Sintesi Tecnica: Costruzione di Tracce di Processo Schema-Agnostic

Definizione del Problema

I moderni Sistemi Informativi (IS), in particolare negli ambienti OLTP, sono caratterizzati da tabelle relazionali in rapida evoluzione e debolmente accoppiate. In questi contesti, le assunzioni tradizionali di schemi stabili, chiavi primarie/esterne esplicite e log di eventi curati spesso falliscono. Gli schemi mutano, le chiavi surrogate vengono applicate in modo incoerente o rifattorizzate, e le tracce di esecuzione sono disperse tra più tabelle con chiavi scarse e campi temporali ambigui o multipli.

Di conseguenza, la ricostruzione delle tracce di esecuzione dei processi (log di eventi) per attività quali l'audit, la conformità e il process mining richiede un intervento manuale costoso e fragile, che coinvolge join ad hoc e regole temporali. Gli approcci esistenti si affidano tipicamente a schemi predefiniti, strutture PK/FK affidabili o template specifici del dominio, rendendoli inapplicabili in ambienti eterogenei, con scarsità di chiavi e in continuo cambiamento. Il problema centrale affrontato è come costruire automaticamente sequenze di esecuzione ad alta fedeltà (casi, eventi e ordinamento temporale) direttamente dai dati relazionali grezzi senza fare affidamento su schemi predefiniti, chiavi esterne affidabili o competenza di dominio.

Metodologia

Gli autori propongono una pipeline a quattro stadi, schema-agnostic, che inferisce i collegamenti tra le tabelle tramite segnali statistici, assembla i campi temporali e apprende i modelli di ordinamento. La pipeline opera senza richiedere la ricostruzione completa dello schema o mappature ontologiche.

Stadio 1: Profilazione delle Colonne di Identificatori e Timestamp

La pipeline profila le colonne di ogni tabella per stimare la loro probabilità di fungere da identificatori di caso o timestamp.

• Scoring degli Identificatori: Un punteggio $spk(c)$ viene calcolato sulla base di distintività ($u$), completezza ($\gamma$) e stabilità della lunghezza della stringa ($\lambda$). Le colonne devono ottenere punteggi elevati su tutti e tre i parametri per essere mantenute come candidati identificatori.
• Scoring dei Timestamp: Un punteggio $sdt(c)$ viene calcolato utilizzando una somma pesata dei ranghi percentili per i parametri di dispersione e variazione (completezza, distintività, deviazione standard, intervallo interquartile ed entropia).
• Output: I primi $k$ candidati identificatori e le colonne timestamp vengono selezionati per ogni tabella.

Stadio 2: Scoperta delle Relazioni (Collegamenti Colonna-Colonna)

Invece di fare affidamento sulle chiavi esterne dichiarate, la pipeline scopre le connessioni tra le tabelle utilizzando la similarità statistica consapevole del tipo di dato.

• Meccanismo di Scoring: Per ogni coppia di colonne tra tabelle diverse $(c_i, c_k)$, viene calcolato un punteggio di collegamento $s(c_i, c_k)$ come prodotto di quattro fattori:
  1. Compatibilità del Tipo (TC): Penalizza le coppie con tipi di dati debolmente compatibili.
  2. Qualità della Colonna (Q): Penalizza le coppie che coinvolgono colonne con bassa completezza o bassa distintività.
  3. Copertura (U): Garantisce che la sovrapposizione non sia guidata da valori marginali rari.
  4. Similarità dei Valori (R): Misura l'allineamento effettivo dei valori utilizzando la Similarità di Jaccard (JS) per i dati simbolici e una combinazione di JS/Kolmogorov-Smirnov (KS) per le distribuzioni numeriche.
• Formazione dei Collegamenti: Le coppie che superano una soglia $\tau_S$ vengono mantenute per formare un multigrafo non orientato di collegamenti candidati.

Stadio 3: Temporalizzazione e Sequenziamento

Utilizzando l'insieme di collegamenti scoperto, la pipeline propaga gli identificatori di caso campionati attraverso le tabelle raggiungibili per raccogliere le corrispondenti righe e i candidati timestamp.

• Assemblaggio degli Eventi: Ogni coppia (riga, timestamp) è trattata come un evento provvisorio.
• Ordinamento: Gli eventi per un caso specifico sono ordinati per timestamp. I pareggi vengono risolti in modo deterministico utilizzando i nomi delle tabelle e gli identificatori di riga. Le etichette duplicate adiacenti vengono collassate, mentre le ripetizioni non adiacenti vengono preservate.
• Contesto: Attributi di business opzionali (es. regione, prodotto) sono incorporati in vettori di contesto per condizionare l'apprendimento successivo senza alterare l'ordine degli eventi.
• Output: Tracce di eventi ricche di provenienza in formato JSON, esportabili in XES o elevabili a OCEL.

