流程异常检测方法、电子设备、计算机存储介质及程序产品与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种流程异常检测方法、电子设备、计算机存储介质及程序产品。


背景技术：

2.流程异常检测在多种场景中有着非常广泛的应用，例如，在云处理领域，云端需要大量的物理机进行计算等处理，并随着重装、新装、搬迁等情况的发生以及新机型的引入，需要进行装机的服务器规模不断扩大，导致如何检测装机流程是否存在异常的工作量也极大。
3.目前的流程异常检测一种实现方案为将流程执行过程中发生的事件按照时间进行排序，得到流程序列，然后将流程序列输入至基于时序的深度学习模型，基于时序的深度学习模型可以学习正常的执行流程中发生的事件在时序上的特征，从而可以根据流程序列进行异常检测。
4.然而，在流程执行过程中，流程执行时的实际执行环境会存在差异，导致流程序列之间的差异较大，进而导致“基于时序的深度学习模型”不能够准确地对流程序列进行异常检测。


技术实现要素：

5.有鉴于此，本技术实施例提供一种流程异常检测方案，以至少部分解决上述问题。
6.根据本技术实施例的第一方面，提供了一种流程异常检测方法，包括：
7.获得包括若干个流程节点的流程有向图；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行流程异常检测，得到异常检测结果。
8.根据本技术实施例的第二方面，提供了一种用于流程异常检测的图卷积神经网络模型的训练方法，包括：
9.获得图训练样本，所述图训练样本包括样本流程有向图及其对应的异常结果；
10.通过所述图卷积神经网络模型，基于所述样本流程有向图中样本流程节点的特征及与所述样本流程节点关联的邻居节点的特征，对所述样本流程有向图进行特征提取，得到所述样本流程有向图对应的样本图向量；
11.根据所述样本图向量进行流程异常检测，得到异常检测预测结果；
12.根据所述异常结果和所述异常检测预测结果的差异调整所述图卷积神经网络模型。
13.根据本技术实施例的第三方面，提供了一种装机流程异常检测方法，包括：获得用于表征装机流程的流程有向图，所述流程有向图中包括若干个与装机流程对应的流程节点；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节
点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行装机流程异常检测，得到异常检测结果。
14.根据本技术实施例的第四方面，提供了一种工单处理流程异常检测方法，包括：
15.获得用于表征工单处理流程的流程有向图，所述流程有向图中包括若干个与工单处理流程对应的流程节点；
16.通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；
17.根据所述图向量进行工单处理流程异常检测，得到异常检测结果。
18.根据本技术实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述方法对应的操作。
19.根据本技术实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
20.根据本技术实施例的第七方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如上所述方法对应的操作。
21.根据本技术实施例提供的流程异常检测方案，通过获得包括若干个流程节点的流程有向图；并通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量，由此，可以基于整个流程有向图对应的图向量进行异常检测，使得流程异常检测过程对流程图的结构不敏感、且准确率较高，进而使得本实施例提供的方案适用于多种流程图，并且无需限制流程图对应的序列长度等，使得流程异常检测方案适用范围更加广泛。
附图说明
22.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
23.图1为适用本技术实施例的流程异常检测方法的示例性系统的示意图；
24.图2为根据本技术实施例的一种流程异常检测方法的步骤流程图；
25.图3为根据本技术实施例的一种装机流程异常检测方法的步骤流程图；
26.图4为根据本技术实施例的一种工单处理流程异常检测方法的流程示意图；
27.图5为根据本技术实施例的一种图卷积神经网络模型的训练方法的流程示意图；
28.图6a为根据本技术实施例的一种图卷积神经网络模型的训练过程和使用过程的示意图；
29.图6b为根据本技术实施例的一种流程有向图的示意图；
30.图7为根据本技术实施例的一种电子设备的结构示意图。
具体实施方式
31.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本技术实施例保护的范围。
32.下面结合本技术实施例附图进一步说明本技术实施例具体实现。
33.图1示出了一种适用本技术实施例的资源推荐方法的示例性系统。如图1所示，该系统100可以包括云服务端102、通信网络104和/或一个或多个用户设备106，图1中示例为多个用户设备。
