化辦公進行探索。

【關鍵詞】? ? 協同辦公平臺? ? 智能分布式? ? 工作流引擎? ? 人工智能

一、研究背景

隨著中海油石化工程有限公司的發展壯大，協同辦公平臺已經成為企業內部辦公不可缺少的信息瓶體。公司協同辦公平臺具有統一登錄、信息系統集成、任務待辦集成、信息發布、流程審批等功能，實現了公司主要業務流程的信息化。這些功能的實現方便了企業員工的日常辦公，降低了企業的內部運營成本，提升了公司日常管理水平和效率。

在協同辦公平臺中，要實現流程的靈活定義與電子化，工作流引擎是其中同的核心模塊。只有通過工作流引擎，各個部門才能將日常的流程進行定義，實現自動化的電子流程審批。隨著企業業務擴展，工作流的增多，傳統的集中式工作流引擎很難適應業務的發展，同時工作流引擎應當結合人工智能技術，對流程數據進行分析，并建立流程優化模型。其中，實現OA智能化的重要基礎是研發智能分布式工作流引擎，該引擎為傳統的OA實現智能提供基石。

二、智能分布式工作流引擎設計

智能分布式工作流引擎分為智能代理引擎、分布式控制引擎、狀態跟蹤引擎和執行引擎，通過不同的引擎管理OA系統中的不同功能，采用分布式架構提供可擴展的系統組織，降低系統各部分的耦合程度。本文設計的智能分布式工作流引擎架構如圖1所示。

如圖1所示，通過不同子系統引擎之間的管理與交互，完整的實現了智能工作流引擎的各個功能。各個引擎可以獨立運行，也可以對外提供調用接口，將服務提供給需要該功能的其他引擎。其中，通過狀態跟蹤引擎可以維護系統中各個功能模塊的執行狀態，并通過消息機制反饋到控制引擎。執行引擎負責完成系統具體的業務功能模塊，而智能代理引擎具有機器學習功能，對外提供機器學習的服務接口。控制引擎負責各個引擎間的協調與調度，通過簡單對象訪問協議（SOAP）與各個引擎與模塊之間進行通信，并傳輸信息。

通過對象訪問協議，控制引擎與執行引擎之間交互控制信息、執行信息。控制引擎發送控制信息到執行引擎，執行引擎收到信息后，判斷信息類別，并執行對應的操作，然后將執行狀態以及執行結果信息返回給控制引擎，控制引擎搜集執行引擎返回的執行信息后，根據不同執行引擎的情況進行調度，并綜合各執行引擎的執行結果，返回最終的執行結果。

在系統內部，智能代理引擎提供各類參數初始化的接口，通過該接口可以對系統中各個模塊進行初始化，同時集中進行各引擎的實例創建。對于控制引擎而言，提供狀態監聽服務，通過監聽器跟蹤執行引擎的執行流程以及返回的執行信息，通過執行信息判斷執行狀態。同時，該引擎維護兩個狀態列表，這兩個列表是跟蹤系統狀態的關鍵，用于記錄系統的執行情況，通過維護兩個列表的狀態信息保持一致，可以判斷系統的執行是否保持一致。當執行引擎的模塊狀態發生改變時，執行引擎發送消費給控制引擎，控制引擎同步更新兩個列表的記錄狀態。根據記錄狀態，控制引擎進行上下文判斷，通過上下文執行信息，優化引擎的執行流程，提高執行效率。狀態跟蹤引擎中提供系統服務注冊功能，系統中的各個功能模塊需要在注冊中心進行注冊，該注冊中心維護服務列表目錄，各引擎通過檢索服務目錄，調用對應的業務功能。同時，狀態引擎負責處理狀態列表的同步工作，保持系統執行數據的一致性。

三、智能分布式工作流引擎實現

智能分布式工作流引擎的類圖如圖2所示：

其中StateLister用于監聽工作流引擎中狀態的變化，當觸發數據引發狀態變更時，調用updateState（）更新狀態，updateState（）更新狀態以后返回最新的狀態信息。InfoModify用于通知各分布式引擎實例系統狀態的變更，該接口通過繼承notifyEngine接口，可以實現不同的消息機制。RigsterCenter用于注冊工作流引擎中的各項服務，通過該接口注冊服務的Token，通過使用不同的Token可以讓其他引擎使用該服務。exeEngine用于監督執行工作流的狀態變化，該對象定義了一組方法接口，通過繼承該接口，可以使用自定義的工作流程，通過該接口可以搜集工作流狀態信息，監督流程執行情況。evacostEngie用于搜集及估算各個工作流所耗費的資源以及時間，并將數據傳遞給coreInvoker。coInvoker是核心調度器，用于調度各個工作流實例，并使用learn接口學習各個工作流的狀態，其中learn接口集成Weka的學習接口，可以調用各類學習模型，以LSTM模型為例，通過以下代碼所示可以學習工作流引擎的性能數據，并進行性能預測：

