Control-Path Driven Process-Group Discovery Framework and its Experimental Validation for Process Mining and Reengineering

프로세스 마이닝과 리엔지니어링을 위한 제어경로 기반 프로세스 그룹 발견 프레임워크와 실험적 검증

Abstract

In this paper, we propose a new type of process discovery framework, which is named as control-path-driven process group discovery framework, to be used for process mining and process reengineering in supporting life-cycle management of business process models. In addition, we develop a process mining system based on the proposed framework and perform experimental verification through it. The process execution event logs applied to the experimental effectiveness and verification are specially defined as Process BIG-Logs, and we use it as the input datasets for the proposed discovery framework. As an eventual goal of this paper, we design and implement a control path-driven process group discovery algorithm and framework that is improved from the ρ-algorithm, and we try to verify the functional correctness of the proposed algorithm and framework by using the implemented system with a BIG-Log dataset. Note that all the process mining algorithm, framework, and system developed in this paper are based on the structural information control net process modeling methodology.

본 논문에서는 비즈니스 프로세스 모델의 생명주기관리를 지원하는 대표적인 지식발견기술인 프로세스 마이닝과 지식개선기술인 프로세스 리엔지니어링 접근방법을 기반으로 하는 새로운 유형의 프로세스 발견 프레임워크를 제안한다. 또한, 제안된 프레임워크를 기반으로 하는 프로세스 마이닝 시스템을 개발하고, 이를 통한 실험적 검증을 수행한다. 실험적 효과검증에 적용된 프로세스 실행 이벤트 로그를 특별히 프로세스 빅-로그(Process BIG-Logs)라고 정의하고, 분산 비즈니스 프로세스 관리 시스템의 로깅메커니즘과 연계된 조각-실행로그이력들을 클러스터링하는 전처리과정을 거친 마이닝의 입력데이터세트로 활용한다. 결과적으로, 본 논문에서는 구조적 정보제어넷기반 프로세스 마이닝 알고리즘인 ρ-알고리즘을 개선한 제어경로기반 프로세스 그룹 발견 알고리즘과 프레임워크를 설계 및 구현하고, 구현된 시스템을 이용하여 제안한 알고리즘과 프레임워크의 정확성을 실험적으로 검증한다.

1. 서론

분산 및 클라우드 컴퓨텅 환경을 기반으로 하는 비피엠 (BPM: Business Process Management) 중심 엔터프라이즈에서는 비즈니스 프로세스(이하 프로세스) 모델들의 효과적이고 효율적인 운용관리목표를 달성하기 위하여 탁월한 성능의 분산형 비피엠 시스템 뿐 만 아니라 프로세스 인텔리전스 및 생명주기 관리체계를 구축할 필요가 있다. 특히, 프로세스 인텔리전스 관리체계의 핵심기술로서 최근에 많은 연구개발 관심이 집중되는 데이터 및 지식 발견 기술은 프로세스 마이닝 기술이며, 프로세스 생명주기 관리체계의 핵심기술은 프로세스 마이닝 및 지식 발견 기술을 기반으로 지속가능한 생명주기관리를 지원하는 프로세스 리엔지니어링 기술이다. 따라서, 본 논문에서는 비피엠 중심 엔터프라이즈의 핵심적인 컴퓨팅 인프라인 분산 프로세스 관리 시스템에 의해서 운영관리되는 일련의 초대형 분산 프로세스 모델들의 실행 로그로부터 제어흐름 중심의 지식을 발견하는 새로운 접근방법의 프로세스 마이닝 알고리즘과 프레임워크를 제안하고, 이렇게 제안된 새로운 유형의 접근방법을 이론적 기반으로 하는 소위 제어경로 기반 프로세스 마이닝 시스템을 개발함으로써 궁극적으로 비피엠 중심 엔터프라이즈를 구성하는 모든 프로세스 모델들의 생명주기를 효과적·효율적으로 관리할 수 있는 프로세스 마이닝 및 리엔지니어링 관리체계를 구축하고자 한다.

엔터프라이즈 비즈니스 프로세스 또는 워크플로우 모델과 그의 관리 시스템인 비피엠 기술의 등장과 발전이 거의 30여년 이상이 지속되면서 그 이 후 많은 조직들이 엔터프라이즈 업무처리 프로세스 자동화 기술의 도입과 적용을 성공적으로 완성시겼고, 기술의 확산속도 역시 지속적으로 증가해 왔다. 또한, 분산 및 클라우드 컴퓨팅 환경의 확산과 더불어 비피엠 중심 엔터프라이즈 및 조직 역시 업무처리 프로세스 모델의 초대형화 및 분산화가 지속적으로 증가해 왔다. 결과적으로, 이와 같은 확산일로의 비피엠 중심 엔터프라이즈에서 마침내 해당 업무 처리 프로세스 모델들에 대한 재설계와 리엔지니어링의 필요성과 자원할당정책의 재계획과 재배치의 긴급성이 대두되는 시점이 도래한 것이다. 즉 다시 말해서, 프로세스 실행 이벤트로그 및 이력데이터로부터의 지식발견과 재설계를 지원하는 프로세스 마이닝 기술과 프로세스 리엔지니어링 기술에 대한 연구개발의 시대가 시작된 것이다. 특히, 조직의 대형화와 컴퓨팅 환경의 분산화 그리고 그에 따른 업무처리 프로세스 모델들의 초대형화는 분산 및 클라우드 컴퓨팅 환경을 기반으로 하는 분산 프로세스 관리 시스템의 운용 관리체계와 프로세스 리엔지니어링 관리체계 역시 차원 높은 수준의 프로세스 마이닝 접근방법과 기술적 우수성을 요구하고 있다. 그림 1은 이러한 분산 및 초대형 비피엠 중심 엔터프라이즈 및 조직에서의 분산 프로세스 모델들과 그의 분산 실행 이벤트 로그 및 이력데이터 획득체계를 배경으로 하는 분산 프로세스 관리 시스템과 프로세스 마이닝 및 리엔지니어링 기술의 개념과 범위를 그림으로 나타낸 것이다. 결과적으로, 본 논문의 연구목표와 범위는 분산 프로세스 모델의 실행 이벤트 로그 및 이력데이터 수집과 전처리 기법 그리고 새로운 유형의 프로세스 지식발견 접근방법과 이를 위한 일련의 알고리즘 및 프레임워크를 제안하는데 있으며, 특별히 제안한 접근방법과 프레임워크의 개념적 우수성을 검증하기 위하여 일명 제어경로 기반 프로세스 마이닝 시스템을 개발하고 실험적 검증을 수행한다.

