Method, apparatus, device, and medium for determining similarity of discrete event simulation model in digital asset management

Abstract

The present disclosure discloses a method, apparatus, device, and medium for determining similarity of a discrete event simulation model in digital asset management. The method comprising: obtaining a first discrete event simulation model; determining a structural feature of the first discrete event simulation model; identifying a second discrete event simulation model similar to the first discrete event simulation model from a discrete event simulation model library comprising multiple discrete event simulation models based on the structural feature; and determining a similarity between the first discrete event simulation model and the second discrete event simulation model. Automatic comparison and searching for similar models improve the efficiency of model retrieval. Comprehensive model similarity evaluation indicators and quantified similarity scoring methods are provided.

Description

METHOD, APPARATUS, DEVICE, AND MEDIUM FOR DETERMINING SIMILARITY OF DISCRETE EVENT SIMULATION MODEL IN DIGITAL ASSET MANAGEMENTFIELD

[0001] The present disclosure relates to the technical field of computer science and information technology, in particular to a method, apparatus, device, and medium for determining similarity of a discrete event simulation model in digital asset management.BACKGROUND

[0002] Discrete Event Simulation model (DES) is a mathematical model used to simulate system behavior, particularly suitable for describing and analyzing systems driven by a series of discrete events. This type of model is widely applied in fields such as engineering, computer science, logistics, healthcare, and finance, for purposes including optimizing system performance, evaluating design schemes, and predicting system behavior.

[0003] With the widespread application of digital twin technology, which continuously brings value to manufacturing enterprise clients, the adoption of DES models (hereinafter referred to as simulation models or models) as digital assets for more efficient sharing and utilization is a future trend. The innovative protection of simulation models, such as the functions of model evaluation, validation, analysis, certification, and authorization tracking, are crucial technical guarantees for achieving digital asset management and intellectual property protection. Among these, the technology for assessing model similarity is of great importance and currently lacks mature specifications or standards.SUMMARY

[0004] Embodiments of the present disclosure propose a method, apparatus, device, and medium for determining similarity of a DES model in digital asset management.

[0005] In a first aspect, a method for determining similarity of a DES model in digital asset management is provided. The method comprising:

[0006] obtaining a first DES model;

[0007] determining a structural feature of the first DES model;

[0008] identifying a second DES model similar to the first DES model from a DES model library comprising multiple DES models based on the structural feature; and

[0009] determining a similarity between the first DES model and the second DES model.

[0010] In a second aspect, an apparatus for determining similarity of a DES model in digital asset management is provided. The apparatus comprising:

[0011] an obtaining module, configured to obtain a first DES model;

[0012] a first determining module, configured to determine a structural feature of the first DES model;

[0013] an identifying module, configured to identify a second DES model similar to the first DES model from a DES model library comprising multiple DES models based on the structural feature; and

[0014] a second determining module, configured to determine a similarity between the first DES model and the second DES model.

[0015] In a third aspect, an electronic device is provided. The electronic device comprising a processor and a memory, wherein an application program executable by the processor is stored in the memory for causing the processor to execute a method for determining similarity of a DES model in digital asset management as described in any of the above.

[0016] In a fourth aspect, a computer-readable medium comprising computer-readable instructions stored thereon is provided, wherein the computer-readable instructions for executing a method for determining similarity of a DES model in digital asset management as described in any of the above.

[0017] In a fifth aspect, a computer program product comprising a computer program, when the computer program is executed by a processor for executing a method for determining similarity of a DES model in digital asset management as described in any of the above.

[0018] According to the above technical solutions, obtaining a first DES model; determining a structural feature of the first DES model; identifying a second DES model similar to the first DES model from a DES model library comprising multiple DES models based on the structural feature; and determining a similarity between the first DES model and the second DES model. Automatic comparison and search for similar models. This enhances the efficiency of model retrieval. Comprehensive model similarity evaluation indicators and quantified similarity scoring methods are also provided. Objective algorithms are used to score model similarity, which is quantifiable.BRIEF DESCRIPTION OF THE DRAWINGS

[0019] In order to make technical solutions of examples of the present disclosure clearer, accompanying drawings to be used in description of the examples will be simply introduced hereinafter. Obviously, the accompanying drawings to be described hereinafter are only some examples of the present disclosure. Those skilled in the art may obtain other drawings according to these accompanying drawings without creative labor.

[0020] Fig. 1 is an exemplary flowchart of a method for determining similarity of DES models in digital asset management according to embodiments of the present disclosure.

[0021] Fig. 2 is an exemplary schematic diagram of model similarity detection process according to embodiments of the present disclosure.

[0022] Fig. 3 is an exemplary schematic diagram of similarity detection mechanism for DES models according to embodiments of the present disclosure.

[0023] Fig. 4A is a schematic diagram of sub-model 1 in Model 1 according to embodiments of the present disclosure.

[0024] Fig. 4B is a schematic diagram of sub-model 2 in Model 1 according to embodiments of the present disclosure.

[0025] Fig. 4C is a schematic diagram of sub-model 3 in Model 1 according to embodiments of the present disclosure.

[0026] Fig. 5A is a schematic diagram of sub-model 1 in Model 2 according to embodiments of the present disclosure.

[0027] Fig. 5B is a schematic diagram of sub-model 2 in Model 2 according to embodiments of the present disclosure.

[0028] Fig. 6 is an exemplary structural diagram of an apparatus for determining similarity of DES models in digital asset management according to embodiments of the present disclosure.

[0029] Fig. 7 is a structural diagram of an electronic device according to an embodiment of the present disclosure.

[0030] List of reference numbers: DETAILED DESCRIPTION

[0031] In order to make the purpose, technical scheme, and advantages of the disclosure clearer, the following examples are given to further explain the disclosure in detail. Nouns and pronouns related to people in this patent application are not limited to specific gender.

[0032] In order to be concise and intuitive in description, the scheme of the disclosure is described below by describing several representative embodiments. Many details in the embodiments are only used to help understand the scheme of the disclosure. However, it is obvious that the technical scheme of the disclosure can be realized without being limited to these details. In order to avoid unnecessarily blurring the scheme of the disclosure, some embodiments are not described in detail, but only the framework is given. Hereinafter, "including" refers to "including but not limited to" , "according to. . . " refers to "at least according to. . ., but not limited to. . . " . When the number of an element is not specifically indicated below, it means that the element can be one or more, or can be understood as at least one.

[0033] The technology for assessing model similarity is of great importance and currently lacks mature specifications or standards. Embodiments of the present disclosure focus on at least one of the following: (1) Constructing a unified descriptive language for simulation models to achieve standardized expression of data from different sources and model files of various formats; (2) Establishing metrics for assessing the similarity of simulation models, along with calculation methods for evaluation indicators; (3) Through the technical framework of model similarity assessment, effectively identifying model replication and plagiarism to protect intellectual property, while also providing technical support for model parsing and model search recommendation functions.

