💻 computer science

Schema-Agnostic Process Trace Construction: From Raw Tables to Execution Behavior

यह शोध पत्र एक स्कीमा-अज्ञेय (schema-agnostic) पाइपलाइन का प्रस्ताव करता है जो प्रमुख और अस्थायी विशेषताओं की सांख्यिकीय पहचान करके, अंतर-तालिका संबंधों की खोज करके, और घटना क्रम को मॉडल करने के लिए एक टेम्पोरल कन्वोल्यूशनल नेटवर्क का उपयोग करके, कच्चे, ढीले ढंग से जुड़े रिलेशनल टेबल्स से उच्च-सटीक प्रक्रिया निष्पादन ट्रेस को स्वचालित रूप से पुनर्गठित करता है, जिससे गतिशील सूचना प्रणालियों में पूर्व-निर्धारित स्कीमा या डोमेन टेम्पलेट्स की आवश्यकता समाप्त हो जाती है।

मूल लेखक: Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक बैंक डकैती की कहानी को फिर से जोड़ने की कोशिश कर रहे हैं। एक आदर्श दुनिया में, पुलिस आपको एक साफ-सुथरी, कालानुक्रमिक (chronological) डायरी सौंप देगी जहाँ हर प्रविष्टि (entry) ठीक-ठीक बताती है कि किसने, क्या और कब किया।

लेकिन वास्तविक दुनिया में, सबूत बिखरे हुए होते हैं। आपके पास रसीदों का एक ढेर है, सुरक्षा कैमरा लॉग का एक स्टैक है, कुछ हस्तलिखित नोट्स हैं, और फोन कॉल का एक स्प्रेडशीट है। ये सभी दस्तावेज़ एक-दूसरे से बात नहीं करते हैं। रसीदों पर नाम नहीं हैं, कैमरा लॉग में टाइमस्टैम्प नहीं हैं, और फोन नोट्स एक अलग भाषा में लिखे गए हैं। इसके अलावा, बैंक हर हफ्ते अपनी फाइलिंग प्रणाली बदलता रहता है।

यह वही समस्या है जिसे इस शोध पत्र के लेखक हल कर रहे हैं। वे आधुनिक कंप्यूटर सिस्टम (जैसे बैंक या बड़ी कंपनियाँ) के साथ काम कर रहे हैं जहाँ डेटा अव्यवस्थित है, कई अलग-अलग तालिकाओं (tables) में बिखरा हुआ है, और लगातार बदल रहा है। विश्लेषण के पारंपरिक तरीके इन प्रणालियों के लिए विफल हो जाते हैं क्योंकि वे एक पूर्ण, पूर्व-व्यवस्थित मानचित्र (एक "स्कीमा") की मांग करते हैं जो वास्तव में मौजूद ही नहीं है।

यहाँ बताया गया है कि उनका समाधान कैसे काम करता है, जिसे सरल चरणों में विभाजित किया गया है:

समस्या: "अव्यवस्थित फाइलिंग कैबिनेट"

पुराने जमाने के कंप्यूटर सिस्टम में, डेटा एक सुव्यवस्थित पुस्तकालय की तरह था। हर किताब पर एक स्पष्ट लेबल था, और आप जानते थे कि वह किस शेल्फ पर होनी चाहिए।
आधुनिक प्रणालियों में, डेटा एक बिखरे हुए स्टोररूम (hoarder's attic) की तरह है।

कोई लेबल नहीं: आप आसानी से यह नहीं बता सकते कि डेटा का कौन सा हिस्सा किस ग्राहक का है (लुप्त "कीज़" या keys)।
बिखरे हुए सुराग: एक एकल लेनदेन (transaction) की कहानी पाँच अलग-अलग तालिकाओं में विभाजित है।
भ्रमित करने वाली समयरेखा: एक तालिका कहती है "सुबह 10:00 बजे," दूसरी कहती है "10:05 AM," और तीसरी बस कहती है "कल।"
निरंतर नवीनीकरण: जब आप सफाई करने की कोशिश कर रहे होते हैं, तभी स्टोररूम की व्यवस्था बदली जा रही होती है।

इस कारण से, क्या हुआ इसकी एक स्पष्ट समयरेखा (जिसे "प्रोसेस ट्रेस" कहा जाता है) बनाना आमतौर पर एक मानव विशेषज्ञ के लिए इसे मैन्युअल रूप से जोड़ने की आवश्यकता होती है, जो धीमा, महंगा और त्रुटियों से भरा होता है।