(그림 1) 비피엠 기반 엔터프라이즈의 프로세스 마이닝과 프로세스 리엔지니어링 개념도

(Figure 1) A Situational View of the BPM-driven Enterprise with Process Mining and Reengineering

2. 관련 연구

이 장에서는 분산 및 클라우드 컴퓨팅 환경 기반의 분산 프로세스 관리 시스템과 초대형 분산 프로세스 모델들에 대한 운용기간이 장기간 지속됨에 따라 수반되는 프로세스 실행 이벤트로그 빅데이터[6][7][8]로부터 제어 흐름 기반의 프로세스 모델 자체 뿐 만 아니라 조직의 자원관리 의사결정에 활용될 핵심적인 경영관리 지식을 발견⦁재발견하는 프로세스 마이닝 알고리즘[1][2][3][5][9]들과 프레임워크 및 시스템들에 대한 기존의 연구성과들을 조사분석하고, 본 논문의 핵심 연구주제인 제어경로 기반 프로세스 그룹 발견 알고리즘 및 프레임워크와의 개넘적 차별성과 구체적 구현범위를 소개한다. 특히, K. Kim [10]의 연구성과인 초대형 프로세스 모델의 종적 또는 횡적 조각화 방법을 적용한 분산 프로세스 관리 엔진들로부터 실행이벤트로그들을 수집저장하고, 수집된 초대형 이벤트로그 빅데이터상의 프로세스 실행이벤트 트레이스들을 제어경로 특성에 따른 클러스터링과 그룹핑하며, 궁극적으로 이러한 제어경로 특성을 반영한 프로세스 마이닝 알고리즘과 프레임워크를 제안하는 것이 본 논문의 핵심 목표이자 연구범위이다.

프로세스 마이닝 기술의 핵심 구성요소인 초대형 프로세스 실행이력을 기록한 이벤트 로그 빅데이터는 분산 프로세스 엔진의 로깅 및 감사 컴포넌트[5]의 기능에 따른 프로세스 인스턴스 및 액티버티 워크아이템의 실행 이벤트 로그데이터 기록물이고, 각 이벤트 로그는 해당 비즈니스 프로세스 패키지-식별자, 프로세스 모델-식별자, 프로세스 인스턴스-식별자, 그리고 워크아이템의 액티버티-식별자를 우선-키로 하는 데이터레코드로 표현되며, 실행담당 수행자-식별자와 이벤트-식별자 및 타임스탬프 속성 등이 추가될 수 있다. 지금까지 프로세스 실행 이벤트 로그의 구조와 형식에 대한 여러 연구가 발표되었는데, M. Park, K. Kim[6]의 연구에서는 워크플로우 마이닝을 위한 XML 기반 워크플로우 실행 이벤트 로그 언어로서 XML기반의 XWELL을 제안하였고, 워크플로우 및 비즈니스 프로세스 기술의 국제 표준화기구인 WfMC*는 표준화 된 감사 및 로그 포맷에 관한 규격으로 BPAF**[7]를 발표한 바 있다. 특히, IEEE에서는 XES***[8]를 발표했으며, 이 XML기반의 이벤트 로그 표준 포맷의 목표는 정보 시스템 설계자에게 이벤트 로그 및 이벤트 스트림을 통해 시스템의 동작을 캡처할 수 있는 통합되고 확장 가능한 이벤트 로그 저장 국제표준포맷을 제공하는데 있으며, 본 논문에서 뿐 만 아니라 최근에 발표되는 대부분의 연구에서는 이 IEEE-XES 이벤트 로그 포맷을 기반으로 하는 실제 데이터세트를 대상으로 실험을 수행하고 있다. 또한, 현재까지 워크플로우 및 비즈니스 프로세스 실행 이벤트 로그 데이터세트를 제공하고 관리하는 공학·과학·경영분야의 대표적인 국제데이터저장소인 4TU.Centre for Research Data[4]에서도 이 국제표준포맷에 따른 데이터세트들을 제공하고 있다.

