[发明专利]基于多属性图的图神经网络业务流程异常检测方法和系统

说明书

本发明提供了一种基于多属性图的图神经网络业务流程异常检测方法和系统，包括：步骤1：通过多图生成器将事件日志中的轨迹转换为多张图；步骤2：将转换后的多张图输入到多图编码器中进行独热编码和位置编码，获得每个节点的隐藏表示；步骤3：通过多序列解码器将每个节点的隐藏表示解码成概率分布；步骤4：通过异常得分计算器根据概率分布计算异常分数，并根据阈值将轨迹和属性标记为异常或正常。本发明解决了业务流程领域中异常检测技术问题，能够自动检测事件日志中的异常轨迹并指出异常的根本原因。

技术领域

本发明涉及业务流程异常检测技术领域，具体地，涉及一种基于多属性图的图神经网络业务流程异常检测方法和系统。

背景技术

异常检测也被称为离群点检测、新颖性检测等，主要是在正常实例群识别罕见的、意外的和可疑的实例。它的应用范围很广，包括垃圾邮件检测、金融欺诈检测、网络安全中的入侵检测等，对协助从业者和决策者从数据中发现、管理和避免异常模式有重大意义。随着近年来信息技术的发展，企业越来越依赖流程感知信息系统PAIS来优化其流程。然而，流程中的异常是不可避免的，这有许多原因，如系统故障、操作员错误等。业务流程中的异常检测已经吸引了大量的研究关注。

检测业务流程中的异常情况是有意义的。首先，企业的健康运行取决于对业务流程执行过程中出现的异常情况的早期检测。此外，低质量的事件日志(即含有异常)会阻碍我们从中提取有价值的信息的能力，所以我们需要检测和删除异常。例如，流程挖掘PM提供了理解和加强各应用领域流程的技术。使用低质量事件日志的过程挖掘技术的输出也可能是低质量的，从而降低了基于它的任何决策的质量。

事件日志存在如活动、资源、数据和时间等多个视角，并且它们之间有复杂的依赖关系。例如，i)控制流依赖：活动的执行遵循特定的顺序；ii)数据流依赖：数据在每个活动的执行过程中被传递和修改；iii)控制流和数据流耦合：根据不同的数据值执行不同的活动；iv)时间依赖：不同的活动有不同的持续时间。以及iv)资源依赖：不同的机器或用户执行不同的活动。如何捕捉这些复杂的依赖关系，检测业务流程中的异常是一项有挑战的任务。

专利文献CN115115019A(申请号：CN202110296482.X)公开了一种基于神经网络的异常检测方法，用于对多维时序数据中的异常数据进行自动化检测，包括以下步骤：

步骤1，根据多维时序数据的长短设置长、中、短三个时间窗口长度，将多维时序数据根据时间窗口长度划分为多个时间窗口数据并根据划分后时间窗口长度计算相关性矩阵作为对应时间窗口数据的信号矩阵；步骤2，通过卷积神经网络对信号矩阵的空间信息进行提取，并对信号矩阵进行编码；步骤3，通过卷积长短记忆神经网络对信号矩阵的时序信息进行提取，并添加到编码后的信号矩阵；步骤4，将编码后的信号矩阵通过卷积神经网络与卷积长短记忆神经网络进行解码得到还原矩阵，对还原矩阵与信号矩阵计算重建误差，并设定阈值进行异常数据判定。然而该专利无法解决目前存在的技术问题，也无法满足本发明的需求。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多属性图的图神经网络业务流程异常检测方法和系统。

根据本发明提供的基于多属性图的图神经网络业务流程异常检测方法，包括：

步骤1：通过多图生成器将事件日志中的轨迹转换为多张图；

步骤2：将转换后的多张图输入到多图编码器中进行独热编码和位置编码，获得每个节点的隐藏表示；

步骤3：通过多序列解码器将每个节点的隐藏表示解码成概率分布；

步骤4：通过异常得分计算器根据概率分布计算异常分数，并根据阈值将轨迹和属性标记为异常或正常。

优选的，所述步骤1包括：

计算每个直接跟随关系(b,c)的出现次数，表示在事件日志L中活动b被活动c直接跟随；