揭示事件数据中的固有并发性：基于偏序的过程发现方法

过程发现算法传统上将事件线性化，无法捕捉真实流程中固有的并发性。虽然一些技术可以处理偏序数据，但它们通常在大规模事件日志上难以扩展。我们提出了一种新颖的可扩展算法，直接利用偏序进行过程发现。我们的方法从事件数据中导出偏序轨迹，并将它们聚合为构造即正确且完美拟合的过程模型。我们的层次化算法在保留固有并发性的同时，系统地抽象互斥选择和循环模式，从而增强模型的紧凑性和精确性。我们实现了该技术并在复杂真实事件日志上展示了其适用性。我们的工作为在并发性普遍存在的事件数据中对流程行为进行更忠实的表示提供了一个可扩展的解决方案。