[0034] Upon literature review and research, on one hand, software vendors have not yet achieved a standardized and unified data description for simulation models. There are significant differences in file formats, data storage methods, and data access approaches. On the other hand, the current evaluation system for similarity between models is incomplete. Model comparison is limited to the identification of differences in model elements and their attributes, lacking a reference evaluation index system and the ability to quantify the evaluation of model structure and element associations. The reliance on expert experience to examine and judge model differences is time-consuming and labor-intensive, and the processing time and quality of work for complex models cannot be guaranteed.

[0035] Fig. 1 is an exemplary flowchart of a method for determining similarity of DES models in digital asset management according to embodiments of the present disclosure. As shown in Figure 1, the method includes:

[0036] Step 101: obtaining a first DES model.

[0037] Digital twin technology creates a virtual replica of a physical system to enable real-time monitoring and optimization of the system. DES models can be used to build dynamic behavior models within digital twin systems, helping to optimize the management and operation of digital assets. For instance, in the field of intelligent manufacturing, DES models can optimize production line scheduling and resource allocation, thereby improving production efficiency and asset utilization rates. For example, the first DES model is a DES model related to digital twins.

[0038] The first DES model may be obtained from client side or established on an entity that executes the method shown in Figure 1. The entity that executes the method shown in Figure 1 may be any control unit, such as a CPU or MCU. For example, the first DES Model may be established based on a variety of modeling approaches. For instance, these modeling approaches may include: AnyLogic: Supporting discrete event simulation, system dynamics, and agent-based modeling, which is suitable for complex systems; Arena: A powerful DES software, appropriate for large-scale complex systems; FlexSim: A 3D simulation software, suitable for the manufacturing and logistics industries, and supporting integration with systems such as ERP and MES; Simul8: User-friendly, suitable for the manufacturing and service industries, and offering a rich set of predefined modules.

[0039] The first DES model may be established in various industries such as manufacturing, logistics and supply chain, healthcare, financial services, transportation, telecommunications and networks, energy and power, etc.

[0040] Step 102: determining a structural feature of the first DES model.

[0041] Structural features of the first DES model represent the hierarchical relationships among data nodes within a tree-like structure of the first DES model. The specific content that a tree-like hierarchical structure information may include: Root node: represents the starting point of the entire simulation model or the highest level of abstraction; Branches: paths extending from the root node or any parent node, representing different parts or subsystems of the model; Child nodes: nodes that belong to a parent node, representing more specific elements or subprocesses within the model; Parent nodes: nodes that have child nodes, representing higher-level abstractions or controlling entities within the model; Sibling nodes: nodes that share the same parent node, indicating different entities or processes at the same hierarchical level; Leaf nodes: terminal nodes without child nodes, typically representing the most basic elements or operations in the model; Paths: A series of node connections from the root node to the leaf nodes, indicating the navigation route from high to low levels within the model; Levels: Divisions of different levels of abstraction within the model, with each level representing a different degree of detail in the model.

[0042] For example, structural features may be multi-level hierarchical structure of the first DES model. Structural features may describe root node in the first DES model, each level extending from the root node, and the relationships between nodes contained in the same level and relationships between nodes across different levels. For instance, in the manufacturing industry, a company may encompass multiple factories, each factory may consist of several production process units, and each process unit may further contain multiple work units. Therefore, the structural features of the model can encompass the multi-level hierarchical structure from the company to the factories, to the process units, and down to the work units.

[0043] Step 103: identifying a second DES model similar to the first DES model from a DES model library comprising multiple DES models based on the structural feature.

[0044] Here, DES models with a structure similar to that of the first DES model are identified from the DES model library. The identified similar models are referred to as the second DES models. The number of second DES models may be one or more.

[0045] In one embodiment, the identifying a second DES model similar to the first DES model from a DES model library comprises: determining a first vector representing the structural feature of the first DES model; determining respective structural features of respective DES models in the DES model library; determining respective vectors representing the respective structural features; calculating respective distances between the first vector and the respective vectors; selecting a distance that is less than a predetermined threshold from the respective distances; identifying a DES model corresponding to the selected distance as the second DES model.

[0046] Here, the distance between the first vector and the vectors of respective models in the model library may be determined based on methods such as Euclidean distance, Manhattan distance, Chebyshev distance, cosine similarity, Jaccard distance, and Hamming distance.

[0047] Step 104: determining a similarity between the first DES model and the second DES model.

[0048] In one embodiment, the determining a similarity between the first DES model and the second DES model comprises at least one of the following:

[0049] (1) determining a first similarity between a two-dimensional graphical layout of the first DES model and a two-dimensional graphical layout of the second DES model.

[0050] The first DES model and the second DES model are respectively displayed as two-dimensional graphical layouts with visual effects. Then, the first similarity is determined based on the graph edit distance between these two two-dimensional graphical layouts.

[0051] (2) determining a second similarity between a data structure of the first DES model and a data structure of the second DES model.

[0052] Data structure includes objects in corresponding DES model (corresponding to nodes in tree-like structure of the corresponding DES model) , object attributes, and relationships between objects.

[0053] Objects are the fundamental units used to represent entities or concepts within DES model. They may be physical entities, resources, events, or other abstract concepts. Object attributes are variables that describe the objects and are used to record the state of the objects. Object attributes can be static (unchanging) or dynamic (varying over time) . The values of these attributes may influence the behavior of the objects and the occurrence of events within the DES model. The relationships between objects describe how objects interact and influence each other. These relationships can be static (fixed) or dynamic (changing over time) and can be triggered or updated by events. Common types of relationships may include: Dependency: The existence or state of one object depends on another object; Association: A direct connection between two or more objects; Inheritance: One object inherits the attributes and behaviors of another object.; Aggregation: An object is composed of multiple sub-objects; Communication: Objects communicate with each other through messages or events.

[0054] For example, in the manufacturing industry, objects may include: Part: An item that needs to be processed; Machine: Equipment used to process parts; Worker: Personnel who operate the machines; Material: Raw materials used for production. Object attributes may include: (a) Attributes of parts: Type: The category of the part, Status: Whether the part has been processed, Processing Time: The time required to complete processing. (b) Attributes of machines: Status: Whether the machine is running or if it has malfunctioned; Remaining Life: The remaining service life of the machine; Efficiency: The processing efficiency of the machine. (c) Attributes of workers: Skill Level: The worker's ability to operate the machine; Working Hours: The number of working hours per day. The relationships between objects can include: (a) The relationship between parts and machines: Processing relationship: Parts need to be processed on specific machines; Priority relationship: Some parts may need to be processed with priority. (b) The relationship between machines and workers: Operating relationship: Workers operate the machines for production; Maintenance relationship: Workers are responsible for the maintenance of the machines. (c) The relationship between materials and parts: Supply relationship: Materials are used to produce parts. (d) Inventory relationship: The production of parts depends on the inventory of materials.

