💻 computer science

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

本文提出了一种与模式无关的流水线，该流水线通过统计识别关键属性和时间属性、发现表间连接，并利用时间卷积网络对事件顺序进行建模，从而从原始且松散连接的关系表中自动重建高保真度的过程执行轨迹，进而消除了在动态信息系统中对预定义模式或领域模板的需求。

原作者： Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Joel Lim Zhi Quan, Tan Kar Way, Lau Hoong Chuin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正在试图重构银行抢劫案经过的侦探。在一个完美的世界里，警察会交给你一本整齐、按时间顺序排列的日记，每一条记录都准确地说明了谁在何时做了什么。

但在现实世界中，证据是零散的。你手里有一堆乱七八糟的收据、一叠监控摄像头日志、一些手写笔记，以及一份电话通话记录表。这些文件之间互不相通。收据上没有名字，监控日志没有时间戳，而电话笔记是用另一种语言写的。此外，银行每周都在更换其归档系统。

这就是这篇论文的作者们正在解决的问题。他们处理的是现代计算机系统（如银行或大型公司）中混乱、分散在许多不同表格中的数据。传统的分析方法之所以失败，是因为它们需要一个完美的、预先组织的地图（即“模式/Schema”），而这种地图根本不存在。

以下是他们的解决方案是如何运作的，分为简单的几个步骤：

问题所在：“混乱的档案柜”

在旧式的计算机系统中，数据就像一座组织有序的图书馆。每本书都有清晰的标签，你知道它属于哪层书架。
而在现代系统中，数据就像是一个囤积者的阁楼。

没有标签： 你很难轻易判断哪些数据属于哪个客户（缺失“键/Keys”）。
碎片化的线索： 单个交易的故事被拆分到了五个不同的表中。
混乱的时间线： 一个表显示“上午10:00”，另一个显示“上午10:05”，第三个只说“昨天”。
不断的装修： 当你试图清理阁楼时，阁楼里的布局也在不断变化。

正因如此，构建一个清晰的时间线（称为“过程轨迹/Process Trace”）通常需要人类专家手动将它们缝合在一起，这既缓慢、昂贵又容易出错。

解决方案：一位“与模式无关”的侦探

作者构建了一个自动化的流水线，充当一名不需要地图的超级聪明侦探。他们不问“地图在哪里？”，而是直接观察证据本身来推断故事。

以下是这位“侦探”采取的四个步骤：

1. 发现线索（特征分析/Profiling）

首先，系统扫描每一列数据以猜测其含义。

寻找 ID： 它寻找看起来像唯一名称的列（如客户 ID）。它会检查：“这个值是唯一的吗？它总是存在吗？它看起来像个名字吗？”
寻找时间： 它寻找看起来像日期的列。它会检查：“这看起来像时间戳吗？它是否具有一致性？”
类比： 想象在整理一堆混杂在一起的拼图碎片。侦探不需要盒子上印着的图案，他们只需观察碎片本身的形状，就能猜出哪些是天空，哪些是草地。

2. 连接点与线（关系发现/Relationship Discovery）

由于没有官方的“连线题”（外键），系统使用统计信号。

它对比不同表中的列。如果表 A 有一组数字，而表 B 有一组完全匹配的数字，系统就会假设它们是相互关联的。
它忽略“官方”规则，转而观察实际的数据模式。
类比： 如果你在一个口袋里发现了一张收据，在另一个口袋里发现了一份完全匹配的信用卡账单，你就知道它们属于同一个人，即使它们并没有被订在一起。

3. 构建时间线（排序/Sequencing）

一旦系统知道哪些表是相互连接的，它就会收集单个“案例”（如特定的客户订单）的所有事件。

它按时间对这些事件进行排序。
如果时间信息混乱或缺失，它会利用逻辑来推测顺序。
类比： 侦探将针对某一特定抢劫案的所有零散笔记、收据和日志收集起来，并将它们摆在桌面上，以观察事件发生的先后顺序。

