【技术实现步骤摘要】
基于GRU
‑
AE网络的多视角业务流程异常检测方法、系统以及设备
[0001]本专利技术涉及数据异常检测领域,尤其涉及一种基于GRU
‑
AE网络的多视角业务流程异常检测方法、系统以及设备。
技术介绍
[0002]随着信息化的发展,企业越来越依赖流程感知信息系统(PAISs)来优化其流程。然而,现实生活中的流程中,异常现象无处不在,导致这些异常现象的发生有许多原因,如软件故障或操作员错误。检测业务流程执行中的异常情况是非常有意义的。一方面,尽早发现这些在业务流程执行过程中产生的异常情况,对企业的健康运行起着至关重要的作用。另一方面,为了优化流程,高质量的事件日志是必不可少的,事件日志中的异常应被检测和删除。例如,流程挖掘(PM)提供了理解和优化流程的技术。然而,大多数现有的流程挖掘技术只有在事件日志是干净的(即没有异常)时才有效。
[0003]事件日志包含多个维度的信息,如活动、资源、数据和时间,并且这些信息之间存在复杂的内在关系。例如,活动的执行遵循一定的顺序(控制流依赖);数据在每个活动中被传递和修改(数据流依赖);不同的活动根据不同的数据值执行(控制流和数据流耦合);活动的持续时间不同(时间依赖);不同的活动由不同的机器或用户执行(资源依赖)。事件日志的异常可以分为六类,即:跳过、插入、重做、提前、延误和属性异常,其中前五类异常可称为控制流异常,是由活动执行顺序中的错误引起的。资源、数据和时间的错误都被归类为属性异常。复杂的依赖关系和多样化的异常情况给业务流程中的异常检 ...
【技术保护点】
【技术特征摘要】
1.一种基于GRU
‑
AE网络的多视角业务流程异常检测方法,其特征在于,所述基于GRU
‑
AE网络的多视角业务流程异常检测方法包括以下步骤:数据预处理,执行事件日志的预处理;执行模型训练;以及异常检测,将获取的特征输入训练后的模型,以获得属性级的异常分数,并根据阈值,将轨迹或者属性标记为异常或正常;其中,所述数据预处理步骤还包括步骤:获取事件日志的每一个轨迹,在第一个事件之前添加一个虚拟的开始事件,在最后一个事件之后添加一个虚拟的结束事件,将事件日志转换为三阶张量,作为待输入的特征;其中,所述执行模型训练步骤还包括步骤:GRU
‑
AE网络基于转换后的三维张量执行模型训练,学习事件日志中的正常行为,其中损失函数基于交叉熵准则,重建每个事件的每个属性在每个轨迹的属性值,公式为:公式中,t表示轨迹,e表示事件,a表示属性,T表示日志中的轨迹数量,E表示在日志中的轨迹的最大长度,A表示属性个数;其中,所述异常检测步骤还包括步骤:异常分数被定义为在概率分布中大于指定属性值v的概率p
v
的所有概率之和,公式为:其中,通过使用一个阈值τ,将异常分数映射为0或1,0表示正常,1表示异常。2.如权利要求1所述的基于GRU
‑
AE网络的多视角业务流程异常检测方法,其中使用包含异常轨迹的事件日志进行训练,学习正常行为,用于检测异常,根据异常分数的阈值,从而事件日志中重建误差大的部分被判定为异常。3.如权利要求1所述的基于GRU
‑
AE网络的多视角业务流程异常检测方法,其中所述基于GRU
‑
AE网络的多视角业务流程异常检测方法还包括步骤:在GRU
‑
AE网络训练过程中执行教师强迫方法。4.如权利要求1所述的基于GRU
‑
AE网络的多视角业务流程异常检测方法,其中还包括步骤:提供包括多个编码器和解码器的网络结构,属性集合中的每个属性被分配了一个编码器和一个解码器,在编码器中,以双向GRU作为主要结构,学习特征的表示;在解码器中,以GRU为主要结构,重建正常行为;引入注意力机制。5.如权利要求1至4中任一所述的基于GRU
‑
AE网络的多视角业务流程异常检测方法,其中所述模型训练步骤中,还包括步骤:使用批量归一化和随机失活方法,以抵制过度拟合。6.一种基于GRU
‑
AE网络的多视角业务流程异常检测设备,其特征在于,包括:存储器,用于存储软件...
【专利技术属性】
技术研发人员:王伟,曹健,关威,
申请(专利权)人:上海技群信息科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。