프로세스 마이닝 알고리즘과 분석 기법 측면에서의 연구성과는 본 논문에서 뿐 만 아니라 여러 연구사례가 수행되어 왔다. 특히, 프로세스 마이닝 알고리즘들과 관련된 대표적인 연구결과는 W.M.P. van der Aalst, A.J.M.M. Weijters[1]의 α-알고리즘(α-Algorithm)과 K. Kim, C.A. Ellis[3]의 σ-알고리즘(σ-Algorithm) 그리고 K.-S Kim, et al.[16]의 ρ-알고리즘(ρ-Algorithm) 등이 알려져 있는데, 본 논문에서 제안하는 제어경로 기반 프로세스 그룹 발견 알고리즘은 대표적인 정보제어넷 기반 프로세스 마이닝 알고리즘인 ρ-알고리즘(ρ-Algorithm)을 확장적용한 연구결과이다, 또한, 제어흐름 측면의 지식 발견 접근 방법 이외에 업무수행자 측면 등 전반적인 프로세스 관련 지식 발견 기법들 중에서 대표적인 연구성과는 M. Park, et al.[14]의 워크플로우 기반 소셜네트워크 지식 발견 기법과 H. Ahn, et al[16]의 작업전이네트워크 지식 발견 기법 등 이다. α-알고리즘은 페트넷 기반의 워크플로우 및 비즈니스 프로세스 모델의 실행이력 이벤트 로글로부터 프로세스를 재발견하는 알고리즘이고, σ-알고리즘과 ρ-알고리즘은 정보제어넷 기반의 워크플로우 및 비즈니스 프로세스 모델의 실행이력 이벤트 로그로부터 제어흐름 지식을 발견하는 알고리즘이다. 특히, ρ-알고리즘은 프로세스 모델링에 있어서의 기초적인 빌딩블록인 4가지 근본적인 프로세스 패턴, 즉 순차적, 선택적, 병렬적, 반복적 프로세스 패턴의 제어흐름 지식을 발견하는데 있어서 각 액티버티의 실행 횟수를 활용하는 접근방법으로서 본 논문의 제어경로에 따른 프로세스 마이닝 접근방법에 가장 적절히 확장적용할 수 있는 알고리즘이다. 본 논문에서 제안하는 재어경로 기반 프로세스 그룹 발견 알고리즘과 프레임워크는 바로 이러한 정보제어넷 기반 프로세스 마이닝 알고리즘과 제어흐름 지식 발견 기법을 매우 시의적절하게 확장·적용한 연구성과이다.

3. 프로세스 그룹 발견 프레임워크

본 논문의 핵심 연구내용은 분산 컴퓨팅 환경을 기반으로 하는 종적·횡적·혼합적 조각화 기법[10]에 따른 분산 프로세스 조각들의 실행이력 이벤트 로그데이터들을 모두 수집하여 저장한 “프로세스 빅-로그” 빅데이터 저장소로부터 제어흐름 중심의 프로세스 지식을 마이닝하는 프로세스 발견 알고리즘과 이를 이용하여 제어경로에 따른 일련의 프로세스 그룹을 발견하는 프레임워크를 제안하고 구현하는 것이다. 특히, 프로세스 빅-로그는 초대형 분산 프로세스 모델의 실행이력 이벤트로그 빅데이터로서 초대형 여부를 판단하는 정량적 기본 속성을 만족한다고 가정하는데, 그 기본 속성은 조직 내의 프로세스 패키지 및 모델의 수, 각 프로세스모델을 구성하는 액티버티의 수, 각 프로세스 모델의 인스턴스의 수, 각 프로세스 모델의 실행에 참여하는 수행자의 수 그리고 각 프로세스 모델의 실행 시에 발생되는 이벤트의 수 등이다. 본 장에서는 그림 2에 도식화한 것과 같이 제안하는 제어경로 기반 프로세스 그룹 발견 프레임워크를 구성하는 일련의 알고리즘을 비롯한 각 구성요소에 대한 정형적 정의와 세부 포맷을 자세히 기술하고자 한다.

(그림 2) 제어경로 기반 프로세스 그룹 발견 프레임워크

(Figure 2) The Control-Path-driven Process Group Discovery Framework

3.1 프로세스 빅-로그의 정형적 정의

분산 프로세스 모델의 인스턴스가 실행될 때 비피엠(BPM: Business Process Management) 엔진의 로깅 함수는 각 액티버티-워크아이템의 실행 이벤트를 로그 저장소에 기록하게 되는데, 본 논문에서는 각 이벤트로그의 저장 포맷으로서 IEEE-XES 표준 이벤트 스트림 태그 언어의 저장 포맷을 기반으로 한다고 가정한다. 그림 3에서 나타낸 바와 같이, 프로세스 빅-로그를 구성하는 각 분산 프로세스-조각 인스턴스들과 그들의 액티버티-워크아이템들의 실행 이벤트 로그에 대한 정형적 정의는 다음과 같다.

(그림 3) 프로세스-조각 인스턴스 실행이벤트 트레이스와 시간적 워크케이스 모델의 정형적 개념

(Figure 3) The Formal Concepts of Fragmented Process Instance Execution Event Traces and Models

[정의 1] 프로세스 인스턴스의 액티버티-워크아이템 실행 이벤트 로그: we = (α, pc, wf, wc, ac, p*, t, s)

∙α= 액티버티-워크아이템 이벤트 로그 식별자

∙pc = 프로세스 패키지 식별자

∙wf = 프로세스 모델 식별자

∙wc = 프로세스 인스턴스 식별자

∙p* = 수행자 식별자

∙t = 타임스탬프 (timestamp)

∙s = 액티버티-워크아이템의 실행 상태 (state): ready, assigned, reserved, running, completed, cancelled

동일한 프로세스 인스턴스 식별자를 갖는 액티버티-워크아이템 실행 이벤트 로그들은 결과적으로 해당 프로세스 인스턴스의 실행이벤트 트레이스 (Trace)를 구성하게 되는데, 이를 프로세스 인스턴스 이벤트 트레이스라고 정의하며, 프로세스 마이닝 기법의 기본적인 처리단위가 된다. 분산 프로세스-조각 인스턴스 이벤트 트레이스에 대한 정형적 정의는 다음과 같다.

[정의 2] 프로세스-조각 인스턴스 이벤트 트레이스: FTWC(ac) = (we₁, ···, we_n), ac = 프로세스-조각 인스턴스 식별자,

{ we_i | we_i.wc = ac ∧ we_i.t ≤ we_j.t ∧ we_i.pc = we_j.pc ∧ we_i.wf = we_j.wf ∧ we_i.wc = we_j.wc ∧ i < j ∧ 1 ≤ i,_j ≤ n }

궁극적으로, 각 이벤트 로그의 속성인 타임스탬프와 액티버티-워크아이템의 실행상태 속성을 고려하여 프로세스-조각 인스턴스의 액티비티-워크아이템 이벤트 로그를 타임스탬프 시간 순서대로 정렬시킨 이벤트 로그 시퀀스를 프로세스-조각 인스턴스 이벤트 트레이스라고 정의할 수 있다. 여기서 의미있는 시간 순서는 다음과 같은 타임스탬프의 유형에 따라 정의될 수 있다.

