선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 의료기관들 간의 프로세스 통합 관리를 위해 정형기법에서 사용되는 FOL(First Order Logic)을 활용하여 모호성 및 구조적 불일치가 제거된 BPMN 기반의 정형화된 프로세스 모델 설계 방법을 제시하며, BPMN 모델에서 발생될 수 있는 모든 구조적 이상 현상들을 검출 할 수 있는 그래프 축소 기반의 이상 현상검증 기법을 제안한다.
- 본 논문에서는 의료기관들 간의 프로세스 통합 관리를 위해 정형기법에서 사용되는 FOL을 활용하여 모호성 및 구조적 불일치가 제거된 BPMN 기반의 정형화된 프로세스 모델을 제시하였으며 모델 내부에 존재할 수있는 이상 현상을 검출하기 위해 기존 워크플로우 기반의 그래프 축소 기법을 변형한 구조적 이상 현상 검출방법을 제시하였다. 사례 연구를 통해 IHE 프로파일 기반의 정형화된 프로세스 모델 내부의 이상 현상 검증을 수행하였고 기존 방법과의 성능 비교 평가를 통해 향상된 처리속도를 보임으로써 구조적 이상 현상 검출 도구로서의 유효성을 입증하였다.
제안 방법
- 본 논문에서 제시되는 그래프 축소기법은 기존의 위크플로우 기반의 그래프 축소 기법[4][23]을 확장하여BPMN 기반의 정형화 프로세스 모델을 기준으로 프로세스의 병합, 분산, 반복 및 토큰의 개수의 증가/감소에 따라 발생될 수 있는 모든 구조적 이상 현상들을 검출한다.
- 본 장에서는 12개의 도매인으로 분리된 IHE 프로파일 중 가장 넓은 영역을 지원하고, 우선적으로 연구되었던 Radiology 분야에 대해 초점을 맞춰 정형화된 프로세스 모델을 제시하며, 본 논문에서 제안한 그래프축소 기법을 적용하여 구조적 이상 현상을 검출한다.
- 정형화된 프로세스 모델에서 이벤트는 시작 이벤트(start), 종료 이벤트(end), 독립적으로 사용되는 중간이벤트(intNF), 액티비티에 부착되어 사용되는 중간 이벤트(intAD)로 구성된다. 시작 이벤트는 프로세스의 시작을 알리는 trigger 액션의 수행 이후 produce 변수를 통해 다음 모델링 객체로 내보내는 토큰인 outToken을 생성하여 다음 모델링 객체로 토큰을 전달하며, 종료이벤트는 consume 변수에 의하여 이전 모델링 객체에서 들어오는 inToken을 소비한 후 프로세스의 결과 값을 출력하는 result 액션을 수행하여 프로세스를 종료한다. 프로세스 중간에 독립적으로 사용되는 중간 이벤트는 특정 시간에 도달한 경우 계속적으로 프로세스를 진행할 수 있는 wait 액션을 수행하며 consume 변수에 의하여 소비되는 inToken 개수와 produce 변수를 통해 생성되는 outToken의 개수가 동일해야한다.
- 정형화된 프로세스 모델에 대한 FOL기반의 내부 속성 지정 및 구조적 이상 현상을 검출하기 위해 Java 1.8, JGraph를 기반으로 프로토타입 시스템을 구현하였다.[그림 17]은 프로토타입 시스템의 인터페이스를 보여주며 각각의 모델링 객체 속성들은 FOL을 기반으로 내부적으로 선언된다.
- 평가 실험을 위해 [표 8]과 같이 프로세스 모델 내부의 태스크 및 패턴들이 일정하게 증가되는 총 5개의 정형화된 프로세스 모델을 타입 별로 분류하여 사용하였으며 BPMN 모델링 객체의 조합으로 인해 발생되는 4가지의 구조적 이상 현상에 대한 테스트 케이스를 각 모델 타입에 적용하여 실험을 수행하였다.
