A Framework for online anomaly and concept drift monitoring in event log stream

Detalhes bibliográficos
Autor(a) principal: Tavares, Gabriel Marques
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UEL
Texto Completo: https://repositorio.uel.br/handle/123456789/15165
Resumo: Resumo: Organizações geram altos volumes de dados relacionados a processos de negócios e frequentemente enfrentam dificuldades para extrair, organizar e interpretar esses dados Técnicas tradicionais de mineração de processo apoiam a análise e a recuperação de informações de logs de eventos de negócios, modelando, monitorando e aprimorando processos No entanto, técnicas tradicionais lidam com logs de eventos em uma abordagem em lote (batch), ou seja, usam um log de um processo já finalizado como ponto de partida para análise Considerando que processos de negócios são registrados continuamente, surge a necessidade de análise em tempo real Além disso, ao lidar com fluxos, restrições adicionais aparecem, como a mudança da distribuição de dados ao longo do tempo e instâncias incompletas, o que impossibilita a aplicação de métodos convencionais Dessa forma, este trabalho propõe um framework capaz de lidar com logs de eventos em um cenário de fluxo de dados, sustentando a descoberta de processos, a verificação de conformidade e o aprimoramento de processos Experimentos com logs de eventos reais e sintéticos foram realizados Os resultados mostram que a proposta é capaz de identificar anomalias e adaptar seu modelo a novos conceitos Finalmente, abordagens similares foram comparadas e discutidas
id UEL_aa3e45a8cfd591c2d7cf853f7b59820d
oai_identifier_str oai:repositorio.uel.br:123456789/15165
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling A Framework for online anomaly and concept drift monitoring in event log streamMineração de dados (Computação)Framework (Programa de computador)Arquitetura da informaçãoData mining (Computing)Framework (Computer program)Resumo: Organizações geram altos volumes de dados relacionados a processos de negócios e frequentemente enfrentam dificuldades para extrair, organizar e interpretar esses dados Técnicas tradicionais de mineração de processo apoiam a análise e a recuperação de informações de logs de eventos de negócios, modelando, monitorando e aprimorando processos No entanto, técnicas tradicionais lidam com logs de eventos em uma abordagem em lote (batch), ou seja, usam um log de um processo já finalizado como ponto de partida para análise Considerando que processos de negócios são registrados continuamente, surge a necessidade de análise em tempo real Além disso, ao lidar com fluxos, restrições adicionais aparecem, como a mudança da distribuição de dados ao longo do tempo e instâncias incompletas, o que impossibilita a aplicação de métodos convencionais Dessa forma, este trabalho propõe um framework capaz de lidar com logs de eventos em um cenário de fluxo de dados, sustentando a descoberta de processos, a verificação de conformidade e o aprimoramento de processos Experimentos com logs de eventos reais e sintéticos foram realizados Os resultados mostram que a proposta é capaz de identificar anomalias e adaptar seu modelo a novos conceitos Finalmente, abordagens similares foram comparadas e discutidasDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: Organisations generate high volumes of data related to business processes and often struggle to extract, organise and interpret this data Traditional process mining techniques support the analysis and information retrieval from business event logs by modelling, monitoring, and enhancing processes However, traditional techniques deal with event logs in a batch approach, that is, they consume a log of an already concluded process as a starting point for analysis Considering that business processes are recorded continuously, a need for real-time analysis is raised Moreover, when dealing with streams, additional constraints appear, such as the change of data distribution over time and incomplete instances, making conventional methods impractical Thus, this work proposes a framework capable of handling event logs in a streaming scenario, supporting process discovery, conformance checking, and process enhancement Experiments with real and synthetic event logs were performed The results show that the proposal is able to identify anomalies and adapt its model to new concepts Finally, similar approaches were compared and discussedBarbon Junior, Sylvio [Orientador]Baccarin, EvandroMantovani, Rafael GomesTavares, Gabriel Marques2024-05-01T14:45:35Z2024-05-01T14:45:35Z2019.0027.03.2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.uel.br/handle/123456789/15165porMestradoCiência da ComputaçãoCentro de Ciências ExatasPrograma de Pós-Graduação em Ciência da ComputaçãoLondrinareponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess2024-07-12T04:19:41Zoai:repositorio.uel.br:123456789/15165Biblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:19:41Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.none.fl_str_mv A Framework for online anomaly and concept drift monitoring in event log stream
title A Framework for online anomaly and concept drift monitoring in event log stream
spellingShingle A Framework for online anomaly and concept drift monitoring in event log stream
Tavares, Gabriel Marques
Mineração de dados (Computação)
Framework (Programa de computador)
Arquitetura da informação
Data mining (Computing)
Framework (Computer program)
title_short A Framework for online anomaly and concept drift monitoring in event log stream
title_full A Framework for online anomaly and concept drift monitoring in event log stream
title_fullStr A Framework for online anomaly and concept drift monitoring in event log stream
title_full_unstemmed A Framework for online anomaly and concept drift monitoring in event log stream
title_sort A Framework for online anomaly and concept drift monitoring in event log stream
author Tavares, Gabriel Marques
author_facet Tavares, Gabriel Marques
author_role author
dc.contributor.none.fl_str_mv Barbon Junior, Sylvio [Orientador]
Baccarin, Evandro
Mantovani, Rafael Gomes
dc.contributor.author.fl_str_mv Tavares, Gabriel Marques
dc.subject.por.fl_str_mv Mineração de dados (Computação)
Framework (Programa de computador)
Arquitetura da informação
Data mining (Computing)
Framework (Computer program)
topic Mineração de dados (Computação)
Framework (Programa de computador)
Arquitetura da informação
Data mining (Computing)
Framework (Computer program)
description Resumo: Organizações geram altos volumes de dados relacionados a processos de negócios e frequentemente enfrentam dificuldades para extrair, organizar e interpretar esses dados Técnicas tradicionais de mineração de processo apoiam a análise e a recuperação de informações de logs de eventos de negócios, modelando, monitorando e aprimorando processos No entanto, técnicas tradicionais lidam com logs de eventos em uma abordagem em lote (batch), ou seja, usam um log de um processo já finalizado como ponto de partida para análise Considerando que processos de negócios são registrados continuamente, surge a necessidade de análise em tempo real Além disso, ao lidar com fluxos, restrições adicionais aparecem, como a mudança da distribuição de dados ao longo do tempo e instâncias incompletas, o que impossibilita a aplicação de métodos convencionais Dessa forma, este trabalho propõe um framework capaz de lidar com logs de eventos em um cenário de fluxo de dados, sustentando a descoberta de processos, a verificação de conformidade e o aprimoramento de processos Experimentos com logs de eventos reais e sintéticos foram realizados Os resultados mostram que a proposta é capaz de identificar anomalias e adaptar seu modelo a novos conceitos Finalmente, abordagens similares foram comparadas e discutidas
publishDate 2024
dc.date.none.fl_str_mv 2019.00
2024-05-01T14:45:35Z
2024-05-01T14:45:35Z
27.03.2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.uel.br/handle/123456789/15165
url https://repositorio.uel.br/handle/123456789/15165
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Mestrado
Ciência da Computação
Centro de Ciências Exatas
Programa de Pós-Graduação em Ciência da Computação
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1809823247037890560

Registros relacionados