∙예정 시간 : 작업 항목의 상태가 준비 (READY)에서 할당 (ASSIGNED)로 변경될 때 취해진다.

wet.s ⇒ (t = we.t ∧ s = we.s ∧ s = ‘assigned’)

∙할당 시간 : 작업 항목의 상태가 준비에서 예약(RESERVED)로 변경될 때 취해진다.

wet.e ⇒ (t = we.t ∧ s = we.s ∧ s = ‘assigned’)

∙시작 시간 : 작업 항목의 상태가 예약에서 수행(RUNNING)로 변경될 때 취해진다.

wet.u ⇒ (t = we.t ∧ u = we.s ∧ u = ‘running’)

∙완료 시간 : 작업 항목의 상태가 수행에서 완료(COMPLETED)로 변경될 때 취해진다. wet.o ⇒ (t = we.t ∧ o = we.s ∧ o = ‘assigned’)

앞서 정의한 프로세스 빅-로그에 대한 정형적 정의를 이론적 기반으로 하는 프로세스-조각 인스턴스 실행이력 이벤트 로그로부터 일련의 프로세스 그룹을 발견하는 알고리즘을 고안하기 위해서는 프로세스 마이닝 알고리즘의 입력데이터를 구성하는 기본적인 처리단위인 프로세스-조각 인스턴스 실행이력 이벤트 트레이스들에 대한 정형적 모델을 프로세스-조각 인스턴스의 시간적 워크케이스 모델이라고 정의하여 활용할 필요가 있다. 다음의 [정의 3]은 그림 3에서 나타낸 시간적 워크케이스 모델에 대한 정형적 정의를 나타낸 것이다.

[정의 3] 프로세스-조각 인스턴스의 시간적 워크케이스 모델, FTWCϕ(c): 특정 워크플로우 인스턴스 wc에 해당하는 시간적 워크케이스 모델은 이벤트 로그의 타임스탬프 유형에 따라 4가지 유형의 시간적 워크케이스 모델이 정의될 수 있다.

∙ϕ ∊ { s, e, u, o }

∙FTWCϕ(wc) = (we^τ[.ϕ]_α1, ⋯, we^τ[.ϕ]_αm):

{weτ[.ϕ]α|α = we·ac ∧ τ = we.t ∧ ϕ ∈ {s, e, u, o} ∧ weα.wc = c ∧ (weτiαi < weτjαj)10 ∧ τi < τj ∧ i < j ∧ 1 ≤ i, j ≤ m},

결과적으로, 각 이벤트 트레이스를 수학적 그래프 모델로 정의한 시간적 워크케이스 모델에 대한 정형적 정의와 그래픽적 정의는 각각 [정의 3]와 (그림 3)에서 나타내었다. 즉, 타임스탬프를 중심으로 시간적으로 정렬된 프로세스-조각 인스턴스의 액티비티-워크아이템 이벤트 시퀀스에 대한 정형적 모델과 그래픽적 모델을 시간적 워크케이스 모델(Temporal Workcase Model)로 정의한 것이다. 또한, (그림 3)에서 나타내었듯이 하나의 이벤트 시퀀스에는 반복제어흐름과 연계된 액티버티-워크아이템들은 별도의 루핑-이벤트 트레이스들을 포함할 수 있는데, 이들은 시간적 루핑케이스 모델(Temporal Loopcase Model)로 정의될 수 있다. 이와 같은 시간적 워크케이스 모델과 시간적 루핑케이스 모델은 예정 시간, 할당 시간, 시작 시간 및 완료 시간과 같은 타임스탬프의 유형에 따라 시간적 워크케이스 모델 뿐 만 아니라 시간적 루핑케이스 모델은 다음과 같이 4 가지 유형의으로 구분될 수 있다.

∙예정시간 (ϕ = s) 기반 시간적 워크케이스 모델

∙할당시간 (ϕ = e) 기반 시간적 워크케이스 모델

∙시작시간 (ϕ = u) 기반 시간적 워크케이스 모델

∙종료시간 (ϕ = o) 기반 시간적 워크케이스 모델

3.2 프로세스 제어경로와 시간적 워크케이스 패턴

비즈니스 프로세스 모델의 기본구조에 대한 정형적 정의는 액티버티 집합과 천이조건 집합을 대상으로 하는 두 개의 함수, 즉 해당 프로세스를 구성하는 액티버티들의 선·후행 액티버티 집합들을 정의하는 함수와 각 액티버티들의 선·후행천이조건 집합들을 정의하는 함수로 정의되는데, 본 논문에서는 대표적인 비즈니스 프로세스 모델링 방법론인 정보제어넷(Information Control Nets) 그래프 모델을 이론적 기반으로 하며, 프로세스 모델을 구성하는 액티버티들 간의 선·후행 제어흐름은 그림 4에서 나타낸 바와 같이 네 가지 유형의 기본적인 제어흐름 유형들, 죽 순차형, 선택형, 병렬형, 반복형 제어흐름 유형들을 기초단위의 빌딩블록으로 하여 프로세스 모델의 제어흐름을 모델링하는 것으로 가정한다. 특히, 정보제어넷 기반 프로세스 모델에서의 제어흐름 유형이 갖는 전형적인 속성은 바로 구조적 제어흐름 속성을 만족해야 한다는 점이다. 구조적 제어흐름 속성은, 그림 4에서 알 수 있듯이, 제어흐름 게이트웨이-노드들이 반드시 Split-Join의 순서쌍 속성(Matched Pairing Property)과 다중 Split-Join 순서쌍의 적절한 네스팅 속성(Proper Nesting Property)을 만족시켜야 하는 필수조건이다. 그림 4의 왼쪽부분에 나타낸 하나의 구조적 정보제어넷 기반 프로세스 모델은 이러한 구조적 제어흐름 속성을 만족하는 제어흐름 빌딩 블록들과 이들을 적용한 모델링 결과를 나타낸 것이다.