[0055] (3) determining a third similarity between a process material flow of the first DES model and a process material flow of the second DES model.

[0056] The process material flow refers to the movement and transformation of materials from one stage to another during the production or processing process. It describes how materials flow through the system and how these flows are influenced by various objects (such as machines, workers, parts, etc. ) and events (such as processing, transportation, storage, etc. ) within the system.

[0057] In one embodiment, the determining a similarity between the first DES model and the second DES model comprises: determining a first similarity between a two-dimensional graphical layout of the first DES model and a two-dimensional graphical layout of the second DES model; determining a second similarity between a data structure of the first DES model and a data structure of the second DES model; determining a third similarity between a process material flow of the first DES model and a process material flow of the second DES model; normalizing the first similarity, the second similarity, and the third similarity, respectively to obtain a first normalized value for the first similarity, a second normalized value for the second similarity, and a third normalized value for the third similarity; determining a weighted sum of the first normalized value, the second normalized value, and the third normalized value; determining the similarity between the first DES model and the second DES model based on the maximum value between the weighted sum and the third normalized value.

[0058] Therefore, based on the first similarity, the second similarity, and the third similarity, the similarity between the first DES model and the second DES model may be calculated in a variety of ways.

[0059] In one embodiment, the determining a first similarity between a two-dimensional graphical layout of the first DES model and a two-dimensional graphical layout of the second DES model comprises: generating a similarity matrix ALDS, wherein ALDS= (aij)m×n, m is the number of sub-models in the second DES model, and n is the number of sub-models in the first DES model; aij represents a graph edit distance between the i-th sub-model of the second DES model and the j-th sub-model of the first DES model; generating a similarity vector ALDS′ based on the respective maximum values in respective columns of the similarity matrix ALDS; determining an average value of the elements in the similarity vector ALDS′ as the first similarity.

[0060] Therefore, based on the calculation of the similarity matrix, the first similarity can be conveniently calculated.

[0061] In one embodiment, the determining a second similarity between a data structure of the first DES model and a data structure of the second DES model comprises: determining the minimum number of edit operations required to transform the data structure of the first DES model into the data structure of the second DES model, wherein the edit operations comprise inserting nodes, deleting nodes, and replacing nodes; determining the second similarity based on the minimum number of edit operations.

[0062] Therefore, by using the minimum number of edit operations, the second similarity can be quickly determined.

[0063] In one embodiment, the determining a third similarity between a process material flow of the first DES model and a process material flow of the second DES model comprises: simulating an operation of the first DES model and recording a first sequence of event data throughout the entire lifecycle of the simulation process; simulating an operation of the second DES model and recording a second sequence of event data throughout the entire lifecycle of the simulation process; generating a first set of directed graphs for the first DES model based on the first sequence of event data; generating a second set of directed graphs for the second DES model based on the second sequence of event data; generating a similarity matrix APMF, wherein APMF= (aij)m×n, m is the number of directed graphs in the second set of directed graphs, and n is the number of directed graphs in the first set of directed graphs; wherein the process of determining aij comprises: determining the number of shared nodes and shared edges between the i-th directed graph in the second set of directed graphs and the j-th directed graph in the first set of directed graphs; calculating a first sum of the number of shared nodes and the number of shared edges; calculating a second sum of the number of nodes in the i-th directed graph of the second set and the number of nodes in the j-th directed graph of the first set; calculating a third sum of the number of edges in the i-th directed graph of the second set and the number of edges in the j-th directed graph of the first set; calculating a fourth sum of the second sum and the third sum; determining the ratio of the first sum to the fourth sum as aij; generating a similarity vector APMF′ based on the respective maximum values in respective columns of the similarity matrix APMF; determining an average value of elements in the similarity vectorAPMF′as the third similarity.

[0064] Therefore, the third similarity can be calculated by combining the similarity matrix and directed graph techniques, thereby improving the computational efficiency.

[0065] In one embodiment, the method includes at least one of the following:

[0066] (1) allowing the first DES model to be saved to the DES model library when the similarity is less than or equal to a predetermined first threshold.

[0067] (2) rejecting the saving of the first DES model to the DES model library and issuing an alarm message when the similarity is greater than or equal to a predetermined second threshold.

[0068] (3) issuing a reminder message and, based on a user's selection operation, allowing the first DES model to be saved to the DES model library or rejecting the saving of the first DES model to the DES model library, when the similarity is greater than the predetermined first threshold and less than the second threshold; where the second threshold is greater than the first threshold.

[0069] The DES model library may be located in a cloud-based digital asset repository. When the first DES model uploaded by the customer is similar to the DES models in the digital asset repository, it is determined that the first DES model may have intellectual property issues. Therefore, the first DES model is not allowed to be uploaded to the digital asset repository.

[0070] Embodiments of the present disclosure encompasses the entire process from a user uploading a model to a digital asset platform to completing similarity assessment and user feedback. After a user uploads a model, the following steps are taken by the platform: (1) The platform first accesses and extracts model data through a standardized method of model data description. (2) Next, the structural features of the model are calculated, and based on these feature values, related models are searched for in the model repository. (3) Finally, a similarity assessment score is conducted for the set of models found and the model uploaded for evaluation. If the similarity meets acceptance criteria, the user is notified of successful similarity detection, and the model file along with its features is uploaded to the model database. Otherwise, the user is alerted that the model has a high degree of similarity, indicating potential plagiarism or a duplicate model issue, and corresponding model files are recommended for the user to review.

[0071] Fig. 2 is an exemplary schematic diagram of model similarity detection process according to embodiments of the present disclosure. As shown in Figure 2, the process includes:

[0072] Step 10: User 20 uploads a DES model to a cloud platform.

[0073] Step 11: The cloud platform extracts structural features of the DES model.

[0074] Step 12: The cloud platform searches for a similar model of the DES model in a DES model library 21 accessible for the cloud platform. The structural features of the similar model have a vector distance from the structural features of the DES model that is less than a predetermined value.

[0075] Step 13: The cloud platform scores similarity between the DES model and the similar model.

[0076] Step 14: The cloud platform determines whether the scores is acceptable (for example, if it is less than a predetermined threshold, it is deemed acceptable) . If it is acceptable (corresponding to the “Y” branch) , proceed to Step 16; otherwise (corresponding to the “N” branch) , proceed to Step 15.

[0077] Step 15: Send an alarm message to User 20 indicating that the DES model is not allowed to be uploaded, and terminate this process.

[0078] Step 16: Send an alarm message to User 20 indicating that the DES model is allowed to be uploaded.

