摘要
事件日志的隐私保护技术通过在日志数据中注入噪声来防止敏感信息泄露，从而降低业务流程管理中的隐私风险。然而，这种方法在确保隐私的同时往往会降低数据效用，影响后续分析的准确性。当前研究主要基于数据属性优化噪声注入以保留效用，但忽略了行为关系变化对数据质量的影响。针对这一问题，本文提出了一种基于放松行为模式的事件日志隐私保护方法。首先，形式化了一个行为隐私攻击模型，揭示了行为关系如何导致隐私泄露。在此基础上，利用数据属性扩展行为模式，并提出一种行为模式扩展算法，用于分析活动之间的隐含行为关系。这使得能够构建一个结合行为与数据属性的多视角扰动集。最后，使用差分隐私方法注入扰动。在真实世界和合成数据集上的实验表明，该方法生成的事件日志在建模关系层面上保持行为不变，有效缓解了日志匿名化造成的效用损失，在合成数据上达到了高达0.874的F1分数，与基线方法相当。