(그림 4) 정보제어넷 기반 프로세스 모델의 기본적인 제어흐름 유형

(Figure 4) Primitive Process Patterns of the SICN-oriented Process Model

본 논문에서 제안하는 프로세스 그룹 발견 알고리즘과 프레임워크에서의 핵심 개념인 제어경로는 구조적 정보제어넷 기반 프로세스 모델의 시작이벤트로부터 출발해서 종료이벤트에 이르기까지의 도달가능한 단위업무 액티버티들 간의 모든 선·후행 실행순서의 경로들을 의미하며, 해당 프로세스 모델의 인스턴스 실행 이벤트 트레이스, 즉 시간적 워크케이스들의 군집화 또는 클러스터링을 가능하게 하는 개념이다. 예를 들어, 그림 4에서 나타낸 정보제어넷 기반 프로세스 모델로부터 다음과 같은 제어경로 유형들을 기반으로 시간적 워크케이스들을 군집화시킬 수가 있다.

∙제어경로 유형-1: A(CC’● UU’)IRZ

－가능한 실행이벤트 트레이스의 시간적 워크케이스 패턴 (Temporal Workcases Patterns):

ACC’UU’IRZ / AUU’CC’IRZ /

ACUC’U’IRZ / AUCU’C’IRZ /

ACUU’C’IRZ / AUCC’U’IRZ

∙제어경로 유형-2: A(CC’● UU’)IP[GD]TZ

－가능한 실행이벤트 트레이스의 시간적 워크케이스 패턴 (Temporal Workcases Patterns):

A(CC’● UU’)IPGDTZ /

A(CC’● UU’)IPGDGDTZ /

A(CC’● UU’)IPGDGDGDTZ /

⋯

이상과 같이 예제의 정보제어넷 기반 프로세스 모델에서 두 가지의 제어경로 유형, 즉 제어경로 유형-1과 제어경로 유형-2로부터 가능한 프로세스 인스턴스 실행 이벤트 트레이스들을 군집화할 수 있는 시간적 워크케이스 패턴들을 보여준 것이다. 특히, 제어경로 유형-2에서는제어경로 유형-1의 병렬형-빌딩블록에 이어진 반복형-빌딩블록의 반복 회 수에 따른 시간적 워크케이스 패턴들만을 보여 주고 있다. 결과적으로, 본 논문의 궁극적 목표는 이와 같은 개념의 제어경로 유형들 뿐 만 아니라 각 제어경로 유형과 연관된 시간적 워크케이스 패턴들을 중심으로 일련의 프로세스 그룹을 프로세스 빅-로그 데이터세트로부터 발견할 수 있는 일명 제어경로 기반 프로세스 그룹 발견 알고리즘과 프레임워크 그리고 시스템을 개발하는데 있다.

그림 2에서 나타낸 제어경로 기반 프로세스 그룹 발견 프레임워크의 중간부분에는 제어경로 유형을 기반으로 하는 각 시간적 워크케이스 패턴에 따른 프로세스 인스턴스 실행 이벤트 트레이스들의 군집화 알고리즘을 개념적으로 도식화하고 있다. 이 군집화 알고리즘의 핵심 개념은 시간적 워크케이스 분류 여과장치 (Temporal Work-case Classification Filter-Bed)의 구현을 위한 접근방법 또는 알고리즘에 있다. 첫 번째 접근방법은 프레임워크의 그림으로 나타내었듯이 분류 알고리즘을 설계 및 구현하는 방법으로서, 각 시간적 워크케이스의 액티버티-워크아이템 이벤트 시퀀스를 2진수의 비트-시퀀스로 변형시킨 후, 새로운 비트-시퀀스가 발견될 때마다 이를 새로운 분류 필터로 채택하면서 분류 여과장치를 구축해나가는 접근방법이다. 비트-시퀀스로 변형된 시간적 워크 케이스의 이벤트 로그 트레이스들과 분류 필터들과의 배타적-OR (Exclusive-OR) 비트-오퍼레이션을 수행하여 그 결과가 “0”이면 해당 분류 필터, 즉 시간적 워크케이스 패턴에 속하는 시간적 워크케이스로 분류시킴으로써 프로세스 빅-로그에 저장된 어느 특정 프로세스 모델의 실행이력으로 저장된 모든 시간적 워크케이스(인스턴스 실행 이벤트 로그 트레이스)들을 분류시킬 수 있다.

두 번째 접근방법은 한층 더 시스템적이고 초대형의 분산 프로세스 모델과 그의 프로세스 빅-로그에 적합한 접근방법으로서 대용량 분산데이터의 분류처리 플랫폼인 맵리듀스(MapReduce) 프레임워크를 활용하는 것이다. 본 논문의 저자들이 속한 연구그룹에서는 초대형 분산 프로세스 마이닝의 전처리 기법으로서 맵리듀스 기반 프로세스 빅-로그 클러스터링 기법[17]을 성공적으로 개발한 바 있다. 즉, 구글에서 대용량 데이터 처리를 분산 병렬 컴퓨팅에서 처리하기 위한 목적으로 개발된 소프트웨어 프레임워크인 맵리듀스 플랫폼은 일반적으로 사용되는 Map과 Reduce라는 함수 기반으로 구동된다. 맵리듀스의 입력은 각 레코드가 (Key, Value)의 쌍으로 구성되는 일련의 리스트형태를 취하는데, 전처리 알고리즘의 입력으로 프로세스 빅-로그를 구성하는 시간적 워크케이스를 Value(TWC-value)로 하고, 그의 파일 내의 라인번호 필드를 Key(TWC-key)로 하는 일련의 리스트들을 조직할 수 있고, 결과적으로 Map() 함수는 이 (TWC-key, TWC-value) 쌍의 리스트를 읽어 다시 (pattern-key, count-value) 형태의 중간 결과를 Emit() 함수를 통해 출력한다. 이 중간 결과들은 pattern-key를 기준으로 동일한 값으로 군집화 또는 클러스터화시킨 (pattern-key, count-values[]) 쌍의 리스트 형태로 구성되고, Reduce() 함수는 각 pattern-key 값이 해당되는 (pattern-key, pattern-values) 쌍의 리스트들에 대해 집계연산을 수행하고, 최종 결과, 즉 각 패턴 (시간적 워크케이스 패턴)과 그의 발생 총합인 (pattern p, count sump)을 Emit() 함수를 통해 출력하게 된다. 결과적으로, 이 맵리듀스 플랫폼을 적용한 분류-필터를 구현 및 검증한 바 있다.

