基于协同办公平台的OA智能化探索

毕云星

【摘要】    协同办公平台是将信息发布、任务管理、业务系统集成等功能进行整合，使得员工使用与操作更加方便，极大的提高企业内部的办公效率。随着人工智能的到来，如何将先进的智能技术与传统的协同办公平台相结合，进一步提高企业的办公效率，实现决策的智能化支撑，是一个具有重要意义的研究课题。本文将设计OA智能分布式工作流引擎，对实现智能化办公进行探索。

【关键词】    协同办公平台    智能分布式    工作流引擎    人工智能

一、研究背景

随着中海油石化工程有限公司的发展壮大，协同办公平台已经成为企业内部办公不可缺少的信息瓶体。公司协同办公平台具有统一登录、信息系统集成、任务待办集成、信息发布、流程审批等功能，实现了公司主要业务流程的信息化。这些功能的实现方便了企业员工的日常办公，降低了企业的内部运营成本，提升了公司日常管理水平和效率。

在协同办公平台中，要实现流程的灵活定义与电子化，工作流引擎是其中同的核心模块。只有通过工作流引擎，各个部门才能将日常的流程进行定义，实现自动化的电子流程审批。随着企业业务扩展，工作流的增多，传统的集中式工作流引擎很难适应业务的发展，同时工作流引擎应当结合人工智能技术，对流程数据进行分析，并建立流程优化模型。其中，实现OA智能化的重要基础是研发智能分布式工作流引擎，该引擎为传统的OA实现智能提供基石。

二、智能分布式工作流引擎设计

智能分布式工作流引擎分为智能代理引擎、分布式控制引擎、状态跟踪引擎和执行引擎，通过不同的引擎管理OA系统中的不同功能，采用分布式架构提供可扩展的系统组织，降低系统各部分的耦合程度。本文设计的智能分布式工作流引擎架构如图1所示。

如图1所示，通过不同子系统引擎之间的管理与交互，完整的实现了智能工作流引擎的各个功能。各个引擎可以独立运行，也可以对外提供调用接口，将服务提供给需要该功能的其他引擎。其中，通过状态跟踪引擎可以维护系统中各个功能模块的执行状态，并通过消息机制反馈到控制引擎。执行引擎负责完成系统具体的业务功能模块，而智能代理引擎具有机器学习功能，对外提供机器学习的服务接口。控制引擎负责各个引擎间的协调与调度，通过简单对象访问协议（SOAP）与各个引擎与模块之间进行通信，并传输信息。

通过对象访问协议，控制引擎与执行引擎之间交互控制信息、执行信息。控制引擎发送控制信息到执行引擎，执行引擎收到信息后，判断信息类别，并执行对应的操作，然后将执行状态以及执行结果信息返回给控制引擎，控制引擎搜集执行引擎返回的执行信息后，根据不同执行引擎的情况进行调度，并综合各执行引擎的执行结果，返回最终的执行结果。

在系统内部，智能代理引擎提供各类参数初始化的接口，通过该接口可以对系统中各个模块进行初始化，同时集中进行各引擎的实例创建。对于控制引擎而言，提供状态监听服务，通过监听器跟踪执行引擎的执行流程以及返回的执行信息，通过执行信息判斷执行状态。同时，该引擎维护两个状态列表，这两个列表是跟踪系统状态的关键，用于记录系统的执行情况，通过维护两个列表的状态信息保持一致，可以判断系统的执行是否保持一致。当执行引擎的模块状态发生改变时，执行引擎发送消费给控制引擎，控制引擎同步更新两个列表的记录状态。根据记录状态，控制引擎进行上下文判断，通过上下文执行信息，优化引擎的执行流程，提高执行效率。状态跟踪引擎中提供系统服务注册功能，系统中的各个功能模块需要在注册中心进行注册，该注册中心维护服务列表目录，各引擎通过检索服务目录，调用对应的业务功能。同时，状态引擎负责处理状态列表的同步工作，保持系统执行数据的一致性。

三、智能分布式工作流引擎实现

智能分布式工作流引擎的类图如图2所示：

其中StateLister用于监听工作流引擎中状态的变化，当触发数据引发状态变更时，调用updateState（）更新状态，updateState（）更新状态以后返回最新的状态信息。InfoModify用于通知各分布式引擎实例系统状态的变更，该接口通过继承notifyEngine接口，可以实现不同的消息机制。RigsterCenter用于注册工作流引擎中的各项服务，通过该接口注册服务的Token，通过使用不同的Token可以让其他引擎使用该服务。exeEngine用于监督执行工作流的状态变化，该对象定义了一组方法接口，通过继承该接口，可以使用自定义的工作流程，通过该接口可以搜集工作流状态信息，监督流程执行情况。evacostEngie用于搜集及估算各个工作流所耗费的资源以及时间，并将数据传递给coreInvoker。coInvoker是核心调度器，用于调度各个工作流实例，并使用learn接口学习各个工作流的状态，其中learn接口集成Weka的学习接口，可以调用各类学习模型，以LSTM模型为例，通过以下代码所示可以学习工作流引擎的性能数据，并进行性能预测：