데이터처리
- 본 논문에서 제시된 구조적 이상 현상 검출 방법은 정형화된 프로세스 모델 내부에서 사용되는 태스크 및 시퀀스 패턴, 분할-병합 패턴, 루프 패턴, 예외처리 패턴과 같은 모델 패턴들을 모두 확인해야하기 때문에 실험 결과 값은 정형화된 프로세스 모델의 크기에 의존되며 이에 따라 이상 현상 검출 시간도 증가된다. 따라서본 논문에서 제시한 알고리즘의 성능 평가를 위해 구조적 이상 현상 검출 정확도와 이상 현상 검출 시간에 대하여 Petri-net, Graph Reduction, Model Checking 방법과 비교 실험을 수행하였다.
성능/효과
- 검출 정확도 실험 결과 본 논문에서 제안한 구조적이상 현상 검출방법은 테스크 케이스의 모든 구조적 이상현상들을 검출할 수 있었으며 Petri-net, Graph Reduction, Model Checking 방법보다 상대적으로 가장 좋은 검출 정확도를 보였다. Petri-net의 경우 4가지 구조적 이상 현상들을 모두 검출 가능하였으며 수행되지 않는 액티비티 및 무한루프의 경우 테스트 케이스의 모든 이상 현상들을 검출하는 우수한 검출 정확도를 보여주었지만 OR와 Complex 타입의 게이트웨이 및 테스크속성에 의한 토큰 증가 및 감소에 대한 표기를 지원하지 않기 때문에 데드락과 동기화의 부족 이상 현상 검출에서 본 논문에서 제안된 방법보다 각각 29% 및43% 낮은 검출 정확성을 보였다. Graph Reduction의 경우 하위프로세스 및 루프 구조에 의한 이상 현상 검출이 불가능 하여 데드락과 동기화의 부족 이상 현상에 대한 검출만 가능하였다.
- 검출 정확도 실험 결과 본 논문에서 제안한 구조적이상 현상 검출방법은 테스크 케이스의 모든 구조적 이상현상들을 검출할 수 있었으며 Petri-net, Graph Reduction, Model Checking 방법보다 상대적으로 가장 좋은 검출 정확도를 보였다. Petri-net의 경우 4가지 구조적 이상 현상들을 모두 검출 가능하였으며 수행되지 않는 액티비티 및 무한루프의 경우 테스트 케이스의 모든 이상 현상들을 검출하는 우수한 검출 정확도를 보여주었지만 OR와 Complex 타입의 게이트웨이 및 테스크속성에 의한 토큰 증가 및 감소에 대한 표기를 지원하지 않기 때문에 데드락과 동기화의 부족 이상 현상 검출에서 본 논문에서 제안된 방법보다 각각 29% 및43% 낮은 검출 정확성을 보였다.
- Graph Reduction의 경우 하위프로세스 및 루프 구조에 의한 이상 현상 검출이 불가능 하여 데드락과 동기화의 부족 이상 현상에 대한 검출만 가능하였다. 검출과정에서도 하위프로세스에 존재하는 이상 현상들은 검출하지 못하기 때문에Petri-net보다 상대적으로 낮은 검출 정확도를 보였으며 태스크 내부 속성에 의한 토큰 증가 및 감소 또한 검증 과정에서 지원하지 않으므로 본 논문에서 제안된 방법보다 각각 59% 및 45% 낮은 검출 정확성을 보였다. Model checking의 경우 시제논리에 의해 그래프 및 모델링 객체 속성을 통해 발생되는 구조적 이상 현상을 검출할 수 있으므로 Petri-net과 Graph Reduction 보다 높은 검출 정확도를 보여주었다.
- 구조적 이상 현상 검출 시간에 대한 실험 결과에서는Petri-net의 경우 프로세스 모델 내부의 구조적 이상 현상들을 모두 검출 가능했지만 태스크와 패턴이 증가하게 됨에 따라 Large-scale 모델의 상태폭발문제가 발생되어 이상 현상 검출에 가장 오랜 시간이 걸렸다. Graph Reduction 방법의 경우 상대적으로 빠른 검출시간을 보여주었지만 하위프로세스 및 루프 구조를 지원하지 못하기 때문에 다수의 구조적 이상 현상들이 누락되는 경우가 발생되었으며 Model Checking 방법의 경우 Petri-net 방법 보다는 이상 현상 검출에 적은 시간이 걸렸지만 이는 하위프로세스 및 예외처리 패턴에 대한 이상 현상 검출을 Model Checking 방법에서 지원하지 않기 때문이었다.