समाधान: एक "स्कीमा-स्वतंत्र" (Schema-Agnostic) जासूस

लेखकों ने एक स्वचालित पाइपलाइन बनाई है जो एक सुपर-स्मार्ट जासूस की तरह काम करती है जिसे किसी मानचित्र की आवश्यकता नहीं है। "मानचित्र कहाँ है?" पूछने के बजाय, वह कहानी को समझने के लिए स्वयं साक्ष्यों को देखती है।

यहाँ उनके "जासूस" द्वारा उठाए गए चार चरण दिए गए हैं:

1. सुरागों की पहचान करना (प्रोफाइलिंग)

सबसे पहले, सिस्टम डेटा के प्रत्येक कॉलम को स्कैन करता है ताकि यह अनुमान लगाया जा सके कि वह क्या है।

ID की खोज: यह उन कॉलमों की तलाश करता है जो अद्वितीय नामों (जैसे ग्राहक आईडी) की तरह दिखते हैं। यह जाँचता है: "क्या यह मान अद्वितीय है? क्या यह हमेशा मौजूद रहता है? क्या यह किसी नाम जैसा दिखता है?"
समय की खोज: यह उन कॉलमों की तलाश करता है जो तारीखों की तरह दिखते हैं। यह जाँचता है: "क्या यह एक टाइमस्टैम्प जैसा है? क्या यह सुसंगत है?"
उपमा: कल्पना कीजिए कि आप मिश्रित पहेली के टुकड़ों के ढेर को छाँट रहे हैं। जासूस को बॉक्स पर बनी तस्वीर की आवश्यकता नहीं है; वे बस टुकड़ों के आकार को देखकर यह अनुमान लगाते हैं कि कौन से टुकड़े आकाश के हैं और कौन से घास के।

2. बिंदुओं को जोड़ना (संबंधों की खोज)

चूंकि कोई आधिकारिक "कनेक्ट द डॉट्स" रेखाएं (फॉरेन कीज़) नहीं हैं, इसलिए सिस्टम सांख्यिकीय संकेतों (statistical signals) का उपयोग करता है।

यह विभिन्न तालिकाओं के कॉलमों की तुलना करता है। यदि तालिका A में संख्याओं की एक सूची है और तालिका B में संख्याओं की एक सूची है जो पूरी तरह से मेल खाती है, तो सिस्टम मान लेता है कि वे जुड़े हुए हैं।
यह "आधिकारिक" नियमों को अनदेखा करता है और वास्तविक डेटा पैटर्न को देखता है।
उपमा: यदि आपको एक जेब में एक रसीद और दूसरी जेब में एक मैचिंग क्रेडिट कार्ड स्टेटमेंट मिलता है, तो आप जानते हैं कि वे एक ही व्यक्ति के हैं, भले ही उन्हें आपस में स्टेपल न किया गया हो।

3. समयरेखा बनाना (अनुक्रमण/Sequencing)

एक बार जब सिस्टम जान जाता है कि कौन सी तालिकाएँ जुड़ी हुई हैं, तो वह एक ही "केस" (जैसे एक विशिष्ट ग्राहक का ऑर्डर) के लिए सभी घटनाओं को एकत्र करता है।

यह घटनाओं को समय के अनुसार क्रमबद्ध करता है।
यदि समय भ्रमित करने वाला या गायब है, तो यह क्रम का अनुमान लगाने के लिए तर्क का उपयोग करता है।
उपमा: जासूस एक विशिष्ट डकैती के लिए सभी बिखरे हुए नोट्स, रसीदें और लॉग इकट्ठा करता है और घटनाओं के क्रम को देखने के लिए उन्हें एक मेज पर व्यवस्थित करता है।

4. पैटर्न सीखना (द "ब्रेन" - TCN)

यह सबसे उन्नत भाग है। कभी-कभी, टाइमस्टैम्प इतने अस्त-व्यस्त होते हैं कि यह बताना मुश्किल होता है कि कौन सी घटना पहले हुई।

सिस्टम टेम्पोरल कन्वोल्यूशनल नेटवर्क (TCN) नामक एक विशेष प्रकार के AI का उपयोग करता है। इसे एक पैटर्न-रिकग्निशन इंजन के रूप में समझें।
यह यह सीखने के लिए हजारों पिछले उदाहरणों को देखता है: "आमतौर पर, जब घटना A होती है, तो घटना B उसके बाद आती है।"
भले ही घड़ी खराब हो, AI कहानी के प्रवाह के आधार पर अगले कदम की भविष्यवाणी कर सकता है।
उपमा: यदि आप देखते हैं कि कोई कोट पहन रहा है, चाबियाँ उठा रहा है, और दरवाजा खोल रहा है, तो आप जानते हैं कि वह बाहर जाने वाला है, भले ही आपने ठीक उस क्षण को न देखा हो जब वह बाहर निकला। AI इन "कहानी के प्रवाहों" को सीखता है।

परिणाम: जासूस कितना अच्छा है?