4. 学习模式（“大脑”——TCN）

这是最先进的部分。有时，时间戳过于混乱，无法判断哪个事件发生在前面。

系统使用一种特殊的 AI，称为时间卷积网络（Temporal Convolutional Network, TCN）。你可以把它看作是一个模式识别引擎。
它通过观察成千上万个过去的案例来学习：“通常当事件 A 发生时，事件 B 就会紧随其后。”
即使时钟坏了，AI 也能根据故事的流向预测下一步。
类比： 如果你看到有人穿上外套、拿起钥匙并打开门，你就知道他们即将离开，即使你没看到他们走出门口的具体瞬间。AI 学习的就是这些“故事流”。

结果：这位侦探有多厉害？

作者在模拟混乱银行的伪造数据、标准基准测试以及一个真实的行业数据集上测试了这个系统。

准确率： 它能正确预测流程中下一步的概率为 85%。
恢复能力： 即使在数据缺失或混乱的情况下，它也能成功找回并重构约 82% 的正确事件顺序。
韧性： 当数据发生“漂移”（名称改变、日期缺失）时，该系统仍能继续工作，而传统方法则会崩溃。

为什么这很重要

这篇论文认为，我们不应该等待完美的数据后再进行分析。与其强迫混乱的现实世界数据进入一个僵化、预定义的框框里，不如让数据自己说话。

通过消除对完美“模式”（即地图）的需求，这种方法使得公司能够自动理解自己的系统，即使这些系统是混乱的、不断变化的或文档记录不全的。它将一堆混乱的证据变成了一个清晰、可读的故事，而无需人类进行繁重的体力劳动。

技术摘要：架构无关的流程追踪构建

问题陈述

现代信息系统（IS），特别是在 OLTP 环境中，其特征是快速演进且松耦合的关系型表。在这些环境中，传统的关于稳定架构、显式主外键以及人工策划事件日志的假设往往会失效。架构会发生漂移，代理键（surrogate keys）的应用不一致或被重构，且执行追踪（execution traces）分散在多个具有稀疏键和模糊或多重时间戳字段的表中。

因此，重建用于审计、合规和流程挖掘等任务的流程执行追踪（事件日志）需要成本高昂且脆弱的人工干预，涉及即时性的连接（ad-hoc joins）和时间戳规则。现有方法通常依赖于预定义的架构、可靠的 PK/FK 结构或特定领域的模板，这使得它们无法应用于键值稀疏、异构且持续变化的场景。核心问题在于：如何在不依赖预定义架构、可靠外键或领域专业知识的情况下，直接从原始关系数据中自动构建高保真度的执行序列（案例、事件和时间顺序）。

方法论

作者提出了一个四阶段、架构无关的流水线，通过从统计信号中推断表间链接、组装时间字段并学习排序模式。该流水线在无需进行全量架构重建或本体映射的情况下运行。

第一阶段：标识符与时间戳列剖析

流水线对每个表的列进行剖明，以评估其作为案例标识符或时间戳的功能可能性。

标识符评分： 计算得分 $spk(c) $，基于唯一性 ($ u $)、完整性 ($ \gamma $) 和字符串长度稳定性 ($ \lambda$)。列必须在所有三个指标上得分较高才能被保留为候选标识符。
时间戳评分： 使用离散度和变异性指标（完整性、唯一性、标准差、四分位距和熵）的百分位数排名加权和来计算得分 $sdt(c)$。
输出： 为每个表选择前 $k$ 个候选标识符和时间戳列。

第二阶段：关系发现（列与列之间的链接）

流水线不依赖于声明的外键，而是利用类型感知的统计相似性来发现表间的连接。

评分机制： 对于每一对跨表列 $(c_i, c_k)$ $(c_{i}, c_{k})$ ，计算链接得分 $s(c_i, c_k)$ $s (c_{i}, c_{k})$ ，该得分是四个因子的乘积：
1. 类型兼容性 (TC)： 对类型兼容性弱的对进行降权。
2. 列质量 (Q)： 惩罚涉及低完整性或低唯一性的列对。
3. 覆盖度 (U)： 确保覆盖范围不是由罕见的边缘值驱动。
4. 数值相似性 (R)： 使用 Jaccard 相似度（JS）衡量符号数据的实际值对齐，以及 JS/Kolmogorov-Smirnov (KS) 混合方法衡量数值分布。
链接形成： 超过阈值 $\tau_S$ 的配对被保留，以形成候选链接的无向多重图。

