Weitere Algorithmen

3.5.1.1 Genetic Algorithmus

Dieser Algorithmus [MWA04, MWA05, AMW05, ProM-Hilfe] nutzt genetische Algorith-men um Prozessmodelle zu gewinnen. Genetische AlgorithAlgorith-men sind lernfähige Suchmetho-den, die versuchen die optimale Lösung für ein gegebenes Problem zu finSuchmetho-den, basierend auf den genetischen Prozessen der Evolution innerhalb einer Bevölkerung. Der Genetic Algorith-mus kann per Definition mit komplexen Konstrukten und Noise in den Log-Daten umgehen.

Abbildung 3-50 zeigt den Ergebnisgraph bei 50 Instanzen des Beispielprozesses ‚OP-Vorbereitung, V1’ und 5 % einfacher Noise.

Abbildung 3-50: Beispiel Genetic Algorithmus: OP-Vorbereitung, V1, 50 Instanzen, 5 % ein-fache Noise

Das Ergebnis wird als heuristisches Netz (siehe Kapitel 3.3.4) angezeigt, d.h. u.a. werden die Häufigkeitszahlen der einzelnen Knoten und Kanten annotiert. Wie man dem Graph entneh-men kann, werden die fehlerhaft im Log aufgezeichneten Beziehungen (=^ Kanten mit niedri-gen Häufigkeitszahlen) zwischen den einzelnen Ereignissen nicht ausgeblendet, so wie das beim Heuristics Miner der Fall ist (vgl. Abbildung 3-30). Man erhält also ein Ergebnis, dass dem ursprünglichen Prozess (oben rechts im Bild) nicht entspricht und auch die Grundstruktur ist schon schwieriger zu erkennen, wenn auch noch vorhanden. Dazu kommt noch, dass der Genetic Algorithmus nicht besonders performant ist. Für die Erzeugung des Beispielgraphen (bei 50 Instanzen und Standardparametern) benötigt der Genetic Algorithmus 20 Minuten¹³, während der Heuristics Miner beim selben Datensatz nur 1-2 Sekunden für die Erzeugung eines Graphen benötigt. Der unübersichtliche Ergebnisprozess und die schlechte Performanz machen den Genetic Algorithmus dadurch uninteressant für das Mining der mit dem De-monstrator erstellten Log-Daten.

3.5.1.2 Case Data Extraction

Das Case Data Extraction Plug-in für ProM betrachtet die Daten der einzelnen Instanzen in den Log-Daten. Es konvertiert die Daten in eine kommaseparierte (comma separeted values / csv) Datei. Solch eine Datei kann z.B. in Microsoft Excel importiert werden. Dies ist haupt-sächlich dazu gedacht, die Daten, die ein Prozess mitprotokolliert hat, von den Graphinforma-tionen zu trennen und gegebenenfalls anderweitig weiterzuverarbeiten. Eventuell kann man dieses Plug-in in Zukunft zusammen mit anderen Algorithmen verwenden, um noch mehr Informationen über Prozesse zu gewinnen.

3.5.1.3 Process Instance Inspector

Der Process Instance Inspector zeigt für einzelne Instanzen lediglich die serielle Aneinander-reihung der jeweiligen Ereignisse. Zu den einzelnen Ereignissen werden die im Log vorhan-denen Zusatzinformationen (z.B. gemessene Blutwerte) angezeigt, wie Abbildung 3-51 zeigt.

Eine Bearbeitung der Instanzen oder irgendeine Form von Mining findet nicht statt, auch eine Zusammenfassung der Instanzen ist nicht möglich. Denkbar wäre dieses Plug-in zukünftig im Zusammenhang mit anderen Algorithmen zu verwenden, um die Daten einzelner Instanzen zu vergleichen. Dadurch könnten z.B. Gründe für bestimmte Änderungen an einzelnen Instanzen gefunden werden.

13 Auf einem 2,0 GHz Intel Centrino Notebook mit 1024 MB Hauptspeicher und Windows XP Professional.

Abbildung 3-51: Beispiel Process Instance Inspector: Template2, V1, inkl. Data, 5 Instanzen (davon Instanz 0 ausgewählt), keine Noise

3.5.1.4 Social Network Miner

Der Social Network Miner [AaSo04] dient dazu, Rollen und andere Organisationsgebilde aus den Ereignis-Logs abzuleiten, also die Mitarbeit und Zusammenarbeit der einzelnen Bearbei-ter zu erfassen. Einerseits kann die Beziehung zwischen Personen (oder Gruppen von Perso-nen) und dem Prozess betrachtet werden, z.B. welcher Bearbeiter für welche Aktivität zustän-dig ist. Andererseits können die Beziehungen der Personen untereinander untersucht werden, um z.B. zu erkennen, welche Personen zusammen arbeiten und welche nicht.

3.5.1.5 Duplicate Tasks GA

Das Duplicate Tasks GA Plug-in ist eine Version des Genetic Algorithmus die für doppelte Schritte geeignet ist. Doppelte Schritte treten auf, wenn mehre Schritte im Prozessmodell den-selben Bezeichner haben. Außer in der Erkennung von doppelten Schritten unterscheidet sich dieses Plug-in nicht vom Genetic Algorithmus (siehe Kapitel 3.5.1.1), es ist insbesondere ge-nauso wenig performant.