लेखकों ने इस प्रणाली का परीक्षण नकली डेटा (बिखरे हुए बैंकों का अनुकरण करते हुए), मानक बेंचमार्क और एक वास्तविक उद्योग डेटासेट पर किया।

सटीकता (Accuracy): इसने 85% बार प्रक्रिया के अगले चरण की सही भविष्यवाणी की।
रिकवरी (Recovery): यह घटनाओं के सही क्रम को लगभग 82% तक खोजने और पुनर्गठित करने में सफल रहा, भले ही डेटा गायब या अव्यवस्थित था।
लचीलापन (Resilience): जब डेटा "ड्रिफ्ट" हुआ (नाम बदले, तारीखें गायब हुईं), तो यह प्रणाली काम करती रही, जबकि पारंपरिक तरीके विफल हो गए।

यह क्यों महत्वपूर्ण है

यह शोध पत्र तर्क देता है कि हमें डेटा का विश्लेषण करने के लिए "परफेक्ट डेटा" का इंतजार करना बंद कर देना चाहिए। डेटा को एक कठोर, पूर्व-निर्धारित बॉक्स में जबरन फिट करने के बजाय, हमें डेटा को खुद बोलने देना चाहिए।

एक पूर्ण "स्कीमा" (मानचित्र) की आवश्यकता को हटाकर, यह दृष्टिकोण कंपनियों को अपने स्वयं के सिस्टम को स्वचालित रूप से समझने की अनुमति देता है, भले ही वे सिस्टम अव्यवस्थित हों, लगातार बदल रहे हों, या खराब तरीके से प्रलेखित (documented) हों। यह एक अराजक साक्ष्य के ढेर को बिना किसी मानवीय भारी श्रम के एक स्पष्ट, पठनीय कहानी में बदल देता है।

तकनीकी सारांश: स्कीमा-अज्ञेय (Schema-Agnostic) प्रोसेस ट्रेस निर्माण

समस्या विवरण

आधुनिक सूचना प्रणालियाँ (IS), विशेष रूप से OLTP वातावरण में, तेजी से विकसित होने वाली, ढीली तरह से जुड़ी (loosely coupled) रिलेशनल तालिकाओं द्वारा अभिलक्षित हैं। इन सेटिंग्स में, स्थिर स्कीमा, स्पष्ट प्राइमरी/फॉरेन कीज़ (PK/FK), और क्यूरेटेड इवेंट लॉग्स की पारंपरिक धारणाएँ विफल हो जाती हैं। स्कीमा में बदलाव आता है, सरोगेट कीज़ का असंगत रूप से अनुप्रयोग या पुनर्गठन किया जाता है, और निष्पादन ट्रेसेस (execution traces) विरल कीज़ और अस्पष्ट या कई टाइमस्टैम्प फ़ील्ड्स के साथ कई तालिकाओं में बिखरे होते हैं।

परिणामस्वरूप, ऑडिटिंग, अनुपालन और प्रोसेस माइनिंग जैसे कार्यों के लिए प्रोसेस निष्पादन ट्रेसेस (इवेंट लॉग्स) का पुनर्निर्माण करने के लिए एड-हॉक जॉइन्स (ad-hoc joins) और टाइमस्टैम्प नियमों में महंगी, नाजुक मैन्युअल हस्तक्षेप की आवश्यकता होती है। मौजूदा दृष्टिकोण आमतौर पर पूर्वनिर्धारित स्कीमा, विश्वसनीय PK/FK संरचनाओं, या डोमेन-विशिष्ट टेम्पलेट्स पर निर्भर करते हैं, जो उन्हें की-स्पार्स (key-sparse), विषम (heterogeneous), और निरंतर परिवर्तनशील वातावरणों के लिए अनुपयुक्त बनाते हैं। मूल समस्या जिसे संबोधित किया गया है वह यह है कि पूर्वनिर्धरित स्कीमा, विश्वसनीय फॉरेन कीज़, या डोमेन विशेषज्ञता पर निर्भर हुए बिना कच्चे रिलेशनल डेटा से सीधे उच्च-सटीकता वाले निष्पादन अनुक्रमों (केस, इवेंट्स और टेम्पोरल ऑर्डरिंग) को स्वचालित रूप से कैसे निर्मित किया जाए।

