A privacy-preserving model for process mining
Süreç madenciliği için gizliliği koruyan bir model
- Tez No: 1005483
- Danışmanlar: PROF. DR. AYÇA KOLUKISA, DR. ÖĞR. ÜYESİ TUĞBA ERDOĞAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Süreç madenciliği, bilgi sistemlerinden elde edilen veriler kullanılarak süreç modellerinin nasıl tanımlanacağı, analiz edileceği ve iyileştirileceğini inceleyen, giderek gelişen bir araştırma alanıdır. Bu alan, geleneksel olarak önemli ölçüde manuel çaba gerektiren birçok ayrıntılı görevi otomatikleştirmektedir. Bu tür verilerin herhangi bir şekilde sürece dahil edilmesi durumunda, gizliliğin korunmasına ilişkin sorunlar ortaya çıkmaktadır. Genellikle olay günlüklerinde kaydedilen bu veriler, işlenen varlıklara ilişkin kişisel bilgileri içermekte olup, bireylere ait hassas bilgilerin açığa çıkmasına yol açabilmektedir. Bu tür durumlarda, kuruluşlar verilerden elde edilen analitik değeri, gizlilik düzenlemelerinin kendilerine yüklediği yükümlülüklerle dengelemek için gizliliği artırıcı yaklaşımları benimsemek zorundadır. Özellikle, bu tez, bir kuruluş bünyesindeki süreç analistlerine olay günlüklerinin açıklanmasıyla ilişkili yeniden tanımlama risklerini en aza indirmeyi ve aynı zamanda gizliliği artırılmış tahminleyici süreç izlemeyi mümkün kılmayı amaçlamaktadır. Çalışmada, uygunluk, titizlik ve tasarım döngülerini bütünleştiren tasarım bilimi araştırma metodolojisi benimsenmiştir. Titizlik döngüsü, gizlilik farkındalığına sahip süreç madenciliğinin özelliklerine ilişkin nitel çıkarımlar elde etmek amacıyla mevcut yaklaşımları ve yöntemleri analiz eden sistematik bir literatür taraması aracılığıyla oluşturulmuştur. Uygunluk döngüsü ise, gizlilik korumalı süreç madenciliği yaklaşımlarının pratik kısıtlarını yansıtacak şekilde problem tanımı ve gereksinimlerin belirlenmesini sağlamak amacıyla, yeni ve hedef odaklı bir değerlendirme metodolojisi altında yürütülen bir vaka çalışmasıyla desteklenmiştir. Bu girdiler doğrultusunda, tasarım döngüsü kapsamında, öğretici topluluklarının gizli birleştirilmesini içeren, hibrit ve yeni bir tahminleyici süreç izleme derin öğrenme modelleme çerçevesi geliştirilmiştir. Ayrıca, güven düzeyini dikkate alan iki farklı çerçeve varyantı tasarlanmış ve uygulanmıştır. Geliştirilen çerçeve varyantlarının performansını ve etkinliğini değerlendirmek amacıyla, dört farklı ve gerçek yaşamdan alınmış olay günlüğü üzerinde nicel deneysel değerlendirmeler gerçekleştirilmiştir. Bu değerlendirmelerde, gizlilik koruması içermeyen temel yaklaşımlarla karşılaştırmalı olarak doğruluk, gizlilik ve hesaplama verimliliği metrikleri esas alınmıştır. Elde edilen sonuçlar, öngörü doğruluğu ve zaman verimliliğinden ödün vermeden gizlilik uyumluluğunun sağlanabildiğini ortaya koymakta; böylece tahminleyici süreç izleme alanında güvenilir yapay zekâ sistemlerinin benimsenmesini desteklemektedir.
Özet (Çeviri)
Process mining is a growing field that examines how to identify, analyze, and enhance process models using data from information systems. It automates many of the detailed tasks that typically require significant manual effort. Privacy preservation issues arise when these data are included by any means. Such data, generally recorded in event logs, includes personalized information on the processed entities, so that it may expose sensitive information about individuals. In such cases, organizations must adopt privacy-enhancing approaches to balance the analytical value derived from the data with the obligations imposed by privacy regulations. In particular, this thesis seeks to minimize re-identification risks associated with the disclosure of event logs to process analysts within an organization, while enabling privacy-enhanced predictive process monitoring. We adopt the design science research methodology, integrating relevance, rigor, and design cycles. The rigor cycle was established through a systematic literature review, which analyzed prior work to identify existing approaches and methods as bases to draw qualitative conclusions on the properties of privacy-aware process mining. The relevance cycle was informed by a case study conducted under a novel, goal-oriented evaluation methodology, ensuring that the problem definition and requirements reflect practical constraints of privacy-preserving process mining approaches. Based on these inputs, the design cycle resulted in the development of a novel hybrid predictive process monitoring deep learning modeling framework that incorporates private aggregation of teacher ensembles. Furthermore, we designed and developed two distinct confidence-aware framework variants. We conducted quantitative empirical evaluations on four diverse real-life event logs to assess the performance and effectiveness of our framework variants, employing comparative analyses based on accuracy, privacy, and computational efficiency metrics relative to non-privacy-preserving baselines. Our results ensure privacy compliance without compromising predictive accuracy and time efficiency, thereby facilitating the adoption of trustworthy artificial intelligence systems in predictive process monitoring organizations.
Benzer Tezler
- Privacy preserving data publishing with multiple sensitive attributes
Privacy preserving data publishing with multiple sensitive attributes
AHMED ABDALAL
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜCEL SAYGIN
YRD. DOÇ. DR. MEHMET ERCAN NERGİZ
- Graf bazlı sorgu seti yöntemi ile diferensiyel mahremiyetin sağlanması
Differential privacy with graph based query set
EMİR ESMERDAĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. MUHAMMED OĞUZHAN KÜLEKCİ
- Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi
Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method
İLKER İLTER
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- A privacy-preserving solution for the bipartite ranking problem on Spark framework
İki taraflı sıralama problemine Spark çerçevesinde gizliliği koruyan bir çözüm
NOUSHIN SALEK FARAMARZI
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL ALTAY GÜVENİR
- Federated hybrid privacy-preserving movie recommendation system for internet-of-vehicles
Araçlarin internetinde federe hibrit gizlilik korumali film öneri sistemi
MUSA ŞİMŞEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞEGÜL ERMAN TÜYSÜZ