Resumo Técnico: Construção de Traços de Processo Agnóstica a Esquemas

Declaração do Problema

Os Sistemas de Informação (SI) modernos, particularmente em ambientes OLTP, são caracterizados por tabelas relacionais que evoluem rapidamente e são fracamente acopladas. Nesses cenários, as suposições tradicionais de esquemas estáveis, chaves primárias/estrangeiras explícitas e logs de eventos curados frequentemente falham. Os esquemas sofrem deriva (drift), chaves substitutas (surrogate keys) são aplicadas de forma inconsistente ou reestruturadas, e os traços de execução são dispersos por múltiplas tabelas com chaves esparsas e campos de carimbo de data/hora (timestamps) ambíguos ou múltiplos.

Consequentemente, a reconstrução de traços de execução de processos (logs de eventos) para tarefas como auditoria, conformidade e mineração de processos exige uma intervenção manual custosa e frágil, envolvendo junções (joins) ad-hoc e regras de timestamp. As abordagens existentes geralmente dependem de esquemas predefinidos, estruturas de PK/FK confiáveis ou templates específicos do domínio, tornando-as inaplicáveis a ambientes heterogêneos, com chaves esparsas e em contínua mudança. O problema central abordado é como construir sequências de execução de alta fidelidade (casos, eventos e ordenação temporal) diretamente de dados relacionais brutos sem depender de esquemas predefinidos, chaves estrangeiras confiáveis ou conhecimento de domínio.

Metodologia

Os autores propõem um pipeline de quatro estágios, agnóstico a esquemas, que infere ligações entre tabelas a partir de sinais estatísticos, monta campos temporais e aprende padrões de ordenação. O pipeline opera sem exigir a reconstrução total do esquema ou mapeamentos ontológicos.

Estágio 1: Perfilamento de Colunas de Identificador e Timestamp

O pipeline perfila as colunas de cada tabela para estimar sua probabilidade de funcionar como identificadores de caso ou timestamps.

• Pontuação de Identificador: Um escore $spk(c)$ é computado com base na distinção ($u$), completude ($\gamma$) e estabilidade do comprimento da string ($\lambda$). As colunas devem pontuar alto em todas as três métricas para serem retidas como candidatas a identificadores.
• Pontuação de Timestamp: Um escore $sdt(c)$ é calculado usando uma soma ponderada de percentis de dispersão e métricas de variação (completude, distinção, desvio padrão, intervalo interquartil e entropia).
• Saída: Os top-$k$ candidatos a identificadores e colunas de timestamp são selecionados para cada tabela.

Estágio 2: Descoberta de Relacionamento (Ligações Coluna–Coluna)

Em vez de depender de chaves estrangeiras declaradas, o pipeline descobre conexões entre tabelas usando similaridade estatística sensível ao tipo.

• Mecanismo de Pontuação: Para cada par de colunas entre tabelas $(c_i, c_k)$, um escore de ligação $s(c_i, c_k)$ é computado como o produto de quatro fatores:
  1. Compatibilidade de Tipo (TC): Reduz o peso de pares com tipos de dados fracamente compatíveis.
  2. Qualidade da Coluna (Q): Penaliza pares que envolvem colunas de baixa completude ou baixa distinção.
  3. Cobertura (U): Garante que a sobreposição não seja impulsionada por valores marginais raros.
  4. Similaridade de Valor (R): Mede o alinhamento real de valores usando Similaridade de Jaccard (JS) para dados simbólicos e uma mistura de JS/Kolmogorov-Smirnov (KS) para distribuições numéricas.
• Formação de Ligação: Pares que excedem um limiar $\tau_S$ são retidos para formar um multigrafo não direcionado de ligações candidatas.

Estágio 3: Temporalização e Sequenciamento

Usando o conjunto de ligações descoberto, o pipeline propaga identificadores de caso amostrados através das tabelas alcançáveis para coletar as linhas correspondentes e candidatos a timestamp.

• Montagem de Eventos: Cada par (linha, timestamp) é tratado como um evento provisório.
• Ordenação: Os eventos para um caso específico são ordenados por timestamp. Empates são resolvidos deterministicamente usando nomes de tabelas e identificadores de linha. Rótulos duplicados adjacentes são colapsados, enquanto repetições não adjacentes são preservadas.
• Contexto: Atributos de negócio opcionais (ex: região, produto) são incorporados em vetores de contexto para condicionar o aprendizado subsequente sem alterar a ordem dos eventos.
• Saída: Traços de eventos ricos em proveniência no formato JSON, exportáveis para XES ou passíveis de conversão para OCEL.

