16、大数据助力组织转型与事件日志异常行为修复

大数据助力组织转型与事件日志异常行为修复

事件日志异常行为修复

在过程挖掘中，输入数据往往包含异常（噪声和罕见）行为，这会导致挖掘结果不准确或不可用。为解决这一问题，提出了一种修复事件日志的方法。

过滤方法虽然能取得较好结果，但通常需要移除大量事件日志中的行为。以下是最佳过程模型在不同事件日志中剩余轨迹的百分比：
| 事件日志 | 噪声百分比：0 | 噪声百分比：5 | 噪声百分比：10 | 噪声百分比：20 | 噪声百分比：50 |
| — | — | — | — | — | — |
| 序列 | 100 | 95 | 90 | 81 | 52 |
| 异或 | 100 | 95 | 90 | 42 | 52 |
| 并行 | 100 | 52 | 48 | 41 | 23 |
| 循环 | 100 | 95 | 90 | 80 | 51 |
| 全部 | 83 | 95 | 90 | 9 | 5 |
| 高变体 | 100 | 95 | 90 | 81 | 20 |

从表格中可以看出，在某些情况下，最佳过程模型仅通过 5% 的轨迹就能被发现，这意味着需要从事件日志中移除大量行为。而修复方法则会保留所有轨迹，但可能会对其进行修改。

修复方法使用控制流导向的上下文模式的出现频率，以及不同子序列出现在其中间的概率来检测异常行为。如果该概率低于给定阈值，则根据上下文将子序列替换为更可能出现的子序列。以下是该方法的流程：

graph LR
    A[输入事件日志] --> B[计算上下文模式频率和