34.云服务端102可以是用于存储信息、数据、程序和/或任何其他合适类型的内容的任何适当的设备，包括但不限于分布式存储系统设备、服务器集群、云计算服务端集群等。在一些实施例中，云服务端102可以执行任何适当的功能。例如，在一些实施例中，云服务端102可以用于部署智算集群以及智算集群的管理平台。
35.在一些实施例中，通信网络104可以是一个或多个有线和/或无线网络的任何适当的组合。例如，通信网络104能够包括以下各项中的任何一种或多种：互联网、内联网、广域网(wide area network，wan)、局域网(local area network,lan)、无线网络、数字订户线路(digital subscriber line，dsl)网络、帧中继网络、异步转移模式(asynchronous transfer mode,atm)网络、虚拟专用网(virtual private network，vpn)和/或任何其它合适的通信网络。用户设备106能够通过一个或多个通信链路(例如，通信链路112)连接到通信网络104，该通信网络104能够经由一个或多个通信链路(例如，通信链路114)被链接到云服务端102。通信链路可以是适合于在用户设备106和云服务端102之间传送数据的任何通信链路，诸如网络链路、拨号链路、无线链路、硬连线链路、任何其它合适的通信链路或此类链路的任何合适的组合。
36.用户设备106可以包括适合于接收计算任务的申请操作、接收智算集群的部署操作、展示智算集群的计算信息的任何一个或多个用户设备。在一些实施例中，用户设备106可以包括任何合适类型的设备。例如，在一些实施例中，用户设备106可以包括移动设备、平板计算机、膝上型计算机、台式计算机、可穿戴计算机、游戏控制台、媒体播放器、车辆娱乐系统和/或任何其他合适类型的用户设备。
37.上述系统中的云服务端102或者用户设备106可以用于执行流程，例如计算流程或者装机流程等，针对执行的流程可以进行异常检测。
38.目前的流程异常检测一种实现方案为将流程执行过程中发生的事件按照时间进行排序，得到流程序列，然后将流程序列输入至基于时序的深度学习模型，基于时序的深度学习模型可以学习正常的执行流程中发生的事件在时序上的特征，从而可以根据流程序列进行异常检测。
39.具体地，可以先通过正常执行的流程对应的流程序列训练深度学习模型，使得深度学习模型能够学习到事件和时间特征之间的关系，在训练之后可以将需要进行异常检测的流程对应的流程序列输入至深度学习模型中，由深度学习模型基于流程序列进行异常检测，输出异常检测结果。
40.然而，在流程执行的过程中，由于实际执行环境会存在差异，导致整个流程执行过
程受环境等的影响存在较大差异，例如有的流程会存在多个循环嵌套的子流程，并且循环嵌套的部分可能不同，使得流程对应的流程序列也存在较大差异，进而导致深度学习模型学习到的特征不够准确。另外，一般情况下，基于序列的深度学习模型对输入的序列有长度等限制，而流程的长度会发生变化，导致情况下基于序列的深度学习模型不适合进行流程异常检测。
41.有鉴于此，本技术实施例提供一种新的异常检测方案。以下对本发明实施例提出的异常检测方法进行说明：
42.参见图2，示出了一种流程异常检测方法的流程示意图，如图所示，其包括：
43.s201、获得包括若干个流程节点的流程有向图。
44.本实施例提供的流程异常检测方案可以适用于任何能够表示为有向图的流程规程进行异常检测，本实施例对此不进行限定。
45.有向图是指包括若干个节点，且节点之间通过有向边相连接的图。本实施例中，可以将流程节点作为有向图的节点，将具体执行时流程节点之间的先后顺序作为流程节点之间的有向边，从而得到有向图。本实施例中对有向图的具体结构不进行限定，有向图中可以包括有向环，即流程中存在循环；有向图中也可以不包括有向环，即流程中不存在循环；类似的，有向图对应的流程中还可以包括多个嵌套的循环，也在本技术的保护范围内。
46.可选地，本实施例中，可以针对执行流程的设备进行实时的数据获取，具体地，可以实时获得流程执行进度数据；若确定流程执行结束，则根据所述流程执行进度数据生成所述流程有向图。
47.若执行设备的为云服务端或者用户设备中已经能够运行的程序，则可以通过与云服务端或者用户设备之间的数据传输通信来实时获得流程执行进度数据；若执行的流程为云服务端或者用户设备的装机流程，此时云服务端或者用户设备不能进行数据传输，则可以通过外接设备实时获得流程执行进度数据，这些均在本技术的保护范围内。
48.具体生成流程有向图的方法可参考相关技术，在此不再赘述。
49.s202、通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量。
50.图卷积神经网络模型(graph convolutional networks，gcn)是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息进行卷积处理。本实施例中，图卷积神经网络模型的具体实现可参考相关技术，在此不再赘述。
51.具体地，本实施例中，步骤s202可以包括：通过所述图卷积神经网络模型，按照所述流程节点的类型将所述流程节点进行向量初始化，得到所述流程节点对应的特征向量；通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量。
