基于數據影響的多對象交互流程偏差檢測方法

錢陳婧 方賢文 張希為

摘 要：

現有的大多數偏差檢測方法能夠識別來自流程活動及部分數據屬性的偏差，但是無法處理流程執行過程中數據變化對流程的影響問題，尤其是在涉及多對象交互的情況下。針對這一問題，提出了一種多對象交互情況下基于數據影響的業務流程偏差檢測方法。首先，基于控制流與數據信息識別可能的偏差活動；然后，根據數據變化對活動的影響定義影響集；接著，將以對象為中心的概念引入偏差檢測過程，形式化以對象為中心的Petri網模型，在此基礎上，通過分析對象是否對其修改的數據具有執行權限，分類并定義了四種數據影響類型及其計算標準，據此得到基于數據影響的偏差檢測結果；最后，與其他偏差檢測方法對比驗證，結果表明，應用該方法得到的偏差檢測結果值得到提升，并且能夠處理多對象交互的流程偏差。該方法能夠有效捕獲多對象交互流程中數據變化影響的流程活動，提高偏差檢測的合理性與準確性。

關鍵詞：數據影響；以對象為中心；數據Petri網；影響集；偏差檢測

中圖分類號：TP391.9?? 文獻標志碼：A??? 文章編號：1001-3695（2024）03-035-0880-07doi： 10.19734/j.issn.1001-3695.2023.07.0315

Deviation detection method for multi-object interaction processes based on data impact

Qian Chenjinga， Fang Xianwena，b， Zhang Xiweia

（a.College of Mathematics & Big Data， b.Anhui Province Engineering Laboratory for Big Data Analysis & Early Warning Technology of Coal Mine Safety， Anhui University of Science & Technology， Huainan Anhui 232001， China）

Abstract：

Most existing deviation detection methods are capable of identifying deviations from process activities and data attributes， but they fail to address the issue of how changes in data during process execution impact the process， especially in cases involving interactions among multiple objects. To address this issue， this paper proposed a business process deviation detection method based on data impact in the context of multi-object interactions. Firstly， this method identified potential deviant activities based on control flow and data information. Then， it defined impact sets based on the impact of data changes on activities. Next， it introduced the concept of object-centric into the deviation detection process and formalized the object-centric Petri net model. On this basis， by analyzing whether the object had execution privilege on the data it modified， this paper classified and defined four types of data impacts and their calculation criteria， from which the results of deviation detection based on data impacts were obtained. Finally， compared with other deviation detection methods， the results show that the devia-tion detection results obtained by applying the method are improved and are able to handle process deviations for multi-object interactions. This method can effectively capture the process activities affected by data changes in multi-object interaction processes and improve the rationality and accuracy of deviation detection. Key words：data impact; object-centric; data Petri net; impact set; deviation detection

0 引言

業務流程模型描述了流程執行的標準和預期的規范過程，大量的事件數據也從業務流程中產生。在流程執行中，偏差檢測旨在通過區分偏離行為和正常行為來識別異常的執行，一致性檢查技術作為過程挖掘領域中的一個重要組成部分，通過一定的度量方法來反映在事件日志中的實際行為與流程模型中指定的預期行為的匹配程度［1］，因此，通常將對一致性檢查技術的研究作為關于過程模型與事件日志之間偏差檢測的重點。

一致性檢查將過程的建模行為與觀察到的行為進行對比，以檢測、定位以及解釋它們之間的偏差［2，3］。控制流一致性檢查解決了流程中活動的執行順序問題，除此之外，近年來，許多關于一致性檢查的研究還考慮了包括時間［4］、資源、生命周期［5］等在內的其他數據相關屬性。文獻［6］提出一種多視角在線一致性檢查技術，融合基于前綴對齊的一致性檢查技術和基于對齊的多視角一致性檢查技術，在多視角過程模型和事件流之間返回一個最優的多視角前綴對齊；文獻［7］利用兩個跡的活動依賴關系，并基于一個寬松跡等價的概念，將一致性檢查問題轉換為跡一致性分析問題，實現了數據感知的業務流程一致性檢查；文獻［8］集成了現有的偏差檢測方法和上下文的概念，提出了一個解決上下文感知偏差檢測問題的框架，并使用帶有專用語義的積極和消極上下文來擴展上下文概念。