[0079] Step 17: Save the DES model to the DES model library 21.

[0080] Embodiment of the present disclosure may be implemented through a cloud-based microservices architecture.

[0081] Fig. 3 is an exemplary schematic diagram of similarity detection mechanism for DES models according to embodiments of the present disclosure.

[0082] The core module of the present disclosure and its corresponding expanded functional modules are shown in Figure 3. At the HMI layer 30, various user (including User 40 and Guest 41) access and interaction interfaces are provided, such as model upload and feedback. At the Apps layer 31, the deployment of various digital asset management applications is realized, including the model similarity assessment Apps 42 and other necessary optional applications (including model validation 43, model interpretation 44 and model authentication 45) . The functionality of these applications is achieved through Open API 46 calls to services embedded within the SaaS layer 32. The SaaS layer 32 comprises Open API 46, Configuration Service 37 for providing configuration services, Business Service 38 for realizing the main Apps call functionality, Data Service 39 for providing data processing and management, Integration Service 40 for simulation runtime engine services, and Standard Communication Protocol for platform communication protocols. These functionalities are integrated into the Digital Asset Platform within PaaS layer 33, enabling various development and service integrations. At the Infrastructure layer, it primarily includes cloud computing and services. Business Service 38 comprises function interpretation 51 and model authentication 53.

[0083] Within the Apps layer 31 and SaaS layers 32, the core modules and their associations are as follows:

[0084] In the first step, the Model Similarity Assessment module 42 initially invokes the Model Data Access Retrieve module 50 of the Business Service 38 to access and normalize the storage of model data. The Model Data Access Retrieve module 50 implements model data access according to the communication methods configured by the Configuration Service’s API module and employs the XML Data Template module 55 of the Data Service 39 to achieve normalized data storage. The Integration Service 59 provides integration interfaces for the corresponding simulation engines 58, enabling the invocation of simulation resources.

[0085] In the second step, the Model Similarity Assessment module 42 activates the Model Feature Analysis functionality 52. The Data Service’s Data Process algorithms 56 are utilized to calculate the structural features of the model, providing support for matching potential high-similarity target objects from the Digital Twin Model Library 57.

[0086] In the third step, the Model Similarity Assessment module 42 engages the Similarity Scoring functionality 54. It first searches the Digital Twin Model Library 57 based on model features to find several existing models with potentially high similarity. Considering the evaluation indicators configured in the Similarity Index Management 47 of the Configuration Service 37, each indicator is assessed and given a comprehensive score. Finally, combining the evaluation criteria provided by the Acceptance Criteria Management 49 of the Configuration Service 37, the ultimate evaluation results are output. Configuration Service 37 also comprises API management 48.

[0087] To elucidate the specific implementation steps more clearly, two models are exemplified.

[0088] Fig. 4A is a schematic diagram of sub-model 1 in Model 1 according to embodiments of the present disclosure.

[0089] Fig. 4B is a schematic diagram of sub-model 2 in Model 1 according to embodiments of the present disclosure. Fig. 4C is a schematic diagram of sub-model 3 in Model 1 according to embodiments of the present disclosure. Fig. 5A is a schematic diagram of sub-model 1 in Model 2 according to embodiments of the present disclosure. Fig. 5B is a schematic diagram of sub-model 2 in Model 2 according to embodiments of the present disclosure.

[0090] Both Model 1 and Model 2 have more than one sub-model, and within these sub-models, there are similar model components but different connection methods or distinct characteristics of discrete manufacturing lines. The specific model descriptions are as follows:

[0091] In the illustrative case 1, as shown in Fig. 4A to Fig. 4C, Model 1 contains 3 sub-models, which are sub-model 1: “Factory1” , sub-model 2: “Factory2” and sub-model 3: “Workcell1” inside the “Factory1” . As shown in Fig. 4A to Fig. 4C, the label of sub-model 1 of Model 1 is 61, the label of sub-model 2 of Model 1 is 62, and the label of sub-model 3 of Model 1 is 63. “Workcell1” 63 contains three stations: “station1, ” “station2, ” and “station3” are in a serial relationship, while “station2” and “station3” are in parallel. The label of station1 is 77, the label of station2 is 79, and the label of station3 is 78.

[0092] After “Workcell1” is processed, it is connected to the parallel stations “Facility2” 64 and “Facility3” 65 which, after processing, are each connected to “Facility4” labeled with 66. “Facility4” is associated with a special exit control logic “ExitCtrlOfFacility4” labeled with 67, to implement customized discrete event control. “Factory2” is a serial production line model consisting of “process1” labeled with 72, “process2” labeled with 73 and “process3” labeled with 74 connected in series, each step implementing the production process. Additionally, both sub-models include “Source” and “Drain” modules to simulate the shipping of raw materials and the receipt of finished goods in the warehouse, as well as a discrete event controller “EventController. ” The source of sub-model 1 is labeled with 70, the source of sub-model 2 is labeled with 71, and the source of sub-model 3 is labeled with 76. The drain of sub-model 1 is labeled with 68, the drain of sub-model 2 is labeled with 75, and the drain of sub-model 3 is labeled with 80.

[0093] In the illustrative case 2, as shown in Fig. 5A to Fig. 5B, Model 2 contains two sub-models, “Workshop1” 81 and “Workshop2” 89. Inside “Workshop1” , there are five workstations, with “station1” 83, “station2” 84, “station4” 85 and “station5” 86 in a serial relationship, while “station3” 88 is in parallel with “station2” 84. “Workshop2” 89 is a serial production line model consisting of four machines, “M1” labeled with 91, “M2” labeled with 92, “M3” labeled with 93 and “M4” labeled with 95 are connected in series, each step implementing the production process. “M4” is associated with a special exit control logic “ExitCtrlOfM4” labeled 94 to implement customized discrete event control. Additionally, both sub-models include “Source” and “Drain” modules to simulate the shipping of raw materials and the receipt of finished goods in the warehouse, as well as a discrete event controller “EventController. ” The source of sub-model 1 of Model 2 is labeled with 82, the source of sub-model 2 of Model 2 is labeled with90. The drain of sub-model 1 of Model 2 is labeled with 87, the drain of sub-model 2 of Model 2 is labeled with 96.

[0094] The core modules within the Business Service and their implementation methods are as follows:

[0095] (1) Model Data Access Retrieve

[0096] (a) Model Data Parsing Module: For simulation model files that comply with the FMU / FMI standards and provide a standardized interface description in . XML format, they can be directly processed by the data standardization module. However, for binary files that cannot directly provide model data, the Configuration Service’s API is used for model access and parsing to obtain the model data. Taking Plant Simulation’s . spp files as an example, the first step is to establish a connection for accessing the model file using the data interface defined by the model, such as a COM component. Through this interface, it is possible to access the data of the model file. Next, the Plant Simulation-defined API (Application Programming Interface) is further utilized to parse and extract the key data required from the model file; this includes information such as the hierarchical structure of the model, objects, object properties, and associations. Finally, the data standardization module is combined to extract and save the corresponding data.