정리하자면, 이상과 같은 두 가지 접근방법으로 프로세스 제어경로 기반의 시간적 워크케이스 패턴 분류 여과장치와 관련된 알고리즘과 전처리 기법을 성공적으로 개발하고 그 기능적 정확성을 검증한 바 있다. 본 논문에서는 첫 번째 접근방법을 기반으로 하는 시간적 워크케이스 분류-필터 알고리즘을 Algorithm 1에서와 같이 설계하였으며, 이를 적용한 제어경로 기반 프로세스 그룹 마이닝 시스템을 성공적으로 개발하였다.

3.3 프로세스 그룹 발견 알고리즘

프로세스 그룹 발견 알고리즘의 이론적 기초는 정보 제어넷 기반 프로세스 모델[10]과 일명 ρ-알고리즘[16]으로 알려진 대표적인 구조적 정보제어넷 기반 프로세스 마이닝 알고리즘에 있다. 즉, 본 논문에서는 ρ-알고리즘의 기능확장으로 통한 새로운 개념의 제어경로 기반 프로세스 그룹 발견 알고리즘을 제안한다. 그림 2에서 나타낸 프레임워크의 오른쪽 부분에서 깔때기-모양의 알고리즘 형상그림을 통해 개념적인 구현방안을 도식화하였듯이, 구조적 정보제어넷 기반 프로세스 그룹 발견 알고리즘은 앞 절에서 정의한 제어경로 유형에 따른 분류 필터-알고리즘을 적용하여 시간적 워크케이스 패턴들과 그에 속한 실행이벤트 트레이스들을 해당 프로세스 빅-로그 데이터세트로부터 발견할 수 있으며, 이렇게 발견된 시간적 워크케이스 패턴들 중에서 임의적 또는 분석적 선택과정을 통해 하나 또는 그 이상의 마이닝 대상 패턴들로 선택하고 그에 속한 시간적 워크케이스 (실행 이벤트 로그 트레이스)들로 구성되는 입력데이터세트로부터 하나의 구조적 정보제어넷 기반 프로세스 모델을 발견한다. 이러한 제어경로를 기반으로 하는 마이닝 대상 시간적 워크케이스 패턴들의 선택과정을 반복할 때마다 하나의 구조적 정보제어넷 기반 프로세스 모델을 발견하게 되며, 이러한 반복적인 마이닝 과정들로 발견되는 프로세스 모델들로 해당 프로세스 빅-로그 데이터세트에 해당하는 프로세스 그룹을 구성하는 것이다.

결과적으로, Alogirhtm 2는 기존의 ρ-알고리즘을 개선한 제어경로 기반 프로세스 그룹 발견 알고리즘의 설계 결과를 나타낸 것이며, 이 알고리즘을 적용한 프로세스 그룹 마이닝 시스템을 성공적으로 개발 완료하였다. Algorithm 2에서 나타내었듯이, 입력데이터세트는 모든 프로세스 인스턴스의 액티버티-워크아이템 실행 이벤트 시퀀스들로부터 구축되는 일명 프로세스 패턴 그래프(각 액티버티의 실행 회 수 포함)와 선택된 시간적 워크케이스 분류-필터와 그에 속한 트레이스들로 구성되며, 이로 부터 발견되는 출력결과는 구조적 정보제어넷 기반 프로세스 모델임을 알 수 있다. 이러한 분류-필터 선택과정과 함께 하는 마이닝 과정을 반복함으로써 발견해내는 일련의 프로세스 모델들을 모아서 프로세스 그룹을 구성하는 것이다.

다음의 장에서는 Algoirthm 2를 적용하여 구현된 프로세스 그룹 마이닝 시스템을 활용하여 제안된 접근방법의 개념적 합리성과 개발된 시스템의 기능적 정확성을 검증하고자 한다.

4. 실험적 검증

앞서 기술한 제어경로 기반 프로세스 그룹 발견 프레임워크와 관련 알고리즘을 웹기반의 프로세스 마이닝 시스템으로 구현하였으며, 4TU.Centre for Research에서 제공한 BPI Challenges 2018[4]의 공개 데이터세트의 하나인 고객-적요 프로세스 모델(Customer Summary Process Model)의 실행 이벤트 로그 데이터세트를 이용하여 제안된 접근방법의 개념적 우수성과 구현시스템의 기능적 정확성에 대한 실험적 검증을 수행하였다.

4.1 프로세스 그룹 마이닝 시스템

본 논문에서 제안한 그림 2의 제어경로 기반 프로세스 그룹 발견 프레임워크와 관련 알고리즘들을 기반으로 새로운 유형의 웹기반 프로세스 그룹 마이닝 시스템을 개발 완료하였으며, 그림 5는 개발된 시스템의 대시보드와 기능적 구조를 캡처-윈도우들을 통해 보여준 것이다. 웹 기반 프로세스 그룹 마이닝 시스템의 사용자 인터페이스 윈도우는 두 개의 영역으로 구분되어 있는데, 윗부분영역은 프로세스 그룹 발견 프레임워크를 구성하는 단계적 기능함수들과 함께 가시화 측면의 기능함수들과 연계된 대시보드이며, 아랫부분영역은 시간적 워크케이스 패턴들과 그에 속한 프로세스 인스턴스 실행 이벤트 시퀀스(트레이스)들의 가사화 영역과 프로세스 발견에 적용될 시간적 워크케이스 패턴들의 선택여부를 표시하는 클릭-박스 영역으로 구성되어 있다.