52.具体地，通过图卷积神经网络模型，可以在流程有向图中，以任意流程节点为中心，可以确定出该流程节点对应的邻接图，邻接图中包括与该流程节点关联的邻居节点，邻居节点可以与流程节点通过有向图中的一条边相连的其他流程节点，也可以为与流程节点通两条或两条以上的边相连的其他流程节点，本领域的技术人员可按需进行自定义。图卷积神经网络模型可以基于确定的邻接图，以及基于所述流程节点的特征向量及其关联的所
述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量。此外，其他诸如随机游走等方案也可以基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量，这些均在本技术的保护范围内。
53.具体地，本实施例中，所述通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量，包括：所述通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量进行特征提取，根据特征提取结果更新所述流程节点的特征向量；对所述流程有向图中所述流程节点的特征向量进行池化操作，得到所述图向量。
54.具体地，针对任意流程节点，可以通过图卷积神经网络模型对流程有向图进行卷积操作，并根据卷积操作的结果更新流程节点的特征向量，使流程节点获取邻居节点的信息，其中，图卷积神经网络模型中的卷积的层数可以视为超参。
55.更新完成后，可以对流程有向图中流程节点的特征向量进行池化操作，得到所述图向量，示例地，可以对流程有向图中流程节点的特征向量进行如求和sum、求平均值mean或求极值max等操作中的一个或者多个，得到流程有向图对应的图像量。
56.可选地，可以基于已经确定异常结果的流程有向图对图卷积模型进行监督或者半监督训练。具体地，所述图卷积神经网络模型通过下述步骤训练得到：获得图训练样本，所述图训练样本包括样本流程有向图及其对应的异常结果；通过所述图卷积神经网络模型，基于所述样本流程有向图中样本流程节点的特征及与所述样本流程节点关联的邻居节点的特征，对所述样本流程有向图进行特征提取，得到所述样本流程有向图对应的样本图向量；根据所述样本图向量进行流程异常检测，得到异常检测预测结果；根据所述异常结果和所述异常检测预测结果的差异调整所述图卷积神经网络模型。
57.s203、根据所述图向量进行流程异常检测，得到异常检测结果。
58.本实施例中，可以通过自编码器对图向量进行流程异常检测，得到异常检测结果。具体地，可以利用反向传播算法构建自编码器使得输出值等于输入值，在进行异常检测时，可以将图向量输入至自编码器，并比较自编码器输出的向量与图向量之间的差异，若差异大于设定的差异阈值，则确定流程有向图存在异常风险。自编码器的具体实现可参考相关技术，在此不再赘述。
59.当然，其他进行异常检测方案也在本技术的保护范围内，例如孤立森林算法iforest或单分类算法one-class svm等。
60.本实施例提供的方案，通过获得包括若干个流程节点的流程有向图；并通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量，由此，可以基于整个流程有向图对应的图向量进行异常检测，使得流程异常检测过程对流程图的结构不敏感、且准确率较高，进而使得本实施例提供的方案适用于多种流程图，并且无需限制流程图对应的序列长度等，使得流程异常检测方案适用范围更加广泛。
61.本实施例提供的方案可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、pad等)和pc机等。
62.参见图3，示出了本实施例提供的一种装机流程异常检测方法的流程示意图，包括：
63.s301、获得用于表征装机流程的流程有向图，所述流程有向图中包括若干个与装机流程对应的流程节点；
64.s302、通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；
65.s303、根据所述图向量进行装机流程异常检测，得到异常检测结果。
66.可选地，本实施例中，与装机流程对应的所述流程节点包括以下至少之一：数据接收节点、环境检测节点、装机中节点、装机交付节点。
67.本实施例提供的方案，通过获得包括若干个流程节点的流程有向图；并通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量，由此，可以基于整个流程有向图对应的图向量进行异常检测，使得流程异常检测过程对流程图的结构不敏感、且准确率较高，进而使得本实施例提供的方案适用于多种流程图，并且无需限制流程图对应的序列长度等，使得流程异常检测方案适用范围更加广泛，尤其是在装机流程，特别是服务器装机流程异常检测过程中，由于服务器运行过程中单位时间内可能产生大量的装机单，通过本实施例提供的方案可以准确高效地检测多种服务器的装机流程是否存在异常风险，提升服务器运营效率和服务器可靠性。
68.本实施例提供的方案可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、pad等)和pc机等。
