[合规性检查方法-Precision1]（高级）行为适当性度量

北冥有鱼zsp

已于 2022-08-29 19:05:29 修改

阅读量447

点赞数

分类专栏：流程挖掘知识文章标签： java 开发语言

于 2022-08-29 18:43:16 首次发布

本文链接：https://blog.csdn.net/qq_40420514/article/details/126589776

版权

流程挖掘知识专栏收录该内容

35 篇文章 64 订阅

订阅专栏

（高级）行为适当性度量【Advanced behavioral appropriateness】是一种基于足迹的度量，它比较关系的前后关系。它是相当粗粒度的，在计算上是必要的，因为它需要状态空间探索。在2006年由A. Rozinat提出，下面我们将详细介绍这一算法思想。

1. 背景介绍

前面我们介绍了拟合度，并详细地介绍了几种计算拟合度的经典算法。如果Petri网可以生成日志中的每个轨迹，则事件日志和Petri网“拟合”。换句话说：Petri网应该能够“解析”每个事件序列。但是，良好的拟合度并不意味着事件日志和流程模型的完美一致性。比如花型模型的拟合度为1，但是却对我们实际应用是没有意义的。因此,，我们引入了第二个维度：适当性（Appropriateness）。适当性认为一个良好的模型不应该存在过多的行为，这也就是我们通常所说的精确度。“良好”的过程模型在结构上应该是最小的，以清楚地反映所描述的行为，在下文中称为结构适当性(structural appropriateness)，而在行为上应该是最低的，以尽可能接近实际发生的情况，这将称为行为适当性(behavioral appropriateness)。

在2006年A. Rozinat提出适当性，从结构适当性和行为适当性两方面出发，结构适当性（如果一个简单的模型可以解释日志，为什么选择一个复杂的模型）和行为适当性（模型不应该太通用，也不应该考虑太多的行为)，对一致性进行了进一步的扩展。

2.方法思想

指标1（简单行为适当性）。设k为来自日志的不同轨迹数。对于每个日志轨迹i（1<=p<=k），ni是组合到当前轨迹中的流程实例数，xi是当前轨迹的日志重演期间使能的变迁的平均数（注意，不可见任务可能会启用后续标记的任务，但它们本身不被计数）。此外，Tv是Petri网模型中的可见任务集。简单的行为适当性度量aB定义如下：

$a_B=\frac{\sum_{i=1}^{k}ni(|T_V|-x_i)}{(|T_V|-1)\cdot \sum_{i=1}^{k}n_i}$

假设|Tv|>1，该度量的范围从0（如果模型中的所有可见任务在日志重演期间始终使能，如“花形”模型M2中的情况）到1（顺序流程）。

根据公式计算日志L2和流程模型M4的简单行为适当性为aB（M4,L2)~=0.967。

这是一个略大于允许活动G（M5）的任意循环的模型的值，该模型产生aB(M5,L2)~=0:964.

然而，存在的问题是，该指标只能用作比较手段，因为它衡量的是相对于模型灵活性的适当性。也就是说，模型M4优于模型M5，因为模型允许的行为越少越好。但它仅在纯顺序模型中达到值1，在该模型中，在日志重演的每个步骤中只使能一个任务。此外，该度量对于模型通过重复任务（例如流程模型M3）顺序化的情况是不稳定的。

为了独立于此类结构属性和独立于模型灵活性来处理行为适当性，必须分析模型指定的潜在行为，并将其与描述日志中观察到的实际行为进行比较。

可以从模型和日志的角度推导活动之间的可比“后”和“前”关系。为了削弱对事件日志的完整性要求，并捕获活动之间的长距离依赖关系，全局确定“跟随”（或“先行”）关系（即，任务或日志事件不需要直接跟随或先行）。如果我们看一组序列，我们可以确定两个活动(x,y)要么总是(always)，要么从不(never)，要么有时(sometimes)跟随或先于.

定义1（跟随关系Follows relations）。两项活动(x,y)处于“始终跟随”、“从不跟随”或“有时跟随”关系中，如果x至少执行一次，则始终、从不或有时y最终也分别执行。

定义2（先行关系Precedes relations）。两项活动(x,y)处于“始终在前”、“从不在前”或“有时在前”的关系中，如果y至少执行一次，则总是、从不、或有时x也分别在某个时间之前执行。

请注意，“Follows”和“Precedes”关系在序列中的任何一对标签保持不变时即被定义。举个例子，想象一个序列(x,...,x,... ,y,...,x)。这里，元组（x，y）将是“Follows”关系的一个元素，尽管它不适用于所有x，它们最终都会被y跟随。

在下图中，可以看到，虽然根据模型M5，活动G之后可能是活动G，但这实际上从未发生在事件日志L2中。请注意，通常模型中的路径数大于日志中实际出现的轨迹集。因此，从模型推导关系的成本可能会有问题，而从日志构建关系.

