分布式系统中大事件日志与流程模型的优化对齐：Petri网加速策略

"这篇论文翻译讨论了在分布式系统上处理大型事件日志和流程模型对齐的优化方法，采用基于Petri网的策略。通过模型分解来提高计算效率，尤其是在处理大规模数据时。论文介绍了使用A*算法的现有对齐技术的局限性，并提出了一种在Spark平台上实现的分布式解决方案，通过实验验证了新方法在加速对齐计算上的有效性。流程挖掘作为关键工具，被广泛应用于各种领域，而对齐计算是其核心挑战之一，对于评估流程模型质量和优化业务操作至关重要。" 在流程挖掘领域，理解和分析业务流程是至关重要的，这涉及到创建、管理和改进组织的自动化工作流。论文的核心关注点是事件日志与流程模型之间的对齐计算，这是一个衡量实际执行流程与预期模型匹配程度的过程。这一过程对于一致性检查、偏差诊断以及识别流程瓶颈非常有用。传统的对齐计算方法，如基于A*的算法，虽然在中等规模的数据上表现良好，但在处理大规模事件日志和流程模型时，性能会显著下降。 论文提出了一种创新的解决策略，即利用Petri网的分解技术来提升对齐计算的效率。Petri网是一种强大的建模工具，特别适合表示复杂的并发和同步行为，因此在流程建模中广泛应用。通过将大型Petri网分解为更小、更易于处理的部分，可以降低计算复杂度，从而加速对齐的计算。 为了应对分布式环境中的大数据挑战，研究者将这种方法与Apache Spark平台相结合，这是一种流行的分布式计算框架，能够高效处理大规模数据。实验表明，这种方法在处理大型事件日志和流程模型时，相比于基于A*的传统方法，能显著减少计算时间。 此外，论文还引用了流程模型分解和其他高级策略，如[13,14,15]中的方法，这些策略进一步增强了在合规检查中的性能。论文强调，随着现代信息系统中事件数据量的不断增长，对性能优化的需求变得更加迫切，所提出的方法为此提供了一个有效的解决方案。 这篇论文不仅提供了对流程挖掘中对齐计算挑战的深入洞察，还贡献了一种适用于分布式系统的高性能方法，这对于处理日益复杂和庞大的业务流程数据具有重要意义。通过这种方式，组织可以更有效地监控和改进他们的业务流程，从而提高整体运营效率。