[0097] (b) Data Standardization Processing Module

[0098] (b. 1) Standardization of Model Data Structure

[0099] Based on the ANSI / ISA-88.01-1995 and IEC 61512-1 standards, a standardized method for the hierarchical structure of production and manufacturing system factory simulation model data is constructed. This includes determining the framework of the data hierarchy, defining data elements at each level, establishing data relationship mappings, and standardizing data formats and interfaces. Considering the diversity and complexity of models in different scenarios, some models may have fewer or more than seven levels in their hierarchy, but functionally, they can all be organized based on the tree-like data structure of this method. The ANSI / ISA-88.01-1995 and IEC 61512-1 standards provide a hierarchical framework for the factory physical model, which includes levels such as Enterprise (Enterprise level) , Site (Plant level) , Area (Area level) , Process Cell (Process Cell level) , Unit (Unit level) , Equipment Module (Equipment Module level) , and Control Module (Control Module level) .

[0100] Taking Model 1 as a case. Enterprise layer: The Enterprise layer represents the production activities across the entire enterprise. In Plant Simulation, this can be mapped to the entire simulation model, which may contain multiple plant sites, production lines, and manufacturing processes. For example, this could be represented by Model 1 or Model 2 files. Site / Area layer: The Site layer describes a specific plant site or production base, including different production areas or functional areas within the site. In Plant Simulation, this can correspond to one or more independent models within the simulation model file, or to a first-level path; or it could represent a workshop model, such as “Factory1” and “Factory2” in Model 1. Process Cell layer: The Process Cell layer describes units that complete specific process steps. In Plant Simulation, these areas can be mapped to different production lines or production segments within the simulation scenario, with each production line or segment containing multiple process units. For example, "WorkCell1" in Model 1. Unit / Equipment Module layer: The Unit / Equipment Module layer represents production units that perform specific production tasks or individual devices that include control strategies. In Plant Simulation, this can correspond to specific process units or operations, with each process module containing multiple production units and devices. For example, the various stations within “WorkCell1” in Model 1. Control Module layer: The Control Module layer pertains to the control logic and strategies for equipment. In Plant Simulation, this can be mapped to the control parameters, logic rules, or control algorithms of the equipment, ensuring that the operation of the equipment in the simulation model is consistent with the control requirements of actual production. For example, the exit control method "ExitCtrlOfFacility4" associated with "Facility4" in Model 1, or other control strategies associated with or built into the equipment at various stations.

[0101] (b. 2) Standardization of Object Data Description

[0102] The object model attribute data extracted for objects at each level refers to the ISA-95 standard / IEC 62264-2:2004 or GB / T 20720-2006 for unified description and organization, ensuring the standardization and consistency of the data. At the same time, standardized descriptions make the parsing of model data and data exchange feasible. Taking the equipment object "Facility2" from Model 1 as an example:

[0103] Table 1. Equipment object description data structure table

[0104] The Table 1 takes equipment models as an example and should include, but is not limited to, the following types of attributes: Attributes related to the sequence and order of operations, such as “predecessor” and “successor. ” Attributes related to the capabilities of the equipment, such as “process time of station. ” Attributes related to the spatial layout of the equipment model, such as “coordinate position. ” Attributes related to control strategies associated with the equipment, such as “Exit control strategy. ” The same method can be applied to describe personnel object models, material object models, and others, ensuring that all aspects of the simulation model are consistently and comprehensively documented.

[0105] (b. 3) Data storage format

[0106] The processed data will be stored in XML format, which facilitates data exchange and sharing. XML files have a clear structure, are easy to read and maintain, and support custom extensions, meeting the needs of different users. This portion of the data storage method corresponds to the XML Data Template module of the Data Service. Taking Model 1 as an example, the data storage format for a hierarchical framework of a factory simulation model is illustrated. For instance, considering the main nodes of the model framework such as Enterprise (Enterprise level) , Process Cell (Process Cell level) , and Equipment Module (Equipment Module level) .

[0107] (2) Model Feature Analysis

[0108] Model Feature Analysis aims to identify information within XML data through data preprocessing, determine the hierarchical relationship data nodes in a tree structure, and recognize the main features of the model through attribute structures. These features will serve as the basis for searching for potential high-similarity model sets in the model library. Additionally, they can also serve as the foundation for model parsing and the recommendation of similar models.

[0109] (a) Data pre-processing

[0110] Table 2: Data pre-process input and output

[0111] (b) Model Structure Feature Analysis

[0112] Tabel 3: Model structure feature analysis input and output

[0113] (3) Similarity Scoring

[0114] (a) Similarity Evaluation Indicators

[0115] DES models are characterized by their two-dimensional layout, model data structure, process material flow, and control information flow, which collectively determine the elements of the model and the manner in which discrete events are driven and executed. The differences in these characteristics between two models often indicate significant functional disparities. Therefore, the present disclosure takes the similarity of the two-dimensional graphical layout, data structure similarity, process material flow, and control information flow as the evaluation indicators for model similarity.

[0116] Vision-based Layout Similarity S_VLS: The elements of the model, its layout, and the implementation of human-machine interaction are typically presented directly through graphical user interfaces. From the perspective of expert experience, the two-dimensional visual similarity can intuitively identify and compare the differences between models, making it one of the most direct measures of model similarity. The evaluation method for the two-dimensional graphical layout similarity of the model will quantify expert experience from an algorithmic perspective.

[0117] Data Structure Similarity S_DSS: Data Structure Similarity represents the internal data hierarchical structure of the model, including different components, modules, levels, and their spatial relationships. For example, a complex manufacturing system may be divided into multiple sub-systems at different levels, such as an automotive factory, a die casting workshop, a processing unit, a logistics unit, etc., each with its own operating rules and interaction methods. The data structure determines the elements of the model and the way they are related to each other.

[0118] Process Material Flow and Control Information Flow S_PMF: In simulation models, the process material flow and control information flow directly determine the essence and functionality of the simulation model. The material flow represents how physical objects or products move within the system. This can include parts on a production line, raw materials, and semi-finished products. The material flow is usually closely related to the physical layout and process flow of the system, with different material flows representing different process flows and the associations between various equipment.

[0119] The information control flow involves the transmission of information and the issuance of control commands within the model. In discrete event simulation, events are typically triggered by the transmission of information, such as order arrivals, start of processing, completion of processing tasks, machine failures, etc. The design of the information flow determines how the system responds to various events and how it coordinates different objects to complete different functions. The information control flow influences the process material flow, which ultimately manifests as differences in the process material flow.