虽然“始终”和“从不”关系描述了硬约束（即，对于一系列活动始终或从不成立的“跟随”或“先行”关系），但“有时”关系捕获了行为中的变量。例如，并发活动可以以任何顺序彼此跟随和超前（参见图中的cf(D,H)和（H,D））。类似地，在多个备选分支之前的活动有时会跟随这些备选分支中的一个，有时会跟随另一个（参见图中的cf(A,B)和(A,C））。在加入多个备选分支之后的活动也是如此（反映在“有时在前”关系中）。因此，以下度量的思想是基于SF和SP关系的基数，比较模型允许的行为和日志中观察到的行为的变量。

指标2（高级行为适当性）。流程模型中的跟随关系用 $S_{F}^{m}$ 表示，先于关系用 $S_{P}^{m}$

表示；事件日志中的跟随关系为 $S_{F}^{l}$ ，先于关系为 $S_{P}^{l}$ ，那么高级行为适当性a'B被定义为：

$a'_B=(\frac{|S_{F}^{l}\cap S_{F}^{m}|}{2\cdot |S_{F}^{m}|}+\frac{|S_{P}^{l}\cap S_{P}^{m}|}{2\cdot |S_{P}^{m}|})$

可以计算得出a'B(M4,L2)=1, $a'_B(M5,L2)=(\frac{19}{2\cdot 20}+\frac{20}{2\cdot 21})\approx 0.951$ .

此外，也定义了结构适当性。

作为结构适当性的第一个指标，我们定义了一个简单的度量，该度量基于与模型图大小相关的不同任务标签的数量。

指标3（简单结构适当性Simple structural appropriateness）。设L是建立模型中的任务和日志中的事件之间的映射标签集，N是Petri网模型中的节点集（即库所和变迁）。简单的结构适当性度量定义如下：

$a_S=\frac{|L|+2}{|N|}$

鉴于WF网络预期有一个专用的开始和结束位置，图形必须包含每个任务标签的至少一个转换，以及两个位置（开始和结束）。在这种情况下，|N|=|L|+2和度量aS产生值1。图的大小越大，测量值越接近0。

模型M3的结构适当性，其结果为aS(M3) $\approx$ 0.170，这是一个非常糟糕的值，由许多重复任务引起（因为它们在具有相同标签的同时增加了变迁的数量）。对于模型M4，度量结果为aS（M4) $\approx$ 0.5。

然而，该度量只能用作表现出等效行为的流程模型的比较手段（因为它仅基于模型的图形大小）。因此，它的适用性有限。

为了独立于模型的实际行为来处理结构适当性，最好验证某些设计准则，这些准则定义了表达特定行为模式的首选方式，并以某种方式惩罚违反这些准则的行为。根据本节前面报告的结果提出了一种新的结构适当性方法。作为设计指南，应避免诸如替代重复任务（在一个执行序列中永远不会同时发生的重复任务）和冗余不可见任务（可以从模型中删除而不改变行为的不可见任务）等构造，因为它们被识别为膨胀流程模型的结构，并降低所表达行为的清晰性。

指标4（高级结构适当性）。设T为Petri网模型中的变迁集， $T_{DA}$ 为重复任务集， $T_{IR}$ 是冗余不可见任务集。高级结构适当性度量a‘S定义如下：

$a'_S=\frac{|T|-(|T_{DA}|+|T_{IR}|)}{|T|}$

3.工具实现

该方法是在ProM5.2平台及其更早版本上进行的，插件名为"Conformance Checker"。操作步骤如下：

(1)导入关联的事件日志和Petri网模型。

（2）设置相关参数(一般为默认设置）：

(3）进行一致性分析：

4.结论

高级行为适当性从基于足迹矩阵的角度出发，量化了模型和事件日志之间的行为差异，同时也对结构适当性进行了合理定义，给我们提供了一致性分析的其中一种方法，但是过于粗粒度，不能满足在实际应用的分析。

下一讲，我们将继续介绍更为先进的精确度计算方法-ETC Precision.

参考文献：

A. Rozinat, W.M.P. van der Aalst, Conformance checking of processes based on monitoring real behavior, Inf. Syst. 33 (1) (2008) 64–95.

如需进行相关的了解或者交流，欢迎私信或者加入QQ群：

北冥有鱼zsp

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
[合规性检查方法-Precision1]（高级）行为适当性度量

（高级）行为适当性度量【Advanced behavioral appropriateness】是一种基于足迹的度量，它比较关系的前后关系。它是相当粗粒度的，在计算上是必要的，因为它需要状态空间探索。在2006年由A. Rozinat提出，下面我们将详细介绍这一算法思想。.........
复制链接

扫一扫