- 또한 Join 형태 게이트웨이가N-out-of-M Join 형태인 Complex 타입이 사용될 경우 conFlowNum 조건에 선언된 개수만큼의 도입흐름을 통해 토큰을 받아들이기 때문에 conFlowNum 조건의N이 1일 경우 하나의 도입흐름을 통해서만 토큰이 들어가는 Join(XOR)와 게이트웨이 진리표 값이 동일하며conFlowNum에서 N이 1보다 클 경우 Join(AND)와 동일한 게이트웨이 진리표 값을 가진다. 그 결과, Join 형태 게이트웨이가 XOR 및 XOR와 동일한 의미를 가진OR, Complex (N=1)로 사용되었을 때 Split형태 게이트웨이가 XOR 타입으로 한 쌍을 이룰 때에만 정상적으로 프로세스가 실행되며, 그렇지 않을 경우 게이트웨이 진리표 값에 의하여 데드락 또는 무한 루프 이상 현상이 발생된다.
- 그 결과 이전 모델링 객체로 인해 들어오는 inToken의 개수가 StartQuantity에 선언된 토큰의 개수가 일치하지 않을 경우 구조적이상 현상이 발생하게 된다. 따라서 본 단계에서는 이전에 선언된 모델링 객체의 outToken의 개수와 StartQuantity에 선언된 토큰의 개수가 일치하는 경우에만 관련 태스크들을 삭제시키며 일치하지 않는 경우outToken 개수가 StartQuantity 보다 큰 경우 데드락이상 현상 발생을 알리고 반대로 CompletionQuantity의 개수 보다 StartQuantity에 선언된 토큰의 개수가 작은 경우 동기화의 부족 이상 현상 발생을 알린다. 독립적으로 사용되는 중간 이벤트 모델링 객체는 이전에 선언된 모델링 객체의 outToken의 개수와 상관없이 실행되기 때문에 구조적 이상 현상을 포함하지 않으므로 삭제시킨다.
- 하지만 OR 및 Complex 타입게이트웨이와 같은 BPMN 모델링 객체와 태스크 내부속성 등을 검증 과정에서 지원하지 않기 때문에 이로 인한 모델 패턴 구조에서 이상 현상들을 검출 할 수 없다. 또한 하위프로세스 및 프로세스가 반복되는 루프구조에서 이상 현상 검출이 불가능 하여 구조적 이상현상 중 데드락과 동기화의 부족 이상 현상만 검출이 가능하다.
- Graph Reduction 방법의 경우 상대적으로 빠른 검출시간을 보여주었지만 하위프로세스 및 루프 구조를 지원하지 못하기 때문에 다수의 구조적 이상 현상들이 누락되는 경우가 발생되었으며 Model Checking 방법의 경우 Petri-net 방법 보다는 이상 현상 검출에 적은 시간이 걸렸지만 이는 하위프로세스 및 예외처리 패턴에 대한 이상 현상 검출을 Model Checking 방법에서 지원하지 않기 때문이었다. 마지막으로 본 논문에서 제시된 그래프 축소기법을 이용한 구조적 이상 현상 검출방법은 Petri-net, Graph Reduction, Model Checking 방법보다 평균적으로 각각 567%, 54%, 208%의 검출 시간성능 향상을 보여주었으며 프로세스 모델의 모든 패턴 및 하위프로세스 등이 사용된 프로세스 모델에서 구조적 이상 현상을 모두 검출할 수 있었다.
