ارائه يك روش سريع و دقيق براي شناسايي رانش مفهوم با تحليل سابقه‌ي رويدادها

Fast and accurate concept drift detection from event logs

در سازمان ها و شركت هاي بزرگ كه از سيستم هاي مديريت فرآيندهاي كسب و كار (BPMS) بهره مي برند، در هر لحظه با توجه به قوانين بالادستي و شرايط بازار، ممكن است در فرآيندهاي كسب و كار تغييرات رخ دهد. اين تغييرات گاهي به صورت آني و گاهي به صورت تدريجي روي سيستم اعمال مي گردد. شناسايي به موقع اين تغييرات مي تواند در تصميم گيري بهتر مديران سازمان اثر گذار باشد. تجزيه و تحليل سابقه ي رويدادها در اين سيستم ها، امكان شناسايي تغييرات ايجاد شده در فرآيندهاي كسب و كار را به صورت خودكار فراهم مي كند. به اين تغييرات در فرآيندها به اصطلاح رانش مفهوم در فرآيند كسب و كار گفته مي شود. استخراج رانش مفهوم اشاره دارد به شناسايي محل و نوع تغييراتي كه در طول زمان در فرآيندهاي كسب و كار يا به طور كلي در سابقه‌ي روبداد رخ داده است. در اين مقاله يك روش ابتكاري با معرفي يك تابع فاصله اصلاح شده، براي شناسايي محل و زمان ايجاد رانش مفهوم ارائه مي شود. آزمايش هاي انجام شده بر روي 72 پايگاه دادِگان موجود در پيشينه ي پژوهش كه شامل 648 رانش مفهوم در 12 نوع مختلف است، نشان مي دهد روش پيشنهادي 98/18 درصد از رانش ها را تشخيص مي‌دهد درحالي كه روش پيشنهادي نسبت به بهترين روش موجود بسيار سريع‌تر است.

In organizations and large companies that are using business process management systems (BPMSs), process model can change due to upstream laws, market conditions. BPMSs have flexible to these changes. Effect of these change are saved in storage devises and event logs; these changes are sometimes applied suddenly or gradually on the event logs. Changing the season or starting a new financial term can be a factor to make these changes. This change is called concept drift in business process model. On time detection and recognition of process concept drift can affect the decision making of managers and administrations of systems. An analysis of the event logs in BPMS allows the automatic detection of the concept drift. This paper presents an innovative method by introducing a modified distance function to identify the concept drift. Experimental results were performed on 72 datasets in the research history, which included 648 concept drifts in 12 different types. It shows that the proposed method detects 98.18% of the drifts, while the proposed method is much faster than other state of the art methods.