[0120] (b) Similarity scoring algorithm:

[0121] (b. 1) Vision-based Layout Similarity: SVLS

[0122] For DES models, even models with completely different functions may share the same icons because they all originate from basic model classes. For example, "Facility2" in "Factory1" and "M1" in "Workshop2" may have identical icons. However, their spatial layouts and relationships with other equipment within the models are entirely different. Therefore, when evaluating the image similarity of discrete event simulation models, it is crucial to pay more attention to the differences in their spatial or global features rather than just the differences in feature points (such as locally identical composition elements, which can lead to false high similarity judgments when the images representing device classes are identical across different models) . During the comparison of two models, the method for evaluating the two-dimensional graphical layout similarity is as follows:

[0123] The first step involves constructing a similarity matrix of size m x n. ALDS= (aij)m×n. Wherein m represents the number of sub-models in Model 1 that have sub-nodes, and each sub-node containing multiple entity objects can be treated as a sub-model, such as "WorkCell1" in the model. In the model, the sub-models are "Factory1" , "Factory2" , and "WorkCell1" . n represents the number of sub-models in the compared model. In the model, the sub-models are "Workshop1" and "Workshop2" . The second step involves calculating the similarity between the sub-models of the compared model and the sub-models of the benchmark model, resulting in the complete similarity matrix ALDS. Given the specific nature of discrete event simulation models, a mature graph isomorphism algorithm is employed to find the corresponding relationships between two graphs, capturing the connection relationships and layout structures. Additionally, graph edit distance is used to evaluate the similarity value between the two graphs. The third step involves normalizing the similarity values to ensure they fall within the range of 0 to 1, which facilitates subsequent analysis. The fourth step involves selecting the maximum value from each column of ALDS, which represents the highest similarity with the benchmark model for that particular column. This value is then used as the similarity value for comparison against the benchmark model.

[0124] This method takes into account the complete inclusion or partial inclusion relationship between the compared model and the benchmark model. For example, if a particular image in Model 2 has a high similarity value with a particular image in Model 1, the highest similarity value is selected as the similarity value for that image. This results in a similarity vector of size 1 x n, representing the similarity between the compared model and the benchmark model.ALDS′= [a1 a2 ... an] = [max (a11, a1j, . . ., a1m) max (a21, a2j, . . ., a2m) . . . max (an1, anj, . . ., anm) ] .

[0125] The fifth step involves calculating the average similarity value for each image to obtain the two-dimensional graphical layout similarity for the model, therefore

[0126] (b. 2) Data Structure Similarity: SDSS

[0127] The first step involves defining the correspondences between subtrees. Comparing the tags or attributes of nodes in two trees, if they are the same or similar, they are considered to be matched. For example, in Model 1, "Factory1" corresponds to "Workshop1" in Model 2; "Factory2" in Model 1 corresponds to "Workshop2" in Model 2; and "WorkCell1" in Model 1 has no corresponding subtree. When calculating the edit distance, it is necessary to define the correspondences between subtrees. On one hand, for two unknown models, their subtree correspondences are difficult to match directly; on the other hand, since the model's hierarchy is limited, its correspondences can be easily traversed. Therefore, a traversal matching method can be used for correspondence. For example, in Models 1 and 2, the data distributions of the two models are represented as trees TA and TB. Their root nodes are consistent, respectively consisting of subtrees "Factory1" , "Factory2" , "Workshop1" , and "Workshop2" . The potential subtree correspondences are "Factory1" + "Workshop1" , "Factory1" + "Workshop2" , "Factory2" + "Workshop1" , and "Factory2" + "Workshop2" , forming four combinations. Therefore, assuming there are n potential combinations. The second step involves calculating the edit distance. Calculating the edit distance TED (TA, TB) between trees TA and TB can be achieved by recursively calculating the edit distance between two subtrees. Let TED (A, B) be the edit distance between trees A and B, then:

[0128] Where, children (A) and children (B) are the sets of child nodes of trees A and B, respectively. In tree TA, inserting a node is considered costly and is denoted as ins (A) , while deleting a node in tree TB is considered costly and is denoted as del (B) . Changing the label or identifier of a node in either tree A or B is considered costly and is denoted as ren (A, B) . The third step involves normalizing the edit distance. To convert the edit distance into a similarity score, we need to normalize it. Assuming TEDmin Tis the minimum edit distance among all potential tree pairs (representing the best match) , and TEDmax is the maximum possible edit distance among all possible tree pairs, the normalized similarity S can be calculated using the following formula:

[0129] The value of SDSS will be between 0 and 1, where 1 indicates that the two trees are identical, and 0 indicates that the two trees are completely different.

[0130] (b. 3) Process Material Flow and Control Information Flow: SPMF

[0131] The first step: Run the simulation model and record the step sequence, processing objects, and trigger event associated object data for the entire life cycle of different material classes. In Model 1, for example, let's consider Part A. The first step involves generating Part A at the "Source" object. The second step is the processing of Part A in "Work Cell1. " The third step is the processing of Part A in "Facility2. " The fourth step is the processing of Part A in "Facility4. " The fifth step is the disappearance of Part A at the "Drain" object. When Part A arrives at "Facility2" (Arrival time) , the processing starts. After 10 minutes (Processing time) , Part A is completed, triggering the event for waiting to leave "Facility2. " These discrete events, including material flow and control information flow, are ultimately represented as data with time sequence information on the event axis.

[0132] In a simulation model, Control Information Flow (CIF) typically takes the following form: (a) Type of event (e.g., Part A processing completion, leaving the device) . (b) Scheduled processing time (e.g., the event of Part A processing completion and leaving the device is expected to be triggered 10 minutes later) . (c) Receiver of the event (e.g., Part A, which receives the planned processing time) . (d) Sender of the event (e.g., the device, which synchronizes the event needed for processing to Part A) . (e) Trigger time of the event (e.g., the time when Part A starts processing) .

[0133] For Part A, a material flow sequence data can be constructed, including the step sequence and the corresponding equipment, as well as the forward and backward connection relationships. By repeatedly recording the material flow of various parts multiple times until the data becomes repetitive, all potential material flow sequence data within the model and their control logic relationships for driving event occurrences can be obtained. One significant advantage of running the simulation model to record the material flow trajectories of different types of parts is that it can avoid hidden material flow paths controlled by programming languages during model building.

[0134] The second step: Remove duplicate data and construct several directed graphs based on object nodes. For the multiple material flow sequence data of Models 1 and 2, duplicate data is removed for each set of sequence data from each model. For each sequence data, consider merging the same nodes from different sequence data; if there are no identical nodes, it forms an independent directed graph. Finally, these graphs are merged to form several directed graphs. As shown below, assume Model 1 has n directed graphs and Model 2 has m directed graphs. For each directed graph, an adjacency matrix is constructed to express the information of its nodes and edges.