- 본 논문에서 제시된 구조적 이상 현상 검출 방법은 정형화된 프로세스 모델 내부에서 사용되는 태스크 및 시퀀스 패턴, 분할-병합 패턴, 루프 패턴, 예외처리 패턴과 같은 모델 패턴들을 모두 확인해야하기 때문에 실험 결과 값은 정형화된 프로세스 모델의 크기에 의존되며 이에 따라 이상 현상 검출 시간도 증가된다. 따라서본 논문에서 제시한 알고리즘의 성능 평가를 위해 구조적 이상 현상 검출 정확도와 이상 현상 검출 시간에 대하여 Petri-net, Graph Reduction, Model Checking 방법과 비교 실험을 수행하였다.
- 분할-병합 패턴에서는 게이트웨이 진리표를 통해AND 및 Complex (N>1) 타입의 Join 게이트웨이가RHS에서 사용될 경우 LHS에서 사용되는 선행 Split게이트웨이가 Split(AND)일 경우에만 정상적으로 프로세스가 실행됨을 알 수 있으며, Join(XOR)가 RHS에서 사용될 경우에는 LHS에서 사용되는 선행 Split 게이트웨이가 Split(XOR)일 경우에만 정상적으로 프로세스가 실행됨을 알 수 있다.
- 본 논문에서는 의료기관들 간의 프로세스 통합 관리를 위해 정형기법에서 사용되는 FOL을 활용하여 모호성 및 구조적 불일치가 제거된 BPMN 기반의 정형화된 프로세스 모델을 제시하였으며 모델 내부에 존재할 수있는 이상 현상을 검출하기 위해 기존 워크플로우 기반의 그래프 축소 기법을 변형한 구조적 이상 현상 검출방법을 제시하였다. 사례 연구를 통해 IHE 프로파일 기반의 정형화된 프로세스 모델 내부의 이상 현상 검증을 수행하였고 기존 방법과의 성능 비교 평가를 통해 향상된 처리속도를 보임으로써 구조적 이상 현상 검출 도구로서의 유효성을 입증하였다. 하지만 본 논문에서는 프로세스 내부에서 발생 될 수 있는 구조적 이상 현상만을 고려하였기 때문에 프로세스 실행 시 프로세스 내부에서 사용되는 데이터가 존재하지 않거나 의도하지 않게 삭제 또는 중복 되는 데이터들에 의한 오류들은 검증되지 못한다.
- Model checking의 경우 시제논리에 의해 그래프 및 모델링 객체 속성을 통해 발생되는 구조적 이상 현상을 검출할 수 있으므로 Petri-net과 Graph Reduction 보다 높은 검출 정확도를 보여주었다. 하지만 하위프로세스 및 예외처리 패턴으로 인한 구조적 이상 현상을 검출하지 못하기 때문에 데드락과 동기화의 부족 이상 현상의 경우 본 논문에서 제안된 방법보다 각각 23% 및 14%낮은 검출 정확성을 보였으며 Model checking은 상태탐사(state exploration) 기법을 기반으로 수행 흐름에따라 오류를 검증하기 때문에 수행 흐름에 포함되지 않는 수행되지 않는 액티비티 이상 현상의 경우 검출이 불가능하였다.
후속연구
- 사례 연구를 통해 IHE 프로파일 기반의 정형화된 프로세스 모델 내부의 이상 현상 검증을 수행하였고 기존 방법과의 성능 비교 평가를 통해 향상된 처리속도를 보임으로써 구조적 이상 현상 검출 도구로서의 유효성을 입증하였다. 하지만 본 논문에서는 프로세스 내부에서 발생 될 수 있는 구조적 이상 현상만을 고려하였기 때문에 프로세스 실행 시 프로세스 내부에서 사용되는 데이터가 존재하지 않거나 의도하지 않게 삭제 또는 중복 되는 데이터들에 의한 오류들은 검증되지 못한다.
- 향후 연구에서는 IHE 프로파일 기반의 통합 의료 기관 프로세스 내부에서 사용되는 각각의 데이터들을 분석하고 데이터에 따른 이상 현상들을 검출하여 BPMS에 적용 시 발생될 수 있는 모든 이상 현상들을 검출 할수 있도록 수정할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.