基于增强复杂场景日志的业务过程异常检测方法

《Frontiers in Artificial Intelligence》：Anomaly detection method for business processes based on enhanced complex scenario logs

　　

日志的质量对于业务过程异常检测的可靠性至关重要。已部署的信息系统受硬件限制，无法生成包含复杂场景信息的高质量事件日志，因此需要对日志质量进行事后增强。在此过程中，跨不同模态匹配相同实体至关重要。为了最大化复杂场景与文本之间的匹配程度，研究人员提出了一种增强复杂场景日志的两阶段方法。在第一阶段，采用基于图像多特征映射的跨模态实体对齐方法，该方法使用视觉语言预训练（VLP）模型。从图像中提取局部特征，并使用门控多融合模块动态融合图像的全局特征和局部多特征。利用信息噪声对比估计损失函数训练并优化模型，确保图像和文本之间的紧密对齐。此外，设计了多特征增强器以匹配图像和文本之间的相同实体，将图像特征信息集成到原始日志中。在第二阶段，构建了场景模拟图模型，以有效地将复杂场景中的离散传感器数据与日志融合，补充场景中常被忽略的离散数据。最后，在真实场景和六个常用事件日志数据集上，使用八种异常检测模型评估了增强事件日志的异常检测性能。结果表明，与其他事件日志数据集相比，增强事件日志在业务过程异常检测中具有更高的准确性。此外，在三个不同级别的增强场景事件日志上进行了消融实验，以验证该方法的有效性。

近年来，异常检测已成为业务过程挖掘领域最具活力的研究方向之一。尽管全球数据呈指数级增长，但当前的异常检测技术主要依赖于管理系统生成的结构化事件日志。这些事件日志信息仅涵盖场景中10%至20%的数据，而占总量80%至90%的非结构化场景信息（如人工操作记录、环境数据、设备状态等）长期未得到有效利用。这种结构性数据不平衡导致异常检测关键方面存在盲区，限制了涉及人员活动和环境交互的复杂业务过程异常检测的发展。为解决上述问题，研究人员提出了一种基于增强复杂场景日志的业务过程异常检测方法。该研究通过匹配和关联不同模态的等效实体来增强场景事件日志，提高了异常检测识别传统日志中不可见异常的能力。研究结果证明了该方法在业务过程异常检测中的有效性和优越性，相关成果发表在《Frontiers in Artificial Intelligence》上，为复杂场景下多模态数据融合与跨模态对齐提供了重要的技术支持。

研究人员在泵站电机启动场景下开展研究。样本队列来源于真实泵站场景收集的288条正常操作轨迹，并注入异常比例构建了342组合成样本。研究采用两阶段方法：第一阶段基于视觉语言预训练（VLP，结合视觉和语言的预训练模型）模型，设计图像多特征映射跨模态实体对齐（IMFM-CMEA）模块，结合U₂-Net、Canny算子、局部二值模式（LBP）和高斯混合模型（GMM）提取图像多特征，利用门控多融合单元和信息噪声对比估计（InfoNCE，一种用于对比学习的损失函数）进行融合对齐；第二阶段构建场景模拟图模型，将温度和振动等离散传感器数据与事件关联并融合至日志中。

*独立评估IMFM-CMEA*
研究人员在图像-文本检索和实体匹配任务上评估了IMFM-CMEA模块的性能。通过计算平均倒数排名（MRR）和Recall@K等指标，发现该模块在泵站电机启动场景中的实体匹配整体精度达到92.5%，召回率为89.3%。在跨模态检索评估中，MRR达到0.87。通过余弦相似度矩阵分析，证明门控多融合模块和跨模态对比学习策略成功捕获了细粒度语义联系，在异常检测之前建立了非结构化场景图像与结构化日志之间的紧密语义对齐。

*比较模型*
研究人员在增强事件日志和六个主流数据集上，使用八种异常检测算法进行了横向比较。通过计算F-score指标，发现增强事件日志数据集能有效支持多维度异常检测，在过程活动层面的平均F-score超过0.85，属性异常检测的平均值高达96%。在轨迹和属性级异常检测中，增强事件日志在所有模型中保持稳定性能，证实了数据集在多源数据对齐方面的优势。

*消融实验*
通过设计消融实验，研究人员对比了管理系统原始日志数据集和经过场景视频增强的日志数据集。实验发现，原始数据集由于缺乏事件属性信息，异常检测性能较差；经过第二阶段增强的数据集补充了事件属性信息，其异常检测F-score较原始数据集提升了70%。缺乏场景离散信息补充的Video数据集，其异常检测效果较最终增强事件日志下降了8%，验证了视频数据和离散数据对业务过程异常检测的重要性。

*τ参数的影响*
研究人员评估了阈值τ对检测效果的动态影响。随着阈值从0逐渐增加，异常标记准则收紧。在异常比例为0.1的测试场景中，检测率呈先升后降的抛物线趋势。当阈值在0.91到0.98范围内时，过程步骤异常的检测率保持在0.9以上，属性异常检测稳定在0.7以上，证实了测试模型在较宽参数范围内的鲁棒性。

研究结论部分指出，本研究主要提出了一种两阶段的事件日志信息增强方法，该方法考虑了场景中非结构化数据与管理系统结构化日志之间的相关性。通过匹配和对齐不同模态的等效实体，该方法增强了场景事件日志，提升了业务过程异常检测识别传统管理系统日志中不可见异常的能力。针对部分未成功检测的轨迹级异常，研究人员分析了活动间关系未深入探索以及场景数据收集受限等可能因素。未来的工作将扩大数据收集范围，进一步研究数据间的依赖关系，并考虑将场景模拟图扩展为加权有向图，以显式表示传感器对活动影响的方向和强度。此外，还将探索多模态协同融合、时空图神经网络（STGNN）和知识图谱，以增强框架的跨领域适应性和鲁棒性。