कार्यप्रणाली

लेखक एक चार-चरणीय, स्कीमा-अज्ञेय पाइपलाइन का प्रस्ताव करते हैं जो सांख्यिकीय संकेतों से इंटर-टेबल लिंक्स का अनुमान लगाती है, टेम्पोरल फ़ील्ड्स को संकलित करती है, और ऑर्डरिंग पैटर्न को सीखती है। यह पाइपलाइन पूर्ण स्कीमा पुनर्निर्माण या ऑन्टोलॉजिकल मैपिंग की आवश्यकता के बिना संचालित होती है।

चरण 1: आइडेंटिफायर और टाइमस्टैम्प कॉलमों की प्रोफाइलिंग

पाइपलाइन प्रत्येक तालिका में कॉलमों की प्रोफाइलिंग करती है ताकि केस आइडेंटिफायर या टाइमस्टैम्प के रूप में उनके कार्य करने की संभावना का अनुमान लगाया जा सके।

आइडेंटिफायर स्कोरिंग: एक स्कोर $spk(c) $विशिष्टता ($ u $), पूर्णता ($ \gamma $), और स्ट्रिंग-लेंथ स्थिरता ($ \lambda$) के आधार पर कंप्यूट किया जाता है। कॉलमों को रिटेन किए जाने के लिए तीनों मेट्रिक्स पर उच्च स्कोर करना चाहिए।
टाइमस्टैम्प स्कोरिंग: एक स्कोर $sdt(c)$ का उपयोग डिस्पर्शन (dispersion) और वेरिएशन मेट्रिक्स (पूर्णता, विशिष्टता, मानक विचलन, इंटर-क्वाटाइल रेंज, और एंट्रॉपी) के पर्सेंटाइल रैंक के भारित योग (weighted sum) के रूप में किया जाता है।
आउटपुट: प्रत्येक तालिका के लिए शीर्ष- $k$ कैंडिडेट आइडेंटिफायर्स और टाइमस्टैम्प कॉलमों का चयन किया जाता है।

चरण 2: संबंध खोज (कॉलम-कॉलम लिंक्स)

घोषित फॉरेन कीज़ पर भरोसा करने के बजाय, पाइपलाइन टाइप-अवेयर सांख्यिकीय समानता का उपयोग करके इंटर-टेबल कनेक्शनों की खोज करती है।

स्कोरिंग मैकेनिज्म: प्रत्येक क्रॉस-टेबल कॉलम पेयर $(c_i, c_k)$ $(c_{i}, c_{k})$ के लिए, एक लिंक स्कोर $s(c_i, c_k)$ $s (c_{i}, c_{k})$ चार कारकों के गुणनफल के रूप में कंप्यूट किया जाता है:
1. टाइप कम्पैटिबिलिटी (TC): उन पेयर्स को डाउनवेट करता है जिनकी डेटा टाइप कमजोर रूप से संगत हैं।
2. कॉलम क्वालिटी (Q): कम-पूर्णता या कम-विशिष्टता वाले पेयर्स को दंडित करता है।
3. कवरेज (U): सुनिश्चित करता है कि ओवरलैप दुर्लभ फ्रिंज वैल्यूज द्वारा संचालित न हो।
4. वैल्यू सिमिलरिटी (R): सिम्बोलिक डेटा के लिए जैकार्ड सिमिलरिटी (JS) और न्यूमेरिक डिस्ट्रीब्यूशन के लिए JS/कोलमोगोरोव-स्मिरनोव (KS) ब्लेंड का उपयोग करके वास्तविक वैल्यू अलाइनमेंट को मापता है।
लिंक फॉर्मेशन: एक थ्रेशोल्ड $\tau_S$ से अधिक वाले पेयर्स को कैंडिडेट लिंक्स के अनडायरेक्टेड मल्टीग्राफ बनाने के लिए रिटेन किया जाता है।

चरण 3: टेम्पोरलाइजेशन और सीक्वेंसिंग

खोजे गए लिंक सेट का उपयोग करते हुए, पाइपलाइन सैंपलड केस आइडेंटिफायर्स को संबंधित टेबल्स में प्रोपेगेट करती है ताकि संगत रोज़ (rows) और टाइमस्टैम्प कैंडिडेट्स को एकत्र किया जा सके।