(그림 5) 제어경로 기반 프로세스 그룹 마이닝 시스템의 기능구조와 대시보드

(Figure 5) Dashboard and Functional Components of the Control-Path driven Process Group Mining System

특히, 토글-스위치 버튼(show/hide)으로 각 시간적 워크케이스 패턴에 속한 트레이스들의 식별자들을 나타내는 컬럼-필드의 가시화 여부를 선택할 수 있도록 구성되어 있다. 왼쪽의 캡처-윈도우에서는 트레이스 식별자들을 보여준상태이며, 오른쪽 캡처-윈도우에서는 트레이스 식별자들을 감춘상태이다. 또한, 오른쪽 캡처-윈도우에는 프로세스 발견에 적용할 시간적 워크케이스 패턴들의 선택여부를 결정하는 클릭-박스를 보여주고 있다. 결과적으로, 시각적 워크케이스 패턴들을 나타내는 리스트를 구성하는 필드들은 패턴-식별자, 액티버티-워크아이템 실행 시퀀스, 패턴에 속한 트레이스의 개 수, 프로세스 발견에 적용될 패턴의 선택여부 클릭-박스이다.

4.2 실험적 검증과 결과의 활용

앞 절에서 개발한 제어경로 기반 프로세스 그룹 마이닝 시스템의 개념적 우수성과 기능적 정확성을 검증하기 위하여 4TU.Centre for Research에서 제공한 BPI Challenges 2018[4]의 공개 데이터세트의 하나인 고객-적요 프로세스 모델(Customer Summary Process Model)의 실행이력 이벤트 로그 데이터세트에 적용하는 실험적 적용 사례연구를 수행하였다. 이 데이터 세트에는 총 43,808개의 프로세스 인스턴스 실행에 따른 이벤트 트레이스를 기록저장하고 있으며, 기록된 모든 프로세스 인스턴스들의 실행이벤트로그 트레이스들에는 해당 액티비티-워크 아이템의 실행 이벤트 로그가 포함되어 있다. 참고로, 고객-적요 프로세스 모델의 실행이력 프로세스 빅-로그 데이터세트로부터 발견한 정량적 통계수치는 다음과 같다.

∙프로세스 인스턴스 실행 트레이스 수: 43,808개

∙단위업무 액티비티 수: 7개

∙액티버티-워크아이템 이벤트 수: 161,296개

∙업무수행자 수: 113명

∙시간적 워크케이스 패턴 수: 59개

그림 6은 이러한 데이터세트에 적용한 제어경로 기반 프로세스 그룹 마이닝 시스템의 실험 상황과 그의 실험 결과인 총 59개의 시간적 워크케이스 패턴들과 각 패턴에 속한 트레이스들의 개수 및 식별자 리스트 그리고 최종적으로 제어경로 선택을 통해 발견한 세 개의 프로세스 모델들(각각 3개, 192개, 43613개의 트레이스들로부터 발견됨)로 구성된 프로세스 그룹의 발견결과를 가시화하고 있다. 특히, 입력데이터세트로부터 오직 하나의 프로세스 모델을 발견하는 기존의 프로세스 마이닝 시스템들의 실행결과와는 달리 본 논문에서 제안 및 구현한 프로세스 마이닝 시스템에서는 제어경로를 기반으로 하는 시간적 워크케이스 패턴들 중에서 프로세스 모델의 발견에 적용할 대상 패턴들을 선택하는 수단을 제공함으로써 입력데이터세트로부터 다중의 프로세스 모델들로 구성되는 프로세스 그룹을 발견할 수 있는 새로운 프로세스 마이닝 접근방법을 구현한 것이다. 이 실험적 검증을 통해 제어경로 기반 프로세스 그룹 발견 접근방법의 실현가능성과 구현 시스템의 기능적 정확성을 증명할 수 있었다.

(그림 6) 제어경로 기반 프로세스 그룹 마이닝 시스템의 프로세스 그룹 발견 결과

(Figure 6) The Discovered Process Group by the Control-Path driven Process Group Mining System

또한, 발견된 프로세스 그룹의 활용방안 측면의 우수성을 검증하고 한다. 본 논문에서 제안한 제어경로 기반 프로세스 그룹 발견 알고리즘 및 프레임워크와 이를 구현한 프로세스 마이닝 시스템의 핵심 목표는 프로세스 마이닝 기술의 궁극적 활용분야인 프로세스 리엔지니어링 또는 프로세스 재설계를 통한 프로세스 모델의 생명 주기관리를 체계적이고 효율적·효과적으로 지원하는데 있다. 따라서, 그림 6에서 보여준 BPI Challenge 2018 데이터세트인 고객-적요 데이터세트로부터 발견한 프로세스 그룹에 대한 프로세스 리엔지니어링 측면의 활용방안을 설명함으로써 본 논문에서 제안한 새로운 형식의 프로세스 마이닝 접근방법과 구현시스템의 우수성을 확인할 수 있다. 참고적으로, 비즈니스 프로세스 모델을 설계 및 정의하는데 있어서 안정적이고 합리적인 모델을 만들어내는 것이 중요한 성공요인이다. 즉, 제어흐름의 구조적 속성을 만족하도록 프로세스 모델을 설계하는 것이 바람직한 모델링 접근방법이며, 여기서 구조적 속성은 기본적인 제어흐름-빌딩블록인 XOR/AND/LOOP 빌딩블록에서의 Split-Join의 순서쌍구조 속성과 다중 Split-Join 순서쌍의 적절한 네스팅구조 속성이다.