此外，傳統對工作流網的偏差檢測研究往往孤立地關注單個研究對象，但在現實情況下，流程的執行可能由多個具有復雜相互關系的對象間的活動組成。針對這一問題，文獻［9］將以對象為中心的事件日志作為信息系統中實際數據和傳統事件日志之間的一種表示方式，并從中發現一個以對象為中心的Petri網；文獻［10］提出一種基于重放的一致性檢查方法，應用跳轉策略重放日志跡以尋找偏差；文獻［11］提出了一種將對象交互信息納入預測模型的方法，從而提高了預測分析的質量。

然而，在上述工作中，檢測模型與日志間的偏差時都只考慮當前狀態下的活動及其數據信息，而不考慮數據變化問題，以及在數據產生變化后對依賴于此數據的后續活動的影響問題。例如：在實際工業生產制造流程中，產品的生產制造所涉及的價格、庫存等數據信息不斷變化，一旦數據更改，后續流程也就相應發生變化。在這種情況下，現有的偏差檢測方法觀察到這些活動看起來偏離流程的正常執行，因此被視為異常行為，而這在實際流程執行過程中是完全合理的。于是文獻［12］提出一種半自動化的數據影響分析方法，接收數據項和關于流程執行的當前狀態信息，從活動、數據項和受影響的網關方面分析數據更改的影響；進一步地，文獻［13，14］在一致性檢查中將流程執行過程中的意外事件和數據變化考慮在內，通過分析流程執行過程中涉及的數據更新及其對預期行為的影響，考慮了對流程執行過程中意外偏差的響應，更好地捕捉了對偏差的適應行為。另一方面，工業生產通常需要制造商與供應商之間協作完成，零件的采購數量、交易金額等信息需由兩者協商，其數據更改也應當由正確的執行方執行。分析在這樣多對象交互情況下的數據變化在現實場景中是至關重要的，但現有的以對象為中心的偏差檢測方法的研究并不多見。

基于上述研究工作，本文提出了一種在多對象交互的場景下檢測過程模型與事件日志之間偏差的方法。該方法分析在多對象交互的流程執行過程中所涉及的數據變化及其對后續活動的影響，并從多個視角將影響類型劃分成四種類型具體分析，從而靈活解決來自事件日志或者模型中的偏差問題。由于Petri網提供了完整的圖形化表示方式，并且能夠形象地模擬、描述復雜流程的行為交互與狀態變化，所以使用Petri網來對流程進行建模。此外，為了綜合控制流與數據流視角，量化其檢測結果，有效且直觀地評估跡與模型的一致性，本文使用適應度作為一個統一的度量標準。

1 動機案例

盡管流程模型能夠用于定義流程的有效執行以達到某業務目標，但在實際執行中，流程往往具有靈活多變性。大多數的一致性檢查技術都能夠反映出流程中存在的問題，但其判斷和指出所觀察到偏差原因的能力是有限的。圖1展示的是一個產品制造流程的Petri模型，流程從一個訂單的創建過程開始，接下來根據訂單內容進行生產工作，并最終將產品交付給客戶，完成一個訂單的執行。

在一個訂單的執行過程中，通常會涉及發送訂單的客戶、進行生產的制造商以及提供生產所需零件的供應商這幾個對象，從各自的角度來看，他們都執行各自單獨的流程，并通過三者間的交互共同組成一個完整的流程。

假設在給定的流程執行中，制造商檢查零件庫存時發生疏忽，向供應商發送新的零件采購請求，此時產生一條跡σ1，其中：σ1=〈a，e，f，b，g，h，g，k，m，n，o，l，p，h，i，c，d， j〉。通過將其與模型對齊，得到的結果如圖2所示。

根據現有的偏差檢測技術，檢測到跡與流程模型之間存在大量偏差。然而，制造商在重新進行倉檢后，發現原本統計的生產所需零件庫存不足，需要向供應商進行采購，然后繼續后續的生產工作，因此，對于原有的一致性檢查技術判定的部分偏差行為，在實際生活中具有合理的解釋。同時，在實際訂單執行過程中，涉及到客戶、制造商和供應商這三個執行對象，他們分別負責不同的活動及其交互，并對不同數據具有修改權限。例如在給出的跡中，訂單交易金額的改變僅僅可由供應商根據制造商發送的零件數量進行計算更改，而交付給制造商的零件數量也是由制造商在選擇追加零件采購數量后進行了調整。

