ОЦІНКА ПРОДУКТИВНОСТІ НЕЙРОМЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ АНОМАЛІЙ У БІЗНЕС-ПРОЦЕСАХ
DOI:
https://doi.org/10.32782/tnv-tech.2025.1.6Ключові слова:
BPM, Anomaly Detection, DNN, GNN, CNN, RNN, LSTM, Autoencoder, TransformersАнотація
Метою дослідження є оцінка ефективності різних архітектур глибоких нейронних мереж (DNN) для ідентифікації аномалій у бізнес-процесах, що є критичним завданням у контексті цифрової трансформації та автоматизації управлінських рішень. У роботі розглядаються та порівнюються такі архітектури: графові нейронні мережі (GNN) для виявлення структурних аномалій, рекурентні нейронні мережі (LSTM, RNN) та трансформери (Transformers) для аналізу часових рядів і прогнозування, а також автоенкодери (Autoencoders) для роботи з атрибутивними даними. Запропоновано адаптивний підхід, що поєднує переваги різних моделей залежно від типу бізнес-процесу та його характеристик. Дослідження базується на великому наборі даних, отриманому з BPMS-системи, який включає графи процесів, збагачені бізнес-параметрами. Розглянуто чотири основні типи аномалій: пропущені кроки (Missing Steps), дублювання кроків (Duplicate Steps), неправильні маршрути (Wrong Route) та аномальну тривалість виконання завдань (Abnormal Duration). В експериментальній частині досліджено продуктивність моделей за ключовими метриками, включаючи Precision, Recall, F1-score, AUC-ROC, AUPRC, ADR (Anomaly Detection Rate), FAR (False Alarm Rate), FNR (False Negative Rate), а також час навчання моделей та матрицю плутанини для детального аналізу розподілу прогнозованих класів. Результати показують, що Transformers демонструють найвищу точність у виявленні складних послідовностей подій, GNN найкраще справляється зі структурними аномаліями, а Autoencoders ефективні при роботі з атрибутивними наборами даних. Запропоновано рекомендації щодо вибору архітектури залежно від специфіки бізнес-процесу та обмежень щодо обчислювальних ресурсів. Отримані результати можуть бути використані для оптимізації процесного моніторингу, автоматизації виявлення порушень та підвищення ефективності управління бізнес-процесами в умовах мінливого цифрового середовища.
Посилання
Aalst W. Van der Process Mining. Berlin, Heidelberg : Springer Berlin Heidelberg, 2016. 1-467 p. DOI:10.1007/978-3-662-49851-4.
Al-Jebrni A., Cai H., Jiang L. Predicting the Next Process Event Using Convolutional Neural Networks. 2018 IEEE International Conference on Progress in Informatics and Computing (PIC)(12.2018). IEEE, 2018. DOI:10.1109/PIC.2018.8706282. P. 332–338.
Alizadeh M., Leoni M. de, Zannone N. History-Based Construction of Alignments for Conformance Checking: Formalization and Implementation. 2015. P. 58–78. DOI:10.1007/978-3-319-27243-6_3.
Ariyaluran Habeeb R. A., Nasaruddin F., Gani A. et al. Real-time big data processing for anomaly detection: A Survey. International Journal of Information Management. Vol. 45, 01.04.2019. P. 289–307. DOI:10.1016/j.ijinfomgt.2018.08.006.
Bezerra F., Wainer J. Anomaly Detection Algorithms In Business Process Logs. Proceedings of the Tenth International Conference on Enterprise Information Systems(2008). SciTePress – Science and and Technology Publications, 2008. DOI:10.5220/0001674700110018. P. 11–18.
Cai J., Zhang Y., Fan J. Self-Discriminative Modeling for Anomalous Graph Detection. 09.10.2023. URL: http://arxiv.org/abs/2310.06261
Chen J., Sathe S., Aggarwal C. et al. Outlier Detection with Autoencoder Ensembles. Proceedings of the 2017 SIAM International Conference on Data Mining. Philadelphia, PA : Society for Industrial and Applied Mathematics, 2017. P. 90–98. DOI :10.1137/1.9781611974973.11.
Darmawan H., Sarno R., Ahmadiyah A. S. et al. Anomaly detection based on control-flow pattern of Parallel Business Processes. Telkomnika (Telecommunication Computing Electronics and Control). Vol. 16, Issue 6. P. 2809–2816. DOI:10.12928/ TELKOMNIKA.v16i6.10568.