Estágio 4: Aprendizado de Sequência (Ordenação Entre Tabelas)

Para lidar com casos onde os timestamps são ambíguos, ausentes ou insuficientes para determinar a ordem, o pipeline emprega uma Rede Convolucional Temporal Causal (TCN).

• Objetivo de Aprendizado: A TCN prevê o próximo evento $e_{t+1}$ dado uma janela de eventos passados e um vetor de contexto opcional.
• Extração de Precedência: Ao agregar previsões de próximo evento, uma matriz de transição é formada. Arestas direcionadas $i \to j$ são adicionadas quando a probabilidade de $j$ seguir $i$ excede significativamente a inversa. Pares com frequências bidirecionais semelhantes são marcados como exibindo Variabilidade de Ordem Bidirecional (BOV).
• Saída: Um grafo de precedência mínimo que resume as relações de fluxo, que pode ser consumido por ferramentas padrão de mineração de processos.

Principais Contribuições

1. Pipeline Agnóstico a Esquemas: Uma abordagem inovadora de ponta a ponta que reconstrói traços de processo a partir de dados relacionais brutos e com poucas chaves, sem exigir esquemas predefinidos, diagramas ER ou templates de domínio.
2. Descoberta de Ligação Estatística: Um método para inferir relacionamentos entre tabelas usando similaridade estatística sensível ao tipo (JS/KS) em vez de depender de chaves estrangeiras explícitas, tornando-o robusto à deriva de esquema e chaves ausentes.
3. Aprendizado de Precedência: A aplicação de TCNs para aprender a ordenação e as relações de fluxo entre tabelas diretamente dos traços reconstruídos, lidando com cenários onde os timestamps são insuficientes ou conflitantes.
4. Robustez Operacional: Um caminho para gerar logs de eventos que permanecem robustos a timestamps ausentes, homônimos e chaves parciais, permitindo a construção automatizada de logs em ambientes de SI dinâmicos.

Resultados

O pipeline foi avaliado em benchmarks TPC-H/E, corpora sintéticos (Synth-Light, Synth-Heavy) e um conjunto de dados real da indústria (Industry-1).

• Recuperação de Eventos (RQ1): O pipeline alcançou uma alta recuperação de conjuntos de eventos, com Precisão de Token Independente de Posição (PITA) variando de 0,82 (Synth- Heavy) a 1,00 (TPC-H). Ele previu corretamente o próximo evento com 85% de precisão.
• Aprendizado de Precedência (RQ2): A abordagem baseada em TCN superou os baselines de n-grama e LSTM em previsão de próximo evento e métricas de conformidade. Recuperou aproximadamente 82% das relações de precedência da verdade fundamental (F1 score 0,74–0,82) e demonstrou capacidade superior de capturar relações de fluxo entre tabelas comparado a abordagens baseadas em regras ou centradas em esquema.
• Resiliência a Mudanças (RQ3): Sob deriva controlada (renomeação de atributos e ausência de timestamp), o pipeline completo manteve mais de 80% de suas métricas de desempenho de dados limpos, enquanto um baseline determinístico caiu abaixo de 50%. Isso demonstra resiliência significativa à evolução de esquema e de dados.
• Atribuição de Estágio: Estudos de ablação confirmaram que os Estágios S1–S3 impulsionam a qualidade da reconstrução, enquanto o Estágio S4 (TCN) melhora significativamente a fidelidade das relações de precedência, particularmente na captura de dependências de longo alcance e fluxos dependentes de contexto.

Significância e Alegações

O artigo afirma oferecer um caminho generalizável e escalável para a reconstrução automatizada do comportamento de execução em ambientes de SI dinâmicos. Ele desafia a suposição de longa data na engenharia de SI de que logs de eventos confiáveis pressupõem esquemas limpos e chaves curadas. Ao mudar de uma abordagem "esquema-primeiro" para uma abordagem "dados-primeiro", os autores argumentam que é possível construir logs de alta qualidade mesmo quando os esquemas sofrem deriva e os sistemas evoluem.

O trabalho sugere um novo paradigma de engenharia de SI onde os esquemas operacionais podem evoluir livremente, enquanto uma camada de engenharia de dados preserva a continuidade para análise, auditoria e redesenho. Os autores posicionam isso como uma solução para o gargalo da construção manual de traços em sistemas OLTP modernos e fracamente acoplados, permitindo a mineração de processos e o monitoramento de conformidade em ambientes anteriormente considerados muito ruidosos ou não estruturados para tal análise.