Process Mining im Kontext datenorientierter Servicekompositionen
Zusammenfassung der Projektergebnisse
Die Sicherstellung von Vertrauenswürdigkeit und Qualität von Servicekompositionen in offenen, dynamischen sowie unkontrollierbaren Systemumgebungen ist eine der grundlegenden Forschungsfragen in den Bereichen Software Engineering und Service Computing. Prozesstechnologien und entsprechende Techniken für das Aufdecken von Prozessstrukturen, auch Process Mining genannt, liefern zum einen die entscheidenden Werkzeuge, um Servicekompositionen zu erstellen und legen zum anderen die Basis für deren Vertrauenswürdigkeit, und haben als solche große Aufmerksamkeit erhalten. Aktuelle Process Mining Lösungen konzentrieren sich jedoch meist ausschließlich auf die Kontrollflussanalyse und können damit nicht die Anforderungen abdecken, die an datenorientierte Servicekompositionen gestellt werden. Gerade im Kontext hochgradig dynamischer Servicekompositionen, welche regelmäßigen Anpassungen unterliegen, sind Event-Logs oft unvollständig, was wiederum massiv die Güte aktueller Process Mining Techniken beeinflusst. Das vorliegende Projekt zielt darauf ab, durch eine Kombination aus Softwareanalyse und Data Mining, Process Mining Technologien auf Basis grundlegender Eventrelationen in Event-Logs wie z.B. Abhängigkeiten oder gegenseitigem Ausschluss, zu untersuchen, um die erwähnten Probleme zu beheben. Insbesondere erhoffen wir uns wesentliche Fortschritte bezüglich der folgenden Aspekte zu erzielen zu können: Ausweitung der Nebenläufigkeit und Blockstrukturierung während der Prozessaufdeckung, Erleichterung datenorientierter Konformitätsprüfungen auf Grundlage von Abhängigkeiten in Prozessausführungsgraphen, sowie der Erkennung von Kontrollflussfehlern aus Event-Logs. Des Weiteren planen wir unsere Ansätze und Techniken in Software zu realisieren, diese in entsprechende Hilfsplattformen einzubetten, um damit ein technologisches Hilfsmittel für die Verbesserung der Vertrauenswürdigkeit und Qualität von Servicekompositionen zu bieten.
Projektbezogene Publikationen (Auswahl)
-
Instance Migration Validity for Dynamic Evolution of Data-Aware Processes. IEEE Transactions on Software Engineering, 45(8), 782-801.
Song, Wei; Ma, Xiaoxing & Jacobsen, Hans-Arno
-
Scientific Workflow Protocol Discovery from Public Event Logs in Clouds. IEEE Transactions on Knowledge and Data Engineering, 32(12), 2453-2466.
Song, Wei; Jacobsen, Hans-Arno & Chen, Fangfei
-
An Empirical Study on Data Flow Bugs in Business Processes. IEEE Transactions on Cloud Computing, 9(1), 88-101.
Song, Wei; Zhang, Chengzhen & Jacobsen, Hans-Arno
-
Dependence-Based Data-Aware Process Conformance Checking. IEEE Transactions on Services Computing, 14(3), 654-667.
Song, Wei; Jacobsen, Hans-Arno; Zhang, Chengzhen & Ma, Xiaoxing
-
Self-Healing Event Logs. IEEE Transactions on Knowledge and Data Engineering, 33(6), 2750-2763.
Song, Wei; Jacobsen, Hans-Arno & Zhang, Pengcheng
-
Why Do My Blockchain Transactions Fail?. Proceedings of the 2021 International Conference on Management of Data, 221-234. ACM.
Chacko, Jeeta Ann; Mayer, Ruben & Jacobsen, Hans-Arno
-
Workflow Refactoring for Maximizing Concurrency and Block-Structuredness. IEEE Transactions on Services Computing, 14(4), 1224-1237.
Song, Wei; Jacobsen, Hans-Arno; Cheung, S.C.; Liu, Hongyu & Ma, Xiaoxing
-
Discovering Structural Errors From Business Process Event Logs. IEEE Transactions on Knowledge and Data Engineering, 34(11), 5293-5306.
Song, Wei; Chang, Zhen; Jacobsen, Hans-Arno & Zhang, Pengcheng
-
Identifying a Minimum Sequence of High-Level Changes Between Workflows. IEEE Transactions on Services Computing, 15(4), 2425-2438.
Song, Wei; Chen, Fangfei; Jacobsen, Hans-Arno & Zhang, Chengzhen
-
Where Is My Training Bottleneck? Hidden Trade-Offs in Deep Learning Preprocessing Pipelines. Proceedings of the 2022 International Conference on Management of Data, 1825-1839. ACM.
Isenko, Alexander; Mayer, Ruben; Jedele, Jeffrey & Jacobsen, Hans-Arno
-
How To Optimize My Blockchain? A Multi-Level Recommendation Approach. Proceedings of the ACM on Management of Data, 1(1), 1-27.
Chacko, Jeeta Ann; Mayer, Ruben & Jacobsen, Hans-Arno
-
How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study. Proceedings of the VLDB Endowment, 17(6), 1214-1226.
Erben, Alexander; Mayer, Ruben & Jacobsen, Hans-Arno