Eberle W., Holder L. Discovering Structural Anomalies in Graph-Based Data. Seventh IEEE International Conference on Data Mining Workshops (ICDMW 2007) (10.2007). IEEE, 2007. DOI:10.1109/ICDMW.2007.91. P. 393–398.
Galanti R., Coma-Puig B., Leoni M. de et al. Explainable Predictive Process Monitoring. 2020 2nd International Conference on Process Mining (ICPM)(10.2020). IEEE, 2020. DOI:10.1109/ICPM49681.2020.00012. P. 1–8.
Gong Z., Fang X., Wu P. Anomaly Correction of Business Processes Using Transformer Autoencoder. 2024. P. 1–16. Also available online, URL: http://arxiv.org/ abs/2404.10211
Guan W., Cao J., Yao Y. et al. COMB: Interconnected Transformers-Based Autoencoder for Multi-Perspective Business Process Anomaly Detection. 2024 IEEE International Conference on Web Services (ICWS)(07.07.2024). IEEE, 2024. DOI:10.1109/ICWS62655.2024.00134. P. 1115–1124.
Ha J., Kambe M., Pe J. Data Mining: Concepts and Techniques. 2011. 1-703 p. DOI:10.1016/C2009-0-61819-5.
Ioannidis V. N., Berberidis D., Giannakis G. B. GraphSAC: Detecting anomalies in large-scale graphs. 21.10.2019. P. 1–13. Also available online, URL: http://arxiv.org/ abs/1910.09589
Ji Y., Wang J., Li S. et al. An Anomaly Event Detection Method Based on GNN Algorithm for Multi-data Sources. Proceedings of the 3rd ACM International Symposium on Blockchain and Secure Critical Infrastructure(24.05.2021). New York, NY, USA : ACM, 2021. DOI:10.1145/3457337.3457846. P. 91–96.
Landauer M., Onder S., Skopik F. et al. Deep learning for anomaly detection in log data: A survey. Machine Learning with Applications. Vol. 12, Issue March. P. 100470. DOI:10.1016/j.mlwa.2023.100470.
Ni W., Zhao G., Liu T. et al. Predictive Business Process Monitoring Approach Based on Hierarchical Transformer. Electronics. Vol. 12, Issue 6. P. 1273. DOI:10.3390/ electronics12061273.
Nolle T., Luettgen S., Seeliger A. et al. Analyzing business process anomalies using autoencoders. Machine Learning. Vol. 107, Issue 11. P. 1875–1893. DOI:10.1007/ s10994-018-5702-8.
Nolle T., Luettgen S., Seeliger A. et al. BINet: Multi-perspective business process anomaly classification. Information Systems. Vol. 103, 01.2022. P. 101458. DOI:10.1016/j.is.2019.101458.
Park G., Song M. Predicting performances in business processes using deep neural networks. Decision Support Systems. Vol. 129, Issue November 2019. P. 113191. DOI:10.1016/j.dss.2019.113191.
Vidacic T., Strahonja V. Taxonomy of Anomalies in Business Process Models. Information System Development. Cham : Springer International Publishing, 2014. P. 283–294. DOI:10.1007/978-3-319-07215-9_23.
Wang Z., Chen Z., Ni J. et al. Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection. Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining(14.08.2021). New York, NY, USA : ACM, 2021. DOI:10.1145/3447548.3467125. P. 3726–3734.
Weinzierl S., Zilker S., Dunzer S. et al. Machine learning in business process management: A systematic literature review. Expert Systems with Applications. Vol. 253, 01.11.2024. P. 124181. DOI:10.1016/j.eswa.2024.124181.
Ye S., Wang J., Ali S. et al. Recovering Latent Data Flow from Business Process Model Automatically. Wireless Communications and Mobile Computing. ed. Y. Wang. Vol. 2022, 20.06.2022. P. 1–11. DOI:10.1155/2022/7579515.
Zhao D., Zhou Z. Anomaly and Interestingness Detection in Timed Hierarchical Business Processes. IEEE Transactions on Engineering Management. Vol. 71, 2024. P. 12619–12634. DOI:10.1109/TEM.2022.3182413.