69.参见图4，示出了本实施例提供的一种工单处理流程异常检测方法的流程示意图，包括：
70.s401、获得用于表征工单处理流程的流程有向图，所述流程有向图中包括若干个与工单处理流程对应的流程节点；
71.本实施例中，工单一般由用户创建，并可以提交至相关人员处，相关人员可以分配处理工单的工作人员，并由工作人员对工单进行处理，并可以生成与工作人员处理工单的处理过程对应的流程有向图。
72.s402、通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；
73.s403、根据所述图向量进行工单处理流程异常检测，得到异常检测结果。
74.本实施例提供的方案，通过获得用于表征工单处理流程的流程有向图，所述流程有向图中包括若干个与工单处理流程对应的流程节点；并通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量，由此，可以基于整个流程有向图对应的图向量进行异常检测，使得流程异常检测过程对流程图的结构不敏感、且准确率较高，进而使得本实施例提供的方案适用于多种流程图，并且无需限制流程图对应的序列长度等，使得流程异常检测方案适用范围更加广泛。
75.参见图5，示出了本实施例提供的一种图卷积神经网络模型的训练方法的流程示意图，包括：
76.s501、获得图训练样本，所述图训练样本包括样本流程有向图及其对应的异常结果。
77.本实施例中，图训练样本中的样本流程有向图的结构与上述实施例中的流程有向图一致，在此不再赘述。
78.样本流程有向图对应的异常结果可以为用于表征不存在异常或者存在异常的标签label。
79.s502、通过所述图卷积神经网络模型，基于所述样本流程有向图中样本流程节点的特征及与所述样本流程节点关联的邻居节点的特征，对所述样本流程有向图进行特征提取，得到所述样本流程有向图对应的样本图向量；
80.s503、根据所述样本图向量进行流程异常检测，得到异常检测预测结果；
81.步骤s502和s503的具体实现方式参考上述实施例，在此不再赘述。
82.s504、根据所述异常结果和所述异常检测预测结果的差异调整所述图卷积神经网络模型。
83.本实施例中，若步骤s503中通过自编码器实现异常检测，则本步骤中，还可以根据异常结果和异常检测预测结果的差异调整调整自编码器，图卷积神经网络模型和自编码器的调整可以同时进行，也可以不同时进行，均在本技术的保护范围内。
84.本实施例提供的方案，通过采用包括样本流程有向图及其对应的异常结果的图训练样本训练图卷积神经网络模型，可以使得图卷积神经网络模型能够学习到如何提取出用于表征异常情况的图向量，从而提高异常检测的准确度。
85.参见图6a，示出了本实施例中的图卷积神经网络模型的训练过程以及推理过程的示意图。图6a以装机流程为例对训练阶段和推理阶段进行说明。
86.在训练阶段，如图6a所示，可以从历史装机流程数据库中获得装机流程数据，并生成装机流程图，生成的装机流程图具体可以为流程有向图，流程有向图如图6b所示。
87.生成流程有向图之后，可以将装机流程图中的流程节点向量化(embedding化)，在向量化过程中，具体可以按照流程节点进行向量初始化，保证同一类型的流程节点初始化后的向量相同，如图6b所示，其中包括输入节点、结束节点、环境检测节点、重装节点、压力测试节点、新装节点、成功节点等，其中的环境检测节点初始化后的向量为同一个向量。
88.进行向量初始化后的流程有向图可以被输入至图卷积神经网络模型gcn中，通过gcn基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，并更新流程有向图中的流程节点对应的向量，再将流程有向图中流程节点的特征向量进行池化操作，得到流程有向图对应的图向量。
89.之后可以将图向量输入至自编码器，根据自编码器输出的向量与图向量之间的差异判断流程有向图是否存在异常风险，得到风险预测结果。
90.历史装机流程数据对应有风险标记结果，可以根据风险预测结果和风险标记结果之间的差异调整图卷积神经网络模型gcn以及自编码器中的参数，从而进行训练。
91.在推理阶段，如图6a所示，可以从实时装机流程数据库中获得实时的装机流程数据，并在装机结束后生成实时的装机流程对应的装机流程图，装机流程图为流程有向图。
92.生成流程有向图之后，可以将装机流程图中的流程节点向量化(embedding化)，在向量化过程中，同样可以按照流程节点进行向量初始化，来保证同一类型的流程节点初始
access memory，ram)、软盘、硬盘或磁光盘等。
110.本技术实施例还提供了一种计算机程序产品，包括计算机指令，该计算机指令指示计算设备执行上述多个方法实施例中的任一流程异常检测方法对应的操作。
111.此外，需要说明的是，本技术实施例所涉及到的与用户有关的信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于对模型进行训练的样本数据、用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
112.需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