針對這種情況，本文提出一種基于數據影響的業務流程偏差檢測方法，實現對流程行為的一致性分析。此方法對流程模型以對象為中心建模，并從控制流和數據流的角度出發，通過分析數據更改對流程活動的影響以辨別真實偏差行為。

即執行序列與預期存在一定偏差，這個偏差來源于制造商重新進行倉檢所產生的數據變化，以及變化對后續活動的數據影響。而在第1章中，根據對齊結果得到的標準適應度值僅為0.56，顯然，根據這個結果，示例跡被認為是嚴重偏離預期的異常執行序列，這與第1章所述事實不符。兩相比較，本文方法能夠更合理地檢測日志與流程之間的偏差問題，并能夠幫助解釋偏差產生的原因。

4 實驗

為了驗證所提方法的可行性與適用性，本章將詳細闡述相關實驗步驟。首先介紹實驗所使用的數據集；然后詳述對數據集進行的處理；最后，將方法應用至處理后的數據集，評估其效果，并將得到的結果與標準偏差檢測技術進行比較，得出結論，即本文方法在偏差檢測上更具準確性且更合理。

4.1 實驗數據處理

對于本文提出的基于數據影響的業務流程偏差檢測方法，根據算法2可以求得影響集以修正標準偏差檢測方法中產生的檢測誤差問題。為驗證方法在檢測流程模型和事件日志之間偏差的準確性，實驗使用文獻［21］所述OCEL標準存儲的一個描述訂單管理的真實數據集（http：//ocel-standard.org/），對其使用ProM中的OC-PM Model插件從數據集中挖掘得到一個以對象為中心的Petri網模型以用于偏差分析。

首先根據這些數據集挖掘得到Petri網模型，形成完全匹配的模型與日志序列，接著使用PLG對這些日志序列注入不同程度、不同類型的偏差行為，由此得到對應的攜帶不同程度和類型的偏差的日志，對這些生成的日志序列，執行本文所述偏差檢測算法，并與現有方法進行對比。注意，與本文方法不同，現有的大多數偏差檢測方法針對一個單一對象流程，因此，在使用以對象為中心的事件日志時，需將其扁平化。

對于無偏差的執行序列，實驗將四種不同類型的偏差事件注入其中：a）隨機地將一個或多個事件添加至已發生序列或隨機地刪除其中一個或多個已存在事件；b）隨機地修改兩個已存在事件的時間戳；c）隨機地修改已存在事件的原有數據值，包括輸入和輸出數據；d）隨機將一個或多個事件的執行對象替換為其他對象，以及四種偏差類型的混合。并按照5%、10%、15%、20%的偏差比例將偏差類型平均分配，由此每條日志可以得到20種不同類型的偏差序列。

4.2 實驗效果評估

實驗選擇三種標準的一致性檢查方法［23～25］，分別采用三種不同的基本對齊技術，將其應用至處理后的事件日志中，同時創建本文所述基于數據影響的業務流程偏差檢測方法，據此分析標準適應度和數據影響適應度之間的預期檢測差異，其中，標準適應度記為SF，基于數據影響的適應度記為OIF。三種標準一致性檢查技術與本文方法都將Petri網模型作為輸入，并將適應度作為其度量標準，因此在實驗中能夠消除不同衡量標準而產生的誤差。

圖4～6給出所選三種方法的標準適應度和本文所提數據影響適應度的結果對比，圖中對角線上的點表示兩種方法適應度值相等的情況，對角線上方的點表示本文的適應度值高于標準適應度的情況，下方的點則表示相反的情況。在圖4和5中，本文方法的適應度值對比其他方法沒有明顯的提升，這是因為這兩種方法僅用來處理控制流偏差，在數據失配的情況下，無法檢測到這種偏差行為，這一點從兩圖的表格中可以看出，在不考慮無法識別的偏差后，OIF平均值要高于SF平均值，同時，三種方法均無法針對執行對象產生的偏差。對比結果表明，本文方法獲得的適應度值更高。

