计算机应用研究

作者：潘克旭,方娜,

单位：安徽理工大学a.数学与大数据学院;b.安徽省煤矿安全大数据分析与预警技术工程实验室,安徽淮南232001；

关键词：业务流程异常检测,少样本学习,孪生Transformer,语义表征,鲁棒性,

基金：国家自然科学基金资助项目(61572035)；安徽省重点研究与开发计划资助项目(2022a05020005)；安徽省自然科学基金资助项目(2308085US11)；；

业务流程异常检测对于风险管理和流程优化至关重要，业务流程复杂的动态性使事件日志的异常模式识别困难。现有无监督方法缺乏对事件间深层语义的捕获，且模型训练易受噪声影响。鉴于此，提出了一种融合了语义信息和序列信息的基于孪生 Transformer的少样本异常检测方法（Sia-Transformer）。该方法基于局部离群因子算法提取少量高置信正常和异常样本构建对比关系，挖掘样本间的语义差异性；随后使用采样策略构建训练样本对，同时筛选锚点样本集合，将样本对输入孪生Transformer编码器捕获序列信息并学习流程实例间的行为相似性；最后，利用预训练模型量化待测样本与锚点集的行为相似性，将高于阈值的样本判定为异常。在多个公开真实事件日志数据集上的实验评估表明，该方法在案例级异常检测方面的F1分数优于现有基准方法。此外，通过在训练数据中逐渐引入噪声的实验，验证了该方法对于训练数据的污染具有鲁棒性。

来源：2026年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第2期