近年来,越来越多的企业组织使用业务过程管理系统管理和控制他们的业务过程.然而,在业务过程的执行过程中,容易出现各种各样的异常,如控制流异常、数据流异常、时间异常和资源异常等.控制流是业务过程的主干,检测控制流异常对业务过程的正常执行具有至关重要的作用.为了检测业务过程在执行过程中出现的控制流异常,本文提出了一种基于自注意力机制与长短期记忆网络(LSTM)相结合的神经网络模型预测业务过程的下一个活动,将预测的活动与实际发生的活动进行比较以检测业务过程是否发生控制流异常,其中自注意力用于建模活动序列中活动之间的依赖关系,而LSTM仅用于编码活动的位置信息.此外,为了解决假阳性的问题,本文提出了一种通过计算异常分数并基于阈值的方法确定实际发生的活动是否异常.为了验证方法检测异常的性能,实验中选用了 5种典型的方法进行比较.实验结果表明,所提出的方法能有效检测控制流异常.

业务过程;异常检测;控制流异常;自注意力机制;神经网络

上海市现代光学系统重点实验室,光学仪器与系统教育部工程研究中心,上海理工大学光电信息与计算机工程学院,上海200093;上海交通大学计算机科学与技术系,上海200030

[1]付建平;赵海燕;曹健;陈庆奎-.面向业务过程异常检测的深度学习模型BPAD-LS)[J].小型微型计算机系统,2022(05):902-912

BPAD,控制流异常

程异,异常检测,深度学习模型,企业组织,业务过程管理,系统管理,管理和控制,在业,执行过程,各种各样,数据流,时间异常,检测控制,自注意力机制,长短期记忆网络,实际发生,活动序,依赖关系,位置信息,假阳性,验证方法,有效检测

0.219866