流程挖掘代表了一个重要的研究和工业主题,包括对企业完整的运营过程进行建模、从事件日志中提取知识建立真实执行模型、对业务流程的相关数据进行分析以提取有用的信息等等。随着越来越多的过程感知信息系统的实现,越来越多基于系统的数据被记录下来,从而流程挖掘相关技术的需求量也在增高。由于大多数信息系统允许一定数量的灵活性和偏差,流程挖掘中的一致性检测便有了适用价值,对齐也逐渐演变成衡量一致性的主要途径。当前的在线流程挖掘领域的相关工作甚少,其子领域——在线一致性检测研究更少。在线一致性研究的主要目的是减少偏差发现的延迟性,同时力求为流程决策者提供更及时有效的反馈。现有的在线一致性检测存在几种不同的思路,第一种是假设事件流的实例都是从流程开始处执行的,采用前缀对齐的方式在线计算一致性。第二种是对变迁系统进行分析,并提前计算所有可能的偏差并添加到变迁系统中,在变迁系统上重放事件流数据。第三种是采用行为模型和弱序关系语义构建流程模型,通过计算有效和无效行为模式数量度量一致性水平。然而,不管是离线的还是在线的一致性检测,其普遍存在两个缺点,其一是大多对齐的成本均采用标准成本函数,造就了等低成本最优对齐的频繁出现;其二是对于一致性没有提供可靠的综合信息。综上所述,本文基于对齐的相关理论,提出了基于事件日志全局最优对齐技术及基于事件流的在线一致性检测技术,主要内容有以下几个部分。（1）针对成本等低最优对齐,给出全局最优对齐的思想。当多个成本等低的最优对齐出现时,现有的方法主要是以更改成本函数为途径,要么最大化同步移动及定义不可跳过活动来更改,要么通过增加部分移动的成本值以及设定某些移动成本为0来更改。但是成本函数的改变,只能在一定程度上减少等低成本最优对齐的出现,并未从根本上解决问题。本文不仅根据偏差的严重程度定义调整成本函数,同时提出修复成本最少原则来获得日志最优对齐多重集,从而抉择出全局最优对齐。（2）针对事件流中常出现的热启动和截然终止现象,采用截断对齐的新对齐方法。当基于事件流进行一致性研究时,传统的对齐方法会造成高偏差,低一致性的结果,而前缀对齐方法虽然允许截然终止现象,但没有考虑到热启动现象。本文不仅定义了截断对齐,同时在算法框架中,先对变迁进行分类,对于以序变迁为始发事件的示例,其对齐初始标识为始发事件的使能标识,而对于以并发变迁为始发事件的示例,其对齐初始标识为模型的使能标识。（3）引用服从度、完整度、置信度三个指标,共同衡量事件流与模型对齐的一致性。常用的一致性度量指标,都是针对传统对齐而言的,而没有考虑到截断对齐或前缀对齐的特殊性,所有需要置信度来判断服从度的可信度,防止出现服从度虚高现象。本文在评判事件序列是否与模型一致时,不能单一的参考某一个指标,而需要将三个指标值共同对比后得结论。（4）给出逐步最优截断对齐的算法框架,其可以在事件流每次接收到新事件的时候立刻计算当前示例的最优截断对齐,同时将其他示例于上一事件接收后得到的最优对齐传递给当前时刻。给出适时一致性检测和在线一致性检测的算法框架,其分别适用于在两种不同的应用场景。不管是哪种算法,在指定一个Petri网时,获得变迁与活动匹配表、模型可达标识图、变迁使能标识、模型无成本移动集、距离映射函数。图[18]表[26]参[78]