圖7給出在注入同樣偏差比例的情況下，幾種方法的適應度與偏差類型之間的關系，從圖中可以看出，方法1和2均無法處理僅數據偏差的情況，三種方法也都無法處理以對象為中心的流程偏差情況。在日志中包含混合偏差的情況下，本文方法的適應度值最高，在僅包含活動偏差時，本文方法得到的適應度值均與其他三種方法相差不大，在僅包含數據失配偏差的情況下，則獲得了比方法3更高的適應度值，同時，本文方法能夠處理多對象交互下的偏差問題。因此，可以得出結論，本文提出的基于數據影響的偏差檢測方法在對活動冗余和數據失配的檢測上得到了較高的提升。總體上，與標準方法相比，在多對象交互的流程中，以對象為中心的數據影響偏差檢測方法能在檢測偏差的同時有效捕捉并處理受影響的偏差活動。

為驗證所提四種影響類型對偏差檢測結果的提升，圖8給出不同影響類型對偏差檢測效果的評估，橫坐標給出根據Petri網模型使用PLG生成的任意10條具有偏差的日志L1至L10，縱坐標分別為應用不同影響類型得到的偏差檢測適應度結果。

從圖8可以看出，當只考慮控制流影響時，檢測結果與標準方法SF1相差無幾，當同時考慮控制流與數據流影響以及數據對決策點的影響時，檢測結果得到了很大提升。

同時，觀察圖例所示的第3、4條折線趨勢可以得出，在考慮對象對數據的修改權限后，得到的適應度值呈現小幅度降低，這是由于在考慮流程交互時執行對象對數據的修改權限后，檢測到非法的數據更改所帶來的。

5 結束語

了解數據以及數據的變化對整個流程的影響是非常重要的，流程參與者可以據此處理流程執行過程中產生的變化。本文提出了一種在多對象交互流程下，基于數據影響的業務流程偏差檢測方法，該方法首先根據控制流和數據流信息遍歷流程模型與給定事件日志，篩選獲得發生偏差的活動；然后針對這些偏差活動進行以對象為中心的數據影響分析，分析包括數據對控制流、數據對數據流、數據對流程決策以及影響活動的數據的更改是否由正確的對象執行這四個方面；最后由實驗驗證表明，相比其他的偏差檢測方法，本文方法更為準確，且更具合理性。然而，本文方法需要追溯整條路徑，降低了檢測效率，并且無法處理執行過程中預期外的輸入數據及其更改，未來的工作將嘗試解決這一局限性，并在檢測結果的準確性和時間效率上進行權衡，提高方法在現實生活中的使用效率。

參考文獻：

［1］Dunzer S，Stierle M，Matzner M，et al. Conformance checking： a state-of-the-art literature review ［C］// Proc of the 11th International Conference on Subject-Oriented Business Process Management. New York： ACM Press，2019： 1-10.

［2］張力雯，方賢文. 基于對齊處理與偏差檢測的業務流程適合度分析 ［J］. 計算機集成制造系統，2020，26（6）： 1573-1581. （Zhang Liwen，Fang Xianwen. Business process fitness analysis based on alignment processing and deviation detection ［J］. Computer Integrated Manufacturing System，2020，26（6）： 1573-1581.）

［3］Wang Lu，Du Yuyue，Qi Liang. Efficient deviation detection between a process model and event logs ［J］. IEEE/CAA Journal of Automatica Sinica，2019，6（6）： 1352-1364.

［4］Gryuger J，Kuhn M，Bergmann R. Reconstructing invisible deviating events： a conformance checking approach for recurring events ［J］. Mathematical Biosciences and Engineering，2022，19（11）： 11782-11799.

［5］劉聰，程龍，曾慶田，等. 基于Petri網的分層業務過程挖掘方法 ［J］. 計算機集成制造系統，2020，26（6）： 1525-1537. （Liu Cong，Cheng Long，Zeng Qingtian，et al. Petri net-based hierarchical business process mining ［J］. Computer Integrated Manufacturing System，2020，26（6）： 1525-1537.）

［6］Nagy Z，Werner-Stark A. An alignment-based multi-perspective online conformance checking technique［J］.Acta Polytechnica Hungarica，2022，19（4）： 105-127.

