O alinhamento oferece um método confiável para realizar a checagem de conformidade, detectando desvios que levam à não conformidade. A maioria dos métodos de alinhamento utiliza o conceito de movimentos de alinhamento em conjunto com uma rede de Petri determinística e um log de eventos como entrada, com o objetivo de encontrar um alinhamento com o menor custo. Lidar com informações probabilísticas no modelo de processo e no log de eventos é um dos grandes desafios na área de checagem de conformidade. No entanto, há poucos trabalhos na literatura sobre checagem de conformidade que exploram informações estocásticas no modelo de processo. Abordagens probabilísticas existentes não levam em consideração o conceito de movimentos de alinhamento, especificamente os movimentos de log, pressupondo que o modelo de processo fornecido como entrada permanece inalterado. Baseando-se nos fundamentos existentes da área de checagem de conformidade que utiliza a técnica de alinhamento, foi definida formalmente neste trabalho a tarefa de alinhamento que tem como entrada uma rede de Petri estocástica e um log de eventos, emprega o conceito de movimentos de alinhamento e tem como objetivo produzir um ranking ótimo de alinhamentos considerando uma métrica de otimização que combina a probabilidade de disparo das transições da rede de Petri estocástica e o custo dos alinhamentos. Como resultado, obtemos um ranking de alinhamentos que reflete a realidade das ocorrências dos traces presentes no log de eventos e a suposição de que o modelo de processo em uso pode estar desatualizado. Também propomos o ProbPlanAlign, uma abordagem que modela essa tarefa de alinhamento como um problema de Caminho Mais Curto Estocástico, codifica-o usando a Linguagem de Definição de Domínio de Planejamento Probabilístico (PPDDL) e encontra o ranking ótimo de alinhamentos usando planejadores probabilísticos existentes na literatura. Experimentos com o ProbPlanAlign utilizando logs de eventos sintéticos e modelos de processos com um número crescente de transições foi realizada para analisar a escalabilidade da proposta. O consumo de tempo do ProbPlanAlign para encontrar um ranking ótimo de alinhamentos cresce linearmente à medida que o tamanho das redes de Petri probabilísticas cresce, em termos do número de transições. Especificamente, o consumo de tempo foi de 21,4 segundos para o modelo de processo maior avaliado, que possui 237 transições.

Alignment offers a reliable method for conformance checking by detecting deviations that lead to nonconformity. Most alignment methods use the concept of alignment moves, with a deterministic Petri net and an event log trace to be aligned as input, and aim to find an alignment with the lowest cost. Dealing with probabilistic information from the process model and event log is one of the great challenges in the area of conformance checking. However, there are few works in the literature on conformance checking that explore stochastic information from the process model. Existing probabilistic approaches do not take into account the concept of alignment moves, specifically the log moves, assuming that the process model provided as input remains unchanged. Building on the existing alignment-based conformance-checking fundamentals, we formally define in this paper the alignment task that takes as input a stochastic Petri net and an event log trace to be aligned, employs the concept of alignment moves, and aims to produce an optimal ranking of alignments considering an optimization metric that combines both the firing probability of transitions in the stochastic Petri net and the cost of the alignments. Consequently, a ranking of alignments is obtained that meets the reality of trace occurrences in the event log and the assumption that the process model in use may be outdated. We also propose ProbPlanAlign, an approach that models this alignment task as a Stochastic Shortest Path problem, encodes it using the Probabilistic Planning Domain Definition Language (PPDDL), and finds the optimal ranking of alignments using off-the-shelf probabilistic planners. An experimental evaluation of ProbPlanAlign with synthetic event logs and process models with a different number of transitions was performed to analyze its scalability. The time consumption of ProbPlanAlign to find an optimal ranking of alignments grows linearly when the size of the probabilistic Petri nets grows in terms of transitions. Specifically, the time consumption was 21.4 seconds for the larger process model evaluated which has 237 transitions.