[论文解读] Identifying candidate routines for Robotic Process Automation from unsegmented UI logs

Volodymyr Leno, Adriano Augusto+4 more|arXiv (Cornell University)|Aug 13, 2020

Robotic Process Automation Applications参考文献 20被引用 7

一句话总结

本文提出一种方法，通过首先使用控制流图（CFG）和支配树对非分段的用户界面（UI）日志（在现实场景中常见）进行任务类序列分割，然后应用抗噪的序列模式挖掘，从非分段的用户界面日志中自动发现候选机器人流程自动化（RPA）流程。该方法在合成日志中成功重新发现注入的流程，在真实日志中识别出相关且正确的流程，处理大型日志的执行时间低于一分钟。

ABSTRACT

Robotic Process Automation (RPA) is a technology to develop software bots that automate repetitive sequences of interactions between users and software applications (a.k.a. routines). To take full advantage of this technology, organizations need to identify and to scope their routines. This is a challenging endeavor in large organizations, as routines are usually not concentrated in a handful of processes, but rather scattered across the process landscape. Accordingly, the identification of routines from User Interaction (UI) logs has received significant attention. Existing approaches to this problem assume that the UI log is segmented, meaning that it consists of traces of a task that is presupposed to contain one or more routines. However, a UI log usually takes the form of a single unsegmented sequence of events. This paper presents an approach to discover candidate routines from unsegmented UI logs in the presence of noise, i.e. events within or between routine instances that do not belong to any routine. The approach is implemented as an open-source tool and evaluated using synthetic and real-life UI logs.

研究动机与目标

• 解决在大型组织中识别可自动化的流程的挑战，这些流程分散在多个流程中且未预先分段。
• 克服现有RPA挖掘方法需要预分段日志或手动分隔符的局限性。
• 实现从包含噪声和重叠任务实例的原始非分段UI日志中自动发现候选流程。
• 通过利用控制流图分析和抗噪模式挖掘，提升RPA流程识别的可扩展性和准确性。
• 为实际企业流程挖掘流水线提供一种实用且开源的解决方案。

提出的方法

• 从非分段的UI日志构建控制流图（CFG），其中节点表示UI交互，边表示执行顺序。
• 从CFG构建支配树，通过分析控制流结构来识别流程实例之间的自然边界。
• 基于支配树将原始日志分割为候选任务序列，隔离重复的执行路径。
• 对分割后的日志应用抗噪的序列模式挖掘算法，以发现频繁且重复的交互序列。
• 使用四个质量标准对候选流程进行排序：频率、长度、覆盖率（日志中覆盖的比例）和凝聚度（内部一致性）。
• 将完整流程实现为开源工具，以确保可复现性并支持真实世界评估。

实验结果

研究问题

• RQ1 所提出的方法能否在合成的非分段UI日志中准确重新发现预先注入的流程？
• RQ2 该方法能否在未预先分段的真实日志中识别出有意义且正确的候选流程？
• RQ3 在处理包含数万个UI交互的大型日志时，该方法的可扩展性表现如何？
• RQ4 该方法在面对噪声、重叠流程和非均匀流程起始点的真实日志时，其鲁棒性如何？
• RQ5 该方法在区分同一流程的不同变体方面表现如何，特别是在操作顺序变化时？

主要发现

• 在合成日志S1中，该方法以高精度成功重新发现所有注入的流程，证实了其从非分段数据中恢复已知模式的能力。
• 在真实日志S1中，该方法发现了正确的流程变体以及三个其他执行变体，均经原始用户确认为对其工作流程的准确表示。
• S1日志（约2万个交互）的处理时间为41.7秒，表明即使在中等规模日志下也具备良好的可扩展性。
• 由于在S2日志中频繁在工作表之间切换，导致CFG构建受阻并引发错误分割，该方法未能发现正确的流程。
• S2日志的处理耗时426.3秒，凸显了对日志质量及行为复杂性的敏感性，特别是在同时使用多个工作簿时。
• 该方法对多个起始点和重叠流程较为敏感，当流程连续执行且具有稳定起始点时表现最佳。