3.5.1.6 DWS Mining

Das Disjunctive Workflow Schema (DWS) Mining Plug-in ist in der Lage eine Gruppe von Workflowmodellen zu erkennen, die verschiedene Untergruppen der gegebenen Log-Daten darstellen, und diese in einen durchsuchbaren Baum einzuordnen. Das heisst, sämtliche In-stanzen einer Log-Datei werden in disjunkte Klassen eingeteilt, die in einer Baumstruktur dargestellt werden. Dieser Algorithmus benutzt den Heuristics Miner, um immer mehr In-stanzen in die einzelnen Klassen abzuspalten, bis schließlich jede Instanz einer Klasse zuge-teilt worden ist, und auch nur noch gleichartige Instanzen zusammen sind. Wenn der Heu-ristics Miner bei der gegebenen Anzahl Instanzen den ursprünglichen Prozess erkennen kann, werden die Instanzen alle einer Klasse zugeordnet, da sie ja auch alle vom selben Prozess-schema abstammen. Sind die Log-Daten fehlerhaft oder nicht ausreichend, dann werden die einzelnen Instanzen unterschiedlichen Klassen zugeordnet, jedoch kann diese Klassenzuord-nung im Zusammenhand mit ADEPT und dieser Diplomarbeit nicht weiter verwendet werden, weshalb dieser Algorithmus nicht näher betrachtet wird.

3.5.1.7 Alpha++ Algorithmus

Der Alpha++ Algorithmus [WWS06] ist eine Version des Alpha-Algorithmus, die speziell dazu weiterentwickelt wurde, implizite Abhängigkeiten zu erkennen. Implizite Abhängigkei-ten sind indirekte AbhängigkeiAbhängigkei-ten, die im Log nicht vorkommen können, weil sie das Ausfüh-rungsverhalten eines Prozesses nicht verändern. Abbildung 3-52 zeigt z.B. eine implizite Ab-hängigkeit in einem Petrinetz. Transition B hängt implizit (über die Stelle P₁) von Transition A ab, d.h. B kann nur ausgeführt werden, wenn zuvor A ausgeführt wurde. Da aber zwischen A und B noch mindestens ein Schritt C¹⁴ ausgeführt wird, kann B im Log nie direkt auf A fol-gen. Die implizite Abhängigkeit kann also nicht erkannt werden.

Abbildung 3-52: Implizite Abhängigkeit in einem Petrinetz [WWS06]

Im Zusammenhang mit impliziten Abhängigkeiten gibt es so genannte Non-Free-Choice-Konstrukte (siehe Abbildung 3-53). Auch solche Non-Free-Choice-Konstrukte enthalten implizite Abhängigkei-ten. Bei Stelle P1 entscheidet sich, ob T1 oder T2 ausgeführt wird. Je nachdem was gewählt wurde, wird später T4 bzw. T5 ausgeführt, d.h. für die Stelle P5, dass sie nicht mehr die freie Wahl (=^ non-free-choice) hat, welche Transition schalten soll, weil diese Entscheidung schon früher getroffen wurde (bei P1). Die (impliziten) Beziehungen die zwischen T1 und T4 bzw. T2

und T5 können nicht erkannt werden, da im Log immer T3 dazwischen ausgeführt wird, sie also nie direkt aufeinander folgen können.

Abbildung 3-53: Beispiel eines Non-free-choice-Konstrukts [WWS06]

Der Alpha++ Algorithmus kann implizite Abhängigkeiten und Non-Free-Choice-Konstrukte erkennen, weil in ADEPT-Prozessen aber keine impliziten Abhängigkeiten vorkommen

14 Es können auch mehrere Schritte bzw. ein Subnetz zwischen A und B ausgeführt werden, an der impliziten Abhängigkeit und deren Erkennbarkeit ändert das nichts.

A P

C* P

B

nen (u.a. durch die Blockstruktur) und sich die Ergebnisse deshalb nicht vom normalen Al-pha-Algorithmus entscheiden, ist eine genaue Betrachtung dieses Ansatzes uninteressant.

3.5.1.8 Workflow Patterns Miner

Der Workflow Patterns Miner¹⁵ [GBG05] erkennt Workflow Pattern in einem Prozess. Als Eingabe wird ein fehlerfreier Log-Datensatz benötigt, um eine korrekte Erkennung der Pat-terns zu ermöglichen. Ansonsten kann es sein, dass viele seltene Pattern wie z.B. ‚1-out-of-3’

vom Algorithmus verwendet werden müssen, um den Prozess zu beschreiben, obwohl solche Pattern im ursprünglichen Prozess gar nicht verwendet wurden. Da die vom Demonstrator verwendeten Patterns auch so zu erkennen sind, und Workflow Pattern nicht Thema dieser Arbeit sind, ist dieses Plug-in nicht näher von Bedeutung.