113.上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd-rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如专用集成电路(application specific integrated circuit，asic)或现场可编辑门阵列(field programmable gate array，fpga))的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，随机存储器(random access memory，ram)、只读存储器(read-only memory，rom)、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
114.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
115.以上实施方式仅用于说明本技术实施例，而并非对本技术实施例的限制，有关技术领域的普通技术人员，在不脱离本技术实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本技术实施例的范畴，本技术实施例的专利保护范围应由权利要求限定。

技术特征：
1.一种流程异常检测方法，包括：获得包括若干个流程节点的流程有向图；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行流程异常检测，得到异常检测结果。2.根据权利要求1所述的方法，其中，所述通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，包括：通过所述图卷积神经网络模型，按照所述流程节点的类型将所述流程节点进行向量初始化，得到所述流程节点对应的特征向量；通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量。3.根据权利要求2所述的方法，其中，所述通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量，对所述流程有向图进行特征提取，得到所述图向量，包括：所述通过所述图卷积神经网络模型，基于所述流程节点的特征向量及其关联的所述邻居节点的特征向量进行特征提取，根据特征提取结果更新所述流程节点的特征向量；对所述流程有向图中所述流程节点的特征向量进行池化操作，得到所述图向量。4.根据权利要求1-3任一项所述的方法，其中，所述获得包括若干个流程节点的流程有向图，包括：实时获得流程执行进度数据；若确定流程执行结束，则根据所述流程执行进度数据生成所述流程有向图。5.一种用于流程异常检测的图卷积神经网络模型的训练方法，包括：获得图训练样本，所述图训练样本包括样本流程有向图及其对应的异常结果；通过图卷积神经网络模型，基于所述样本流程有向图中样本流程节点的特征及与所述样本流程节点关联的邻居节点的特征，对所述样本流程有向图进行特征提取，得到所述样本流程有向图对应的样本图向量；根据所述样本图向量进行流程异常检测，得到异常检测预测结果；根据所述异常结果和所述异常检测预测结果的差异调整所述图卷积神经网络模型。6.一种装机流程异常检测方法，包括：获得用于表征装机流程的流程有向图，所述流程有向图中包括若干个与装机流程对应的流程节点；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行装机流程异常检测，得到异常检测结果。7.根据权利要求6所述的方法，其中，与装机流程对应的所述流程节点包括以下至少之一：数据接收节点、环境检测节点、装机中节点、装机交付节点。8.一种工单处理流程异常检测方法，包括：获得用于表征工单处理流程的流程有向图，所述流程有向图中包括若干个与工单处理
流程对应的流程节点；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行工单处理流程异常检测，得到异常检测结果。9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的方法对应的操作。10.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。11.一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如权利要求1-8中任一所述方法对应的操作。

技术总结
本申请实施例提供了一种流程异常检测方法、电子设备、计算机存储介质及程序产品，流程异常检测方法，包括：获得包括若干个流程节点的流程有向图；通过图卷积神经网络模型，基于所述流程节点的特征及与所述流程节点关联的邻居节点的特征，对所述流程有向图进行特征提取，得到所述流程有向图对应的图向量；根据所述图向量进行流程异常检测，得到异常检测结果。果。果。


技术研发人员：刘毅 姚卓磊 倪伟军 张彦 陈润青 李昕
受保护的技术使用者：阿里巴巴（中国）有限公司
技术研发日：2023.03.03
技术公布日：2023/8/5