[0135] The third step: Perform similarity assessment on the directed graphs. Construct a m x n similarity matrix APMF= (aij)m×n, where m and n represent the number of directed graphs contained in the benchmark model 1 and model 2, respectively. Calculate the similarity between the sub-node models of the compared model and the benchmark model one by one, obtaining the complete similarity matrix APMF The specific calculation logic used is as follows:

[0136] Where, LCSij is the ratio of the number of shared nodes and edges of the longest common subgraph (Longest Common Subgraph, LCS) between the i-th directed graph G1i in Model 1 and the j-th directed graph G2j in Model 2 to the total number of nodes and edges in the two graphs. us and vs are the numbers of shared nodes and edges in the LCS, respectively. Ui and Uj are the numbers of nodes in G1i and G2j, respectively, and Vi and Vj are the numbers of edges in G1i and G2j, respectively.

[0137] The fourth step involves selecting the maximum value from each column of APMF, which represents the highest similarity with the benchmark model for that column. This value is then used as the similarity value for comparison against the benchmark model.

[0138] Embodiment of the present disclosure fully consider the complete inclusion or partial inclusion relationship between the compared model and the benchmark model. For example, if the similarity value between G1i in Model 2 and G2j in Model 1 is very high, the highest part is taken as the similarity value of the directed graph, resulting in a similarity vector of size 1 x n for the similarity matrix.APMF′= [a1 a2 ... an] = [max (a11, a1j, . . ., a1m) max (a21, a2j, . . ., a2m) . . . max (an1, anj, . .., anm) ]

[0139] The fifth step involves evaluating the similarity of the model by calculating the average similarity value for each directed graph.

[0140] (c) Synthetic Similarity Scoring:

[0141] The results of the scoring for the model's element composition indicator SVLS, the model element's attribute parameter indicator SDSS, and the model element association and control method indicator SPMF are normalized to obtain a unified scale S′VLS, S′DSS and S′PMF.

[0142] Through the weights wVLS, wDSS and wPMFfor the three indicators; wVLS+wDSS+wPMF=1; the overall model's comprehensive similarity scoring is achieved. The Comprehensive Similarity Evaluation Value (CSEV) is calculated as follows:CSEV=Max (S′PMF, wVLS×S′VDS+wDSS×S′DSS+wPMF×S′PMF) *100%.

[0143] This design allows for the adjustment of the contributions ofSVLS and SDSS, while still ensuring that when SPMFhas a high similarity, the overall similarity is mainly determined by SPMF. The setting of weights can be customized according to specific needs and scene differences. The corresponding CSEV results can be judged against specific similarity acceptance criteria to determine if they meet the requirements for similarity detection. The corresponding parameters can be configured and managed in the Acceptance Criteria Mgmt. module of the Configuration Service.

[0144] The application scenarios of embodiments of the present disclosure may include model similarity evaluation. After a user completes the construction of a simulation model, they plan to upload the model to the platform before performing a similarity assessment to prevent models with extremely high repetition. On one hand, this avoids redundancy in platform management due to a large number of repetitive or similar models; on the other hand, it also helps prevent plagiarism and protect originality and innovation to some extent.

[0145] After the evaluation is complete, the system provides two types of information to the user through the UI:

[0146] (1) Low similarity, give original certification feedback: If the similarity assessment results meet the requirements, the system provides a positive evaluation, such as a similarity below 20%, and allows the user to upload the model to the platform as a digital asset and obtain certification protection.

[0147] (2) Medium similarity, Model tracking: If the assessment results are relatively moderate, the model may reference or incorporate some content from other models, or it may have been updated and iterated based on the original model, such as a similarity between 20%and 60%. The system recommends comparing the model with similar models before obtaining certification protection. (3) High similarity, Rejection: If the similarity is too high, the system provides a negative evaluation and recommends models with high similarity. Users can check their model according to the system's suggestions. If the evaluation seems unreasonable or biased, users can appeal manually.

[0148] Embodiments of the present disclosure build a unified description language for digital twin simulation models that is compatible with different software vendors and different format model files, ensuring standardized expression of data. Comprehensive model similarity evaluation indicators and quantified similarity scoring methods. Objective algorithms are used to score model similarity, which is quantifiable. Automatic comparison and search for similar models. This enhances efficiency and improves the efficiency of model retrieval.

[0149] Fig. 6 is an exemplary structural diagram of an apparatus for determining similarity of DES models in digital asset management according to embodiments of the present disclosure. As shown in Figure 6, the apparatus for determining similarity of a DES model comprising: an obtaining module 601, configured to obtain a first DES model; a first determining module 602, configured to determine a structural feature of the first DES model; an identifying module 603, configured to identify a second DES model similar to the first discrete event simulation model from a DES model library comprising multiple DES models based on the structural feature; and a second determining module 604, configured to determine a similarity between the first DES model and the second DES model.

[0150] Embodiments of the present disclosure also propose an electronic device with a processor memory architecture.

[0151] Fig. 7 is a structural diagram of an electronic device according to an embodiment of the present disclosure. As shown in Figure 7, electronic device 700 includes a processor 701, a memory 702, and a computer program stored on memory 702 that can run on processor 701. When the computer program is executed by processor 701, the method for determining similarity of a DES model as described in either of the above is implemented. Among them, memory 702 can be implemented as various storage media such as electrically erasable programmable read-only memory (EEPROM) , flash memory, programmable program read-only memory (PROM) , etc. Processor 701 can be implemented to include one or more central processors or one or more field programmable gate arrays, wherein the field programmable gate array integrates one or more central processor cores. Specifically, the central processing unit or core can be implemented as a CPU, MCU, DSP, and so on.

[0152] It should be noted that not all steps and modules in the above processes and structural diagrams are necessary, and some steps or modules can be ignored according to actual needs. The execution sequence of each step is not fixed and can be adjusted as needed. The division of each module is only for the convenience of describing the functional division used. In actual implementation, a module can be divided into multiple modules, and the functions of multiple modules can also be implemented by the same module. These modules can be in the same device or different devices.

[0153] The hardware modules in each implementation can be implemented mechanically or electronically. For example, a hardware module can include specially designed permanent circuits or logic devices (such as dedicated processors, such as FPGA or ASIC) to complete specific operations. Hardware modules can also include programmable logic devices or circuits temporarily configured by software (such as general-purpose processors or other programmable processors) for performing specific operations. As for the specific use of mechanical methods, either dedicated permanent circuits or temporarily configured circuits (such as software configuration) to implement hardware modules, it can be determined based on cost and time considerations.

[0154] The above is only a preferred embodiment of the present disclosure and is not intended to limit the scope of protection of the present disclosure. Any modifications, equivalent substitutions, improvements, etc. made within the spirit and principles of this disclosure shall be included within the scope of protection of this disclosure.