Stadio 4: Apprendimento delle Sequenze (Ordinamento tra le Tabelle)

Per affrontare i casi in cui i timestamp sono ambigui, mancanti o insufficienti per determinare l'ordine, la pipeline impiega una Rete Convoluzionale Temporale Causale (TCN).

• Obiettivo di Apprendimento: La TCN predice l'evento successivo $e_{t+1}$ dato una finestra di eventi passati e un vettore di contesto opzionale.
• Estrazione della Precedenza: Aggregando le predizioni dell'evento successivo, viene formata una matrice di transizione. Vengono aggiunti archi diretti $i \to j$ quando la probabilità che $j$ segua $i$ supera significativamente quella inversa. Le coppie con frequenze bidirezionali simili sono contrassegnate come mostrante Variabilità di Ordine Bidirezionale (BOV).
• Output: Un grafo di precedenza minimo che riassume le relazioni di flusso, che può essere consumato da standard strumenti di process mining.

Contributi Chiave

1. Pipeline Schema-Agnostic: Un approccio end-to-end innovativo che ricostruisce tracce di processo da dati relazionali grezzi e con scarsità di chiavi, senza richiedere schemi predefiniti, diagrammi ER o template di dominio.
2. Scoperta Statistica dei Collegamenti: Un metodo per inferire le relazioni tra tabelle utilizzando la similarità statistica consapevole del tipo (JS/KS) piuttosto che affidarsi a chiavi esterne esplicite, rendendolo robusto alla deriva dello schema e alle chiavi mancanti.
3. Precedenza Appresa: L'applicazione delle TCN per apprendere l'ordinamento e le relazioni di flusso tra le tabelle direttamente dalle tracce ricostruite, gestendo scenari in cui i timestamp sono insufficienti o conflittuali.
4. Robustezza Operativa: Un percorso per generare log di eventi che rimangano robusti rispetto a timestamp mancanti, omonimi e chiavi parziali, consentendo la costruzione automatizzata di log in ambienti di IS dinamici.

Risultati

La pipeline è stata valutata su benchmark TPC-H/E, corpora sintetici (Synth-Light, Synth-Heavy) e un dataset reale del settore (Industry-1).

• Recupero degli Eventi (RQ1): La pipeline ha raggiunto un alto recupero dell'insieme di eventi, con una Precisione di Token Indipendente dalla Posizione (PITA) compresa tra 0,82 (Synth-Heavy) e 1,00 (TPC-H). Ha predetto correttamente l'evento successivo con un'accuratezza dell'85%.
• Apprendimento della Precedenza (RQ2): L'approccio basato su TCN ha superato i baseline n-gram e LSTM nella predizione dell'evento successivo e nelle metriche di conformità. Ha recuperato circa l'82% delle relazioni di precedenza della ground-truth (F1 score 0,74–0,82) e ha dimostrato una capacità superiore di catturare le relazioni di flusso tra le tabelle rispetto agli approcci basati su regole o centrici sullo schema.
• Resilienza al Cambiamento (RQ3): Sotto controllo di deriva (rinomina degli attributi e mancanza di timestamp), la pipeline completa ha mantenuto oltre l'80% delle prestazioni dei dati puliti, mentre un baseline deterministico è sceso sotto il 50%. Ciò dimostra una significativa resilienza all'evoluzione dello schema e dei dati.
• Attribuzione degli Stadi: Gli studi di ablazione hanno confermato che gli Stadi S1–S3 guidano la qualità della ricostruzione, mentre lo Stadio S4 (TCN) migliora significativamente la fedeltà delle relazioni di precedenza, in particolare nel catturare dipendenze a lungo raggio e flussi specifici del contesto.

Significato e Rivendicazioni

Il documento sostiene di offrire un percorso generalizzabile e scalabile per la ricostruzione automatica del comportamento esecutivo in ambienti di IS dinamici. Esso sfida la lunga data assunzione nell'ingegneria degli IS secondo cui i log di eventi affidabili presuppongano schemi puliti e chiavi curate. Passando da un approccio "schema-first" a uno "data-first", gli autori sostengono che sia possibile costruire log di alta qualità anche quando gli schemi mutano e i sistemi evolvono.

Il lavoro suggerisce un nuovo paradigma di ingegneria degli IS in cui gli schemi operativi possono evolvere liberamente, mentre uno strato di ingegneria dei dati preserva la continuità per l'analisi, l'audit e la riprogettazione. Gli autori pongono questo come una soluzione al collo di bottiglia della costruzione manuale delle tracce nei moderni sistemi OLTP debolmente accoppiati, abilitando il process mining e il monitoraggio della conformità in ambienti precedentemente considerati troppo rumorosi o non strutturati per tale analisi.