इवेंट असेंबली: प्रत्येक (रो, टाइमस्टैम्प) पेयर को एक प्रोविजनल इवेंट माना जाता है।
ऑर्डरिंग: एक विशिष्ट केस के लिए इवेंट्स को टाइमस्टैम्प द्वारा सॉर्ट किया जाता है। टाइज़ (ties) को टेबल नाम और रो आइडेंटिफायर्स का उपयोग करके डिटरमिनिस्टिक रूप से तोड़ा जाता है। एडजेसेंट डुप्लिकेट लेबल्स को कोलैप्स किया जाता है, जबकि नॉन-एडजेसेंट रिपीटिशन को सुरक्षित रखा जाता है।
कॉन्टेक्स्ट: वैकल्पिक बिजनेस एट्रिब्यूट्स (जैसे क्षेत्र, उत्पाद) को कॉन्टेक्स्ट वेक्टर्स में एम्बेड किया जाता है ताकि इवेंट ऑर्डर को बदले बिना बाद की लर्निंग को कंडिशन किया जा सके।
आउटपुट: JSON फॉर्मेट में प्रवेनेंस-रिच (provenance-rich) इवेंट ट्रेसेस, जिन्हें XES में एक्सपोर्ट या OCEL में लिफ्ट किया जा सकता है।

चरण 4: सीक्वेंस लर्निंग (टेबल्स के बीच ऑर्डरिंग)

उन मामलों को संबोधित करने के लिए जहाँ टाइमस्टैम्प अस्पष्ट, गायब, या ऑर्डर निर्धारित करने के लिए अपर्याप्त हैं, पाइपलाइन एक कॉज़ल टेम्पोरल कनवोल्यूशनल नेटवर्क (TCN) का उपयोग करती है।

लर्निंग ऑब्जेक्टिव: TCN पिछले इवेंट्स के एक विंडो और एक वैकल्पिक कॉन्टेक्स्ट वेक्टर को देखते हुए अगले इवेंट $e_{t+1}$ की भविष्यवाणी करता है।
प्रिसिडेंस एक्सट्रैक्शन: नेक्स्ट-इवेंट प्रेडिक्शंस को एग्रीगेट करके, एक ट्रांज़िशन मैट्रिक्स बनाया जाता है। निर्देशित किनारे (directed edges) $i \to j$ तब जोड़े जाते हैं जब $i$ के बाद $j$ आने की संभावना इसके विपरीत की तुलना में काफी अधिक होती है। समान बाइडायरेक्शनल फ्रीक्वेंसी वाले पेयर्स को बाइडायरेक्शनल ऑर्डर वेरिएबिलिटी (BOV) प्रदर्शित करने के रूप में चिह्नित किया जाता है।
आउटपुट: एक मिनिमल प्रिसिडेंस ग्राफ जो फ्लो रिलेशंस को सारांशित करता है, जिसे मानक प्रोसेस माइनिंग टूल्स द्वारा कंज्यूम किया जा सकता है।

मुख्य योगदान

स्कीमा-अज्ञेय पाइपलाइन: एक नवीन एंड-टू-एंड दृष्टिकोण जो पूर्वनिर्धारित स्कीमा, ER डायग्राम, या डोमेन टेम्पलेट्स की आवश्यकता के बिना कच्चे, की-स्पार्स रिलेशनल डेटा से प्रोसेस ट्रेसेस का पुनर्निर्माण करता है।
सांख्यिकीय लिंक डिस्कवरी: स्पष्ट फॉरेन कीज़ के बजाय टाइप-अवेयर सांख्यिकीय समानता (JS/KS) का उपयोग करके टेबल संबंधों का अनुमान लगाने की एक विधि, जो स्कीमा ड्रिफ्ट और मिसिंग कीज़ के प्रति मजबूत है।
लर्नड प्रिसिडेंस: टाइमस्टैम्प्स अपर्याप्त या संघर्षित होने पर भी क्रॉस-टेबल ऑर्डरिंग और फ्लो रिलेशंस को सीखने के लिए TCN का अनुप्रयोग।
ऑपरेशनल रोबस्टनेस: ऐसे इवेंट लॉग्स उत्पन्न करने का मार्ग जो मिसिंग टाइमस्टैम्प, होमोनिम्स (homonyms), और पार्शियल कीज़ के प्रति भी मजबूत रहते हैं, जिससे डायनेमिक IS वातावरण में स्वचालित लॉग निर्माण संभव होता है।