[0155] Independent of the grammatical term usage, individuals with male, female or other gender identities are included within the term.

Claims

1.A method for determining similarity of a discrete event simulation model in digital asset management, comprising:obtaining (101) a first discrete event simulation model;determining (102) a structural feature of the first discrete event simulation model;identifying (103) a second discrete event simulation model similar to the first discrete event simulation model from a discrete event simulation model library comprising multiple discrete event simulation models based on the structural feature; anddetermining (104) a similarity between the first discrete event simulation model and the second discrete event simulation model.2.The method of claim 1, wherein the identifying (103) a second discrete event simulation model similar to the first discrete event simulation model from a discrete event simulation model library comprising multiple discrete event simulation models based on the structural feature comprises:determining a first vector representing the structural feature of the first discrete event simulation model;determining respective structural features of respective discrete event simulation models in the discrete event simulation model library;determining respective vectors representing the respective structural features;calculating respective distances between the first vector and the respective vectors;selecting a distance that is less than a predetermined threshold from the respective distances;identifying a discrete event simulation model corresponding to the selected distance as the second discrete event simulation model.3.The method of claim 1, wherein the determining (104) a similarity between the first discrete event simulation model and the second discrete event simulation model comprises at least one of the following:determining a first similarity between a two-dimensional graphical layout of the first discrete event simulation model and a two-dimensional graphical layout of the second discrete event simulation model;determining a second similarity between a data structure of the first discrete event simulation model and a data structure of the second discrete event simulation model;determining a third similarity between a process material flow of the first discrete event simulation model and a process material flow of the second discrete event simulation model.4.The method of claim 1, wherein the determining (104) a similarity between the first discrete event simulation model and the second discrete event simulation model comprises:determining a first similarity between a two-dimensional graphical layout of the first discrete event simulation model and a two-dimensional graphical layout of the second discrete event simulation model;determining a second similarity between a data structure of the first discrete event simulation model and a data structure of the second discrete event simulation model;determining a third similarity between a process material flow of the first discrete event simulation model and a process material flow of the second discrete event simulation model;normalizing the first similarity, the second similarity, and the third similarity, respectively to obtain a first normalized value for the first similarity, a second normalized value for the second similarity, and a third normalized value for the third similarity;determining a weighted sum of the first normalized value, the second normalized value, and the third normalized value;determining the similarity between the first discrete event simulation model and the second discrete event simulation model based on the maximum value between the weighted sum and the third normalized value.5.The method of any one of claims 3 to 4, wherein the determining a first similarity between a two-dimensional graphical layout of the first discrete event simulation model and a two-dimensional graphical layout of the second discrete event simulation model comprises:generating a similarity matrix ALDS, wherein ALDS= (aij)m×n, m is the number of sub-models in the second discrete event simulation model, and n is the number of sub-models in the first discrete event simulation model; aij represents a graph edit distance between the i-th sub-model of the second discrete event simulation model and the j-th sub-model of the first discrete event simulation model;generating a similarity vector ALDS′ based on the respective maximum values in respective columns of the similarity matrix ALDS;determining an average value of the elements in the similarity vector ALDS′ as the first similarity.6.The method of any one of claims 3 to 4, wherein the determining a second similarity between a data structure of the first discrete event simulation model and a data structure of the second discrete event simulation model comprises:determining the minimum number of edit operations required to transform the data structure of the first discrete event simulation model into the data structure of the second discrete event simulation model, wherein the edit operations comprise inserting nodes, deleting nodes, and replacing nodes;determining the second similarity based on the minimum number of edit operations.7.The method of any one of claims 3 to 4, wherein the determining a third similarity between a process material flow of the first discrete event simulation model and a process material flow of the second discrete event simulation model comprises:simulating an operation of the first discrete event simulation model and recording a first sequence of event data throughout the entire lifecycle of the simulation process;simulating an operation of the second discrete event simulation model and recording a second sequence of event data throughout the entire lifecycle of the simulation process;generating a first set of directed graphs for the first discrete event simulation model based on the first sequence of event data;generating a second set of directed graphs for the second discrete event simulation model based on the second sequence of event data;generating a similarity matrix APMF, wherein APMF= (aij)m×n, m is the number of directed graphs in the second set of directed graphs, and n is the number of directed graphs in the first set of directed graphs; wherein the process of determining aij comprises: determining the number of shared nodes and shared edges between the i-th directed graph in the second set of directed graphs and the j-th directed graph in the first set of directed graphs; calculating a first sum of the number of shared nodes and the number of shared edges; calculating a second sum of the number of nodes in the i-th directed graph of the second set and the number of nodes in the j-th directed graph of the first set; calculating a third sum of the number of edges in the i-th directed graph of the second set and the number of edges in the j-th directed graph of the first set; calculating a fourth sum of the second sum and the third sum; determining the ratio of the first sum to the fourth sum as aij;generating a similarity vector APMF′ based on the respective maximum values in respective columns of the similarity matrix APMF;determining an average value of elements in the similarity vectorAPMF′as the third similarity.8.The method of claim 1, comprises at least one of the following:allowing the first discrete event simulation model to be saved to the discrete event simulation model library when the similarity is less than or equal to a predetermined first threshold;rejecting the saving of the first discrete event simulation model to the discrete event simulation model library and issuing an alarm message when the similarity is greater than or equal to a predetermined second threshold;issuing a reminder message and, based on a user's selection operation, allowing the first discrete event simulation model to be saved to the discrete event simulation model library or rejecting the saving of the first discrete event simulation model to the discrete event simulation model library, when the similarity is greater than the predetermined first threshold and less than the second threshold;wherein the second threshold is greater than the first threshold.9.An apparatus for determining similarity of a discrete event simulation model in digital asset management, comprising:an obtaining module (601) , configured to obtain a first discrete event simulation model;a first determining module (602) , configured to determine a structural feature of the first discrete event simulation model;an identifying module (603) , configured to identify a second discrete event simulation model similar to the first discrete event simulation model from a discrete event simulation model library comprising multiple discrete event simulation models based on the structural feature; anda second determining module (604) , configured to determine a similarity between the first discrete event simulation model and the second discrete event simulation model.10.An electronic device, comprising a processor (701) and a memory (702) , wherein an application program executable by the processor (701) is stored in the memory (702) for causing the processor (701) to execute a method for determining similarity of a discrete event simulation model in digital asset management according to any one of claims 1-8.11.A computer-readable medium comprising computer-readable instructions stored thereon, wherein the computer-readable instructions for executing a method for determining similarity of a discrete event simulation model in digital asset management according to any one of claims 1-8.12.A computer program product comprising a computer program, upon the computer program is executed by a processor for executing a method for determining similarity of a discrete event simulation model in digital asset management according to any one of claims 1-8.

Images