业务流程驱动下的数据模型异常检测方法与DP-Graph算法

本文主要探讨了在流程驱动的信息系统构建背景下，面向业务流程的数据模型异常检测方法的重要性和挑战。随着流程驱动方式的广泛应用，流程模型对数据模型的影响日益显著，然而现有的数据模型异常检测方法往往忽视了这一因素，它们主要关注数据模型本身的特性，而未能充分结合流程模型进行分析。 传统的数据模型异常检测通常只关注数据结构、数据完整性或一致性，但在实际业务流程中，数据的行为和流动路径同样关键。因此，论文提出了面向业务流程的数据模型异常检测的新视角，强调了在流程和数据交互过程中识别潜在问题的重要性。作者定义了三种基本的业务流程数据模型异常类型，包括数据流程不一致、数据流转延迟和流程依赖错误，这些都是在考虑业务流程动态变化后产生的新问题。 为了有效检测这些异常，作者提出了Data Process Graph (DP-Graph)模型，这是一种将数据模型和流程模型整合的新型架构。DP-Graph模型通过可视化的方式展示了数据在业务流程中的流动和关联，使得异常检测过程更为直观和准确。在此基础上，作者进一步设计了DP-GT算法，它利用流程模型和数据模型的交互信息，能够高效地检测出与业务流程相关的数据异常。 实验部分展示了DP-GT算法在实际应用中的优异性能，结果显示该算法具有较高的异常检出率，能够在复杂业务流程中准确识别出数据异常，从而提升信息系统的稳定性和效率。此外，文章还提到了研究得到的资金支持，包括国家自然科学基金和国家“863”高技术研究发展计划项目基金，这表明该研究具有重要的理论和实践价值。 本文为业务流程驱动的信息系统提供了一种新的数据模型异常检测方法，强调了在流程和数据模型间的协同分析，有助于提高系统的健壮性和业务流程的优化。这种结合流程模型的异常检测策略，对于企业和组织有效管理其信息系统具有重要意义。