第三阶段：时间化与排序

利用发现的链接集，流水线在可达表中传播采样的案例标识符，以收集相应的行和时间戳候选。

事件组装： 每个（行，时间戳）对被视为一个临时事件。
排序： 特定案例的事件按时间戳进行排序。通过表名和行标识符进行确定性破缺。合并相邻的重复标签，而保留非相邻的重复项。
上下文： 可选的业务属性（如区域、产品）被嵌入到上下文向量中，用以约束后续学习而不改变事件顺序。
输出： 具有溯源能力的 JSON 格式事件追踪，可导出为 XES 或提升至 OCEL。

第四阶段：序列学习（跨表排序）

为了解决时间戳模糊、缺失或不足以确定顺序的情况，流水线采用了因果时间卷积网络（TCN）。

学习目标： TCN 在给定过去事件窗口和可选上下文向量的情况下预测下一个事件 $e_{t+1}$ 。
优先关系提取： 通过聚合“下一事件”预测，形成转移矩阵。当 $j$ 紧随 $i$ 之后的概率显著高于反向概率时，添加有向边 $i \to j$ 。具有相似双向频率的对被标记为存在双向变异性（BOV）。
输出： 一个总结流向关系的最小优先图，可被标准的流程挖掘工具使用。

核心贡献

架构无关的流水线： 一种新型端到端方法，能够从键值稀疏的关系数据中重建流程追踪，无需预定义架构、ER 图或领域模板。
统计链接发现： 一种利用类型感知统计相似性（JS/KS）而非依赖显式外键来推断表间关系的方法，使其对架构漂移和缺失键具有鲁棒性。
学习到的优先关系： 应用 TCN 来直接从重建的追踪中学习跨表排序和流向关系，处理时间戳不足或冲突的场景。
操作鲁棒性： 提供了一条生成即使在缺失时间戳、同名异义词和部分键的情况下仍具鲁棒性的事件日志的路径，实现了在动态信息系统环境中的自动化日志构建。

结果

该流水线在 TPC-H/E 基准测试、合成语料库（Synth-Light, Synth-Heavy）以及一个真实的工业数据集（Industry-1）上进行了评估。

事件恢复 (RQ1)： 流水线实现了高水平的事件集恢复，位置无关标记准确率（PITA）在 0.82（Synth-Heavy）到 1.00（TPC-H）之间。它正确预测下一个事件的准确率为 85%。
优先关系学习 (RQ2)： 基于 TCN 的方法在下一事件预测和一致性指标方面优于 n-gram 和 LSTM 基准。它恢复了约 82% 的地面真值优先关系（F1 分数 0.74–0.82），并且与基于规则或以架构为中心的方法相比，展现出捕捉跨表流向关系的卓越能力。
变化韧性 (RQ3)： 在受控漂移（属性重命名和时间戳缺失）下，完整流水线保留了超过 80% 的洁净数据性能指标，而确定性基准则跌破 50%。这证明了其对架构和数据演进的显著韧性。
阶段归因： 消融研究证实，阶段 S1–S3 驱动了重建质量，而阶段 S4 (TCN) 显著提高了优先关系的保真度，特别是在捕捉长程依赖和上下文特定流向方面。

意义与主张

本文声称提供了一种在动态信息系统环境中自动重建执行行为的通用且可扩展的路径。它挑战了信息系统工程中长期存在的假设，即可靠的事件日志必须以洁净的架构和经过策划的键为前提。通过从“架构优先”转向“数据优先”的方法，作者认为即使在架构发生漂移和系统不断演进的情况下，构建高质量日志也是可能的。

这项工作提出了一种新的信息系统工程范式：允许操作架构自由演进，同时通过数据驱动的日志工程层来保持分析、审计和重新设计的连续性。作者将此定位为解决现代松耦合 OLTP 系统中手动构建追踪这一瓶颈的方案，使得那些此前被认为过于嘈杂或缺乏结构、无法进行此类分析的环境也能实现流程挖掘和合规监控。