Instances newData=Filter.useFilter（data， filter）;//收集工作流引擎訓練數據

Enumeration oldDataAttributes = data.enumerateAttributes（）;

NeuralNetworkModel lstm=new NeuralNetworkModel（tpye=lstem）;

lstm.build （newData）;//用經過特征選擇的訓練數據訓練LSTM模型

Evaluation val=new Evaluation（lstm）;

通過調用以上機器學習的代碼，可以對分布式工作流引擎實例的各類性能數據進行學習，并對性能進行預測，通過機器學習對數據進行分析，讓引擎具備一定的智能化功能。

四、智能分布式工作流引擎特點

分布式工作流引擎改進了原有工作流引擎的效率，解決原有引擎的性能問題，擴展了系統的功能，提供了更為強大的業務支持能力，其主要特點如下。

（1）由于控制引擎采用分布式架構，能夠進行橫向擴展，并且容錯功能也得到提升。分布式集群中可以對集群服務器進行擴展，在用戶規模增加以及對性能要求提高時，可以擴展分布式集群服務器的規模，進行無縫的擴展，不影響系統原有功能，保障系統平穩運行前提下提升系統性能。

（2）在控制引擎中，通過最小代價調度算法協調不同引擎的執行，并且提供智能功能，避免隨機并發引擎的效率降低問題。最小代價調度算法對系統調度性能進行最優化，當控制引擎調度執行引擎執行指令時，減少隨機并發執行帶來的不確定影響，保障各個引擎在最優序列下執行指令。

（3）在狀態引擎以及執行引擎中，通過觀察者對象提供消息通知與維護機制，將核心數據分布存儲在集群中進行緩存，同時采用內存與文件方式降低對數據庫的讀寫壓力，通過多重備份方式避免核心數據的損失。同時，由于采用集群管理，核心數據存放文件分布在不同服務器上進行備份，當遇到突發情況或者單一服務器崩潰時，不會影響核心數據的完整性，保障了系統的運行安全。

（4）提供機器學習、人工智能算法接口，可以對工作流引擎進行學習能力的自定義，通過對工作流程數據的學習提升工作流的效率。由于工作流程中每個環節的耗時、流程效率不一定滿足最優流程效率，通過機器學習、人工智能算法接口，定義損失函數，通過歷史流程數據，對流程的執行環節進行優化，對流程執行時間以及可能存在的阻礙進行預測，有利于優化工作流程，提高工作效率。

五、總結

本文設計了OA智能分布式工作流引擎，能夠進一步提升工作流引擎的執行效率，同時增加機器學習、人工智能算法接口，為工作流引擎賦予了一定的智能化功能。通過智能接口的引入，支持各類模型算法，賦予了工作流一定的學習能力，有效的提高了工作流引擎的效率。

參? 考? 文? 獻

[1]張華 .智能代理在辦公自動化系統中的應用研究[D]. 西南交通大學， 2016.

[2] Zheng H， Yang J. Functional Modules Sharing and Blockchain Based Validation in Office Automation Systems[J]. IOP Conference Series Materials Science and Engineering， 2018， 466：012007.

[3] Li Z ， Guo W ， Wang W . The design and research based on office automation system[J]. Journal of Physics： Conference Series， 2019， 1345（6）：06-11.

[4] Chouki S ， Anh-Tu N ， Amir B M ， et al. Driver-Automation Cooperation Oriented Approach for Shared Control of Lane Keeping Assist Systems[J]. IEEE Transactions on Control Systems Technology， 2019， 27：1962-1978.

[5]鄒晶， 劉毅敏. 基于有限狀態機的工作流引擎的設計[J]. 計算機應用與軟件， 2018（8）：60-65.

[6]車宇， 羅釗航. 辦公自動化系統的開發引擎平臺設計[J]. 電子技術與軟件工程， 2019， 155（09）：167-167.

[7]包曉安， 常浩浩， 徐海，等. 基于LSTM的辦公自動化學習系統預測模型研究[J]. 浙江理工大學學報（自然科學版）， 2018， 39（002）：224-231.

[8]李為， 劉寶琦. 基于改進LSTM模型的運維異常行為分析[J]. IT經理世界， 2019， 022（005）：70-71.