परिणाम

पाइपलाइन का मूल्यांकन TPC-H/E बेंचमार्क्स, सिंथेटिक कॉर्पोरा (Synth-Light, Synth-Heavy), और एक वास्तविक इंडस्ट्री डेटासेट (Industry-1) पर किया गया।

इवेंट रिकवरी (RQ1): पाइपलाइन ने उच्च इवेंट-सेट रिकवरी हासिल की, जिसमें पोजीशन-इंडिपेंडेंट टोकन एक्यूरेसी (PITA) 0.82 (Synth-Heavy) से 1.00 (TPC-H) के बीच रही। इसने 85% सटीकता के साथ अगले इवेंट की सही भविष्यवाणी की।
प्रिसिडेंस लर्निंग (RQ2): TCN-आधारित दृष्टिकोण ने नेक्स्ट-इवेंट प्रेडिक्शन और कन्फ़ॉर्मेंस मेट्रिक्स में n-gram और LSTM बेसलाइन्स को पछाड़ दिया। इसने लगभग 82% ग्राउंड-ट्रुथ प्रिसिडेंस रिलेशंस (F1 स्कोर 0.74–0.82) को रिकवर किया और नियम-आधारित या स्कीमा-केंद्रित दृष्टिकोणों की तुलना में क्रॉस-टेबल फ्लो रिलेशंस को कैप्चर करने में बेहतर क्षमता प्रदर्शित की।
परिवर्तन लचीलापन (RQ3): नियंत्रित ड्रिफ्ट (एट्रिब्यूट रीनेमिंग और टाइमस्टैम्प मिसिंगनेस) के तहत, पूर्ण पाइपलाइन ने अपने क्लीन-डेटा प्रदर्शन मेट्रिक्स का 80% से अधिक हिस्सा बनाए रखा, जबकि एक डिटरमिनिस्टिक बेसलाइन 50% से नीचे गिर गई। यह स्कीमा और डेटा इवोल्यूशन के प्रति महत्वपूर्ण लचीलापन प्रदर्शित करता है।
स्टेज एट्रिब्यूशन: एब्लेशन स्टडीज ने पुष्टि की कि स्टेज S1–S3 रिकंस्ट्रक्शन क्वालिटी को संचालित करते हैं, जबकि स्टेज S4 (TCN) प्रिसिडेंस रिलेशंस की फिडेलिटी को महत्वपूर्ण रूप से सुधारता है, विशेष रूप से लॉन्ग-रेंज डिपेंडेंसी और कॉन्टेक्स्ट-विशिष्ट फ्लो को कैप्चर करने में।

महत्व और दावे

यह पेपर डायनेमिक IS वातावरण में निष्पादन व्यवहार के स्वचालित पुनर्निर्माण के लिए एक सामान्यीकरण योग्य और स्केलेबल मार्ग प्रदान करने का दावा करता है। यह IS इंजीनियरिंग की इस दीर्घकालिक धारणा को चुनौती देता है कि विश्वसनीय इवेंट लॉग्स के लिए स्वच्छ स्कीमा और क्यूरेटेड कीज़ का होना आवश्यक है। "स्कीमा-फर्स्ट" से "डेटा-फर्स्ट" दृष्टिकोण की ओर शिफ्ट होकर, लेखक तर्क देते हैं कि स्कीमा ड्रिफ्ट और सिस्टम विकास के बावजूद उच्च-गुणवत्ता वाले लॉग्स का निर्माण करना संभव है।

यह कार्य एक नए IS इंजीनियरिंग प्रतिमान का सुझाव देता है जहाँ ऑपरेशनल स्कीमा स्वतंत्र रूप से विकसित हो सकते हैं, जबकि एक डेटा-ड्रिवन लॉग-इंजीनियरिंग लेयर विश्लेषण, ऑडिटिंग और रीडिज़ाइन के लिए निरंतरता बनाए रखती है। लेखक इसे आधुनिक, लूज़ली कपल्ड OLTP सिस्टम में मैनुअल ट्रेस निर्माण की बाधा को हल करने के रूप में प्रस्तुत करते हैं, जिससे उन वातावरणों में भी प्रोसेस माइनिंग और कंप्लायंस मॉनिटरिंग संभव हो पाती है जिन्हें पहले बहुत शोर वाले या असंरचित माना जाता था।