그림 7은 고객-적요 데이터세트로부터 발견한 세 개의 프로세스 모델로 구성되는 프로세스 그룹을 나타낸 것이다. 그림에서 볼 수 있듯이, 프로세스 그룹을 구성하는 각각의 구조적 정보제어넷기반 고객-적요 프로세스 모델은 이벤트(시작/끝) 액티버티와 단위업무 액티버티 그리고 구조적 속성인 Split-Join의 순서쌍구조 속성과 다중 Split-Join 순서쌍의 적절한 네스팅구조 속성을 만족하는 반복적 게이트웨이(loop-split/join gateway) 액티버티와 선택적(exclusive-OR split/join) 게이트웨이 액티버티로 구성되는 완벽한 구조적 정보제어넷 기반 프로세스 모델임을 알 수 있다. 해당 프로세스 그룹을 구성하는 세 가지 프로세스 모델들은 모두 구조적 정보제어넷 기반 프로세스 모델이며, 원래의 프로세스 모델의 제어흐름 구조를 정확히 알 수 없지만 이렇게 발견된 프로세스 그룹을 기반으로 매우 적절하고 합리적인 제어경로를 설계할 수 있도록 프로세스 리엔지니어링 및 재설계에 반영될 수 있을 것으로 판단된다.

(그림 7) 고객-적요 데이터세트의 프로세스 그룹 발견 결과

(Figure 7) The Discovered Process Group from the Customer-Summary Dataset

상세하게 분석하자면, 제어경로-2로부터 파생된 시간적 워크케이스 패턴들이 총 59개의 패턴들 중에서 35개이며, 해당되는 시간적 워크케이스(실행이벤트로그 트레이스) 개수는 전체 43,808개 중에서 43,613개인 99.56%를 차지하고 있다. 해당 고객-적요 프로세스 모델을 실행하면서 생성된 대부분의 프로세스 인스턴스들은 바로 제어 경로-2에 따른 완벽한 구조적 형태의 프로세스 모델로부터 파생된 것이므로 프로세스 재설계 시에 반드시 핵심적 제어흐름 구조로 반영되어야 하는 프로세스 모델임에 틀림없다. 제어경로-1은 22개의 시간적 워크케이스 패턴과 이에 속한 192개의 트레이스들이 연계되어 있고, 이 역시 완벽한 구조적 형태의 프로세스 모델이다. 하지만 경어경로-1에 따른 총 22개의 시간적 워크케이스 패턴들 중에서 대부분인 13개의 패턴들이 단일 개수의 트레이스를 포함하고 있고, 50이상의 트레이스를 포함하는 패턴의 개수는 2개(각각 52개와 51개)에 불과하다. 따라서, 제어경로-1에 대한 프로세스 재설계 시의 반영여부는 예외 상황의 프로세스 인스턴스들로 고려하는 것이 바람직 할 것으로 판단된다. 마지막으로, 제어경로-3로부터 파생된 시간적 워크케이스 패턴의 개수는 단지 2개이며, 그에 속한 트레이스들의 개수 역시 3개에 불과하므로 이 제어경로로부터 발견된 프로세스 모델에 대한 프로세스 재설계시의 반영여부는 의미 있는 주요 고려사항이 아님을 예상할 수 있다.

결과적으로, 본 논문에서 제안한 제어경로 기반 프로세스 그룹 발견 프레임워크와 구현한 프로세스 마이닝 시스템은 실험적 검증을 통해 증명한 바와 같이 개념적 우수성과 기능적 정확성이 입증되었을 뿐 만 아니라 기존의 전통적인 프로세스 마이닝 접근방법들과는 전혀 새로운 차원의 프로세스 마이닝 접근방법임을 강조하고자 한다. 특히, 발견된 프로세스 그룹 개념은 프로세스 리엔지니어링과 재설계에 따른 효과적·효율적 프로세스 생명 주기관리방안으로 활용될 수 있는 매우 적합하고 합리적인 접근방법임에 틀림없다.

5. 결론

본 논문에서는 초대형 분산 비즈니스 프로세스 모델의 실행이력 이벤트 로그로부터 제어흐름 구조 측면에서 합리적이고 구조적 속성을 만족하는 프로세스 모델을 발견하기 위한 새로운 형식의 프로세스 발견 및 마이닝 접근방법을 제안하였다. 특히, 초대형 분산 비즈니스 프로세스 모델의 실행이력 이벤트 로그가 갖는 초대형적 속성, 즉 조직 내의 프로세스 모델의 수, 각 프로세스 모델을 구성하는 액티버티의 수 그리고 각 프로세스 모델의 인스턴스 수 측면에서 빅 데이터의 5V 속성을 만족하고 있어, 이를 특별히 프로세스 빅-로그로 정의하였으며, 이로부터 시간적 워크케이스 패턴에 따른 인스턴스 실행이벤트로그 트레이스 분류-필터 알고리즘과 제어경로 기반 시간적 워크케이스 패턴의 선택에 따른 프로세스 그룹 발견 알고리즘으로 구성되는 프로세스 그룹 발견 프레임워크를 제안하였다. 결과적으로, 제안된 프레임워크의 개념적 우수성과 구현된 시스템의 기능적 정확성을 검증하기 위하여 잘 알려진 프로세스 빅-로그 데이터세트인 고객-적요 프로세스 데이터세트를 이용한 실험적 검증을 수행하였으며, 이러한 실험적 검증의 최종결과와 함께 프로세스 리엔지니어링 및 재설계에 따른 프로세스 생명 주기관리방안으로의 활용방안을 제시하였다.

끝으로, 본 논문에서 제안한 프로세스 마이닝 접근방법과 시스템을 기반으로 하는 향후의 연구주제와 내용으로서 최근에 각광받는 인공지능-딥러닝 기술을 기반으로 하는 예측적 프로세스 모니터링 기술과 예측적 프로세스 모델링 기술과의 연계를 추진할 예정이다.