Instances newData=Filter.useFilter（data， filter）;//收集工作流引擎训练数据

Enumeration oldDataAttributes = data.enumerateAttributes（）;

NeuralNetworkModel lstm=new NeuralNetworkModel（tpye=lstem）;

lstm.build （newData）;//用经过特征选择的训练数据训练LSTM模型

Evaluation val=new Evaluation（lstm）;

通过调用以上机器学习的代码，可以对分布式工作流引擎实例的各类性能数据进行学习，并对性能进行预测，通过机器学习对数据进行分析，让引擎具备一定的智能化功能。

四、智能分布式工作流引擎特点

分布式工作流引擎改进了原有工作流引擎的效率，解决原有引擎的性能问题，扩展了系统的功能，提供了更为强大的业务支持能力，其主要特点如下。

（1）由于控制引擎采用分布式架构，能够进行横向扩展，并且容错功能也得到提升。分布式集群中可以对集群服务器进行扩展，在用户规模增加以及对性能要求提高时，可以扩展分布式集群服务器的规模，进行无缝的扩展，不影响系统原有功能，保障系统平稳运行前提下提升系统性能。

（2）在控制引擎中，通过最小代价调度算法协调不同引擎的执行，并且提供智能功能，避免随机并发引擎的效率降低问题。最小代價调度算法对系统调度性能进行最优化，当控制引擎调度执行引擎执行指令时，减少随机并发执行带来的不确定影响，保障各个引擎在最优序列下执行指令。

（3）在状态引擎以及执行引擎中，通过观察者对象提供消息通知与维护机制，将核心数据分布存储在集群中进行缓存，同时采用内存与文件方式降低对数据库的读写压力，通过多重备份方式避免核心数据的损失。同时，由于采用集群管理，核心数据存放文件分布在不同服务器上进行备份，当遇到突发情况或者单一服务器崩溃时，不会影响核心数据的完整性，保障了系统的运行安全。

（4）提供机器学习、人工智能算法接口，可以对工作流引擎进行学习能力的自定义，通过对工作流程数据的学习提升工作流的效率。由于工作流程中每个环节的耗时、流程效率不一定满足最优流程效率，通过机器学习、人工智能算法接口，定义损失函数，通过历史流程数据，对流程的执行环节进行优化，对流程执行时间以及可能存在的阻碍进行预测，有利于优化工作流程，提高工作效率。

五、总结

本文设计了OA智能分布式工作流引擎，能够进一步提升工作流引擎的执行效率，同时增加机器学习、人工智能算法接口，为工作流引擎赋予了一定的智能化功能。通过智能接口的引入，支持各类模型算法，赋予了工作流一定的学习能力，有效的提高了工作流引擎的效率。

参  考  文  献

[1]张华 .智能代理在办公自动化系统中的应用研究[D]. 西南交通大学， 2016.

[2] Zheng H， Yang J. Functional Modules Sharing and Blockchain Based Validation in Office Automation Systems[J]. IOP Conference Series Materials Science and Engineering， 2018， 466：012007.

[3] Li Z ， Guo W ， Wang W . The design and research based on office automation system[J]. Journal of Physics： Conference Series， 2019， 1345（6）：06-11.

[4] Chouki S ， Anh-Tu N ， Amir B M ， et al. Driver-Automation Cooperation Oriented Approach for Shared Control of Lane Keeping Assist Systems[J]. IEEE Transactions on Control Systems Technology， 2019， 27：1962-1978.

[5]邹晶， 刘毅敏. 基于有限状态机的工作流引擎的设计[J]. 计算机应用与软件， 2018（8）：60-65.

[6]车宇， 罗钊航. 办公自动化系统的开发引擎平台设计[J]. 电子技术与软件工程， 2019， 155（09）：167-167.

[7]包晓安， 常浩浩， 徐海，等. 基于LSTM的办公自动化学习系统预测模型研究[J]. 浙江理工大学学报（自然科学版）， 2018， 39（002）：224-231.

[8]李为， 刘宝琦. 基于改进LSTM模型的运维异常行为分析[J]. IT经理世界， 2019， 022（005）：70-71.