.png){kind=icon}
返回
Stochastic conformance checking based on variable-length Markov chains
.png){kind=icon}
PRE
AI
DOI：10.1016/j.is.2025.102561.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一致性检查是流程挖掘（PM）的核心。它研究日志与参考流程之间的偏差。最初，所提出的方法并未关注底层流程的随机性，而是将定性模型作为输出。近年来，这些方法已扩展为随机一致性检查（SCC）方法，并将定量模型作为输出。一个不同的社区，即软件性能工程（PE）社区，自数十年前就对随机过程的合成感兴趣，并独立开发了用于合成描述程序运行底层随机过程的马尔可夫链（MC）的技术。然而，这些技术从未应用于SCC问题。我们提出了一种基于PE随机过程合成结果的新型SCC方法。通过丰富的实验评估，我们展示了该方法超越了当前最佳水平。在这样做的同时，我们进一步弥合了PE与PM之间的差距，促进了交叉融合。我们使用可变长度马尔可夫链（VLMC）的合成技术，这是一种能够紧凑编码控制流中复杂路径依赖性的高阶马尔可夫链。VLMC配备了一种概念，即轨迹属于模型的似然性。我们利用它来执行日志与模型之间的SCC。我们通过为VLMC配备uEMSC（SCC文献中的标准一致性度量）来确定一致性程度。我们与PM文献中的18种SCC技术进行了比较，使用了PM社区提供的11个基准数据集。我们在10个数据集中超越了所有方法，即在符合模型的日志中获得了更接近1的uEMSC值。此外，我们展示了VLMC的效率，因为它们在几秒钟内处理了所有考虑的数据集。
Keyword:
Stochastic conformance checking
Earth Movers' Stochastic Conformance
Higher-order Markov chains
期刊
IF:
3.9
论文数:
2.8K
被引数:
1.8K
机构
引用论文
Probabilistic suffix models for API sequence analysis of Windows XP applications.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏A Framework for Quantitative Modeling and Analysis of Highly (Re)configurable Systems高度 (重新) 可配置系统的定量建模和分析框架
OAAI
OAAI分享收藏White-box validation of quantitative product lines by statistical model checking and process miningOAAI
OAAI分享收藏
查看更多内容