［7］Song Wei，Jacobsen H A，Zhang Chengzhen，et al. Dependence-based data-aware process conformance checking ［J］. IEEE Trans on Services Computing，2018，14（3）： 654-667.

［8］Park G，Benzin J V，Van Der Aalst W M P. Detecting context-aware deviations in process executions ［C］// Proc of International Confe-rence on Business Process Management. Cham： Springer，2022： 190-206.

［9］Van Der Aalst W M P，Berti A. Discovering object-centric Petri nets ［J］. Fundamenta Informaticae，2020，175（1-4）： 1-40.

［10］Carrasquel J C，Mecheraoui K. Object-centric replay-based confor-mance checking： unveiling desire lines and local deviations ［J］. Modeling and Analysis of Information Systems，2021，28（2）： 146-168.

［11］Galanti R，De Leoni M，Navarin N，et al. Object-centric process predictive analytics ［J］. Expert Systems with Applications，2023，213： 119173.

［12］Tsoury A，Soffer P，Reinhartz-Berger I. Data impact analysis in business processes： automatic support and practical implications ［J］. Business and Information Systems Engineering，2020，62（1）： 41-60.

［13］Tsoury A，Soffer P，Reinhartz-Berger I. Impact-aware conformance checking ［C］// Proc of the 17th International Conference on Business Process Management Workshops. Cham： Springer，2019： 147-159.

［14］Tsoury A，Soffer P，Reinhartz-Berger I. How well did it recover？Impact-aware conformance checking ［J］. Computing，2021，103（1）： 3-27.

［15］Tario Z，Charles D，Mcclean S，et al. Anomaly detection for service-oriented business processes using conformance analysis ［J］. Algorithms，2022，15（8）： 257.

［16］Felli P，De Leoni M，Montali M. Soundness verification of data-aware process models with variable-to-variable conditions ［J］. Fundamenta Informaticae，2021，182（1）： 1-29.

［17］Liu Cong，Zeng Qingtian，Duan Hua，et al. Petri net based data-flow error detection and correction strategy for business processes ［J］. IEEE Access，2020，8： 43265-43276.

［18］Xiang Dongming，Liu Guanjun，Yan Chungang，et al. Checking the inconsistent data in concurrent systems by Petri nets with data operations ［C］//Proc of the 22nd IEEE International Conference on Parallel and Distributed Systems. Piscataway，NJ： IEEE Press，2016： 501-508.

［19］Wang Yadi，Yu Wangyang，Teng Peng，et al. A detection method for abnormal transactions in e-commerce based on extended data flow conformance checking ［J］. Wireless Communications and Mobile Computing，2022，2022： 1-14.

［20］Adams J N，van der Aalst W M P. Ocπ： object-centric process insights ［C］// Proc of the 43rd International Conference on Applications and Theory of Petri Nets and Concurrency. Cham： Springer，2022： 139-150.

［21］Ghahfarokhi A F，Park G，Berti A，et al. OCEL： a standard for object-centric event logs ［M］// Bellatreche L，Dumas M，Karras P，et al. New Trends in Database and Information Systems. Cham： Springer，2021： 169-175.

［22］Adams J N，Van Der Aalst W M P. Precision and fitness in object-centric process mining ［C］// Proc of the 3rd International Confe-rence on Process Mining. Piscataway，NJ： IEEE Press，2021： 128-135.

［23］Lee W L J，Verbeek H M W，Munoz-Gama J，et al. Recomposing conformance： closing the circle on decomposed alignment-based conformance checking in process mining ［J］. Information Sciences，2018，466： 55-91.

［24］Qi Hongda，Du Yuyue，Qi Liang，et al. An approach to repair Petri net-based process models with choice structures ［J］. Enterprise Information Systems，2018，12（8-9）： 1149-1179.

［25］Bergami G，Maggi F M，Marrella A，et al. Aligning data-aware decla-rative process models and event logs ［C］// Proc of the 19th International Conference on Business Process Management. Cham： Springer，2021： 235-251.