網絡拓撲結構可視化方法研究與發展

王松，張野，吳亞東

?

網絡拓撲結構可視化方法研究與發展

王松1,2，張野1，吳亞東1

（1. 西南科技大學計算機科學與技術學院，四川 綿陽 621010；2. 中國工程物理研究院電子工程研究所，四川 綿陽 621010）

網絡拓撲結構可視化作為網絡檢測管理和網絡安全態勢感知的基礎，在呈現網絡的整體狀況和發現存在于網絡拓撲中的潛在規律方面發揮著重要作用。介紹了網絡拓撲結構可視化的基本內容，從網絡數據自身特點和用戶需求角度分析目前網絡拓撲可視化研究中存在的主要挑戰。抽象領域專家分析理解網絡拓撲結構中節點和連接狀況，洞察網絡拓撲信息中性能瓶頸、網絡安全、時變特性等潛在規律的過程，提出一個自頂向下的VPI分析流程模型，包括視覺接收、過程感知和交互參與。以VPI模型為指導，從視覺感知增強、時變過程增強以及探索式交互增強3個方面綜述了網絡拓撲可視化方法的研究現狀，并結合應用需求展望未來的發展趨勢。

視覺感知增強；時變過程增強；探索式交互增強；VPI模型

1 引言

網絡拓撲發現和顯示是現代網絡管理的首要工作，借助網絡拓撲結果可以了解當前的網絡運行狀態、判斷網絡擁塞、定位網絡瓶頸、發現網絡故障并分析發生的原因和位置，從而實現對整個網絡的運行狀態進行及時有效的監測和控制。可視化是一種通過交互式可視化界面來輔助用戶對大規模復雜數據集進行分析推理的科學與技術，將數據中各種抽象的信息轉化為圖形信息，并通過各種圖形交互技術，使人們加深對信息的理解和認識。網絡拓撲結構可視化將網絡節點的連接關系以點和線等構成的圖形圖像[1]進行呈現，能夠清晰直觀地反映網絡運行狀況，輔助人們對網絡節點、鏈路等各方面進行評估、預測和分析，有效地認識和了解網絡內部信息、規律和變化[2]。

近年來，計算機網絡發展迅猛，網絡結構的異構性、動態性、復雜性、發展的非集中性以及時變性等特征都給網絡結構分析研究帶來了巨大的挑戰。要及時、快速、正確、完整地獲取網絡拓撲信息，生成清晰穩定的拓撲圖，以圖形方式將網絡結構中的節點和連接狀況清晰展現出來，為用戶理解、分析目標網絡的整體狀況和發現存在于網絡拓撲的潛在規律是網絡結構可視化的研究重點和難點內容。

網絡拓撲可視化自提出以來經過多年的發展，已經取得了顯著的成果，在一定程度上解決了大量網絡數據和有效分析手段之間的矛盾。但隨著網絡數據規模劇增、拓撲結構復雜性增強，直接對其進行可視化會導致顯示重疊、層次信息難以觀察等問題，無法有效降低網絡分析人員的負擔。針對上述問題并結合領域需求，總結目前網絡拓撲結構可視化研究中主要存在的挑戰如下。1) 網絡節點和連邊數目過大時，借助多樣化的布局方式能夠有效觀察網絡整體拓撲結構。布局算法主要需要解決如何確定和分配映射在有限顯示空間內幾何圖形的各個節點和邊的具體位置，良好的拓撲布局算法能夠有效地避免顯示出來的拓撲結構圖中節點的重疊，能夠大大地減少拓撲結構圖中邊之間的交叉，能夠更加美觀大方地展示出要處理的網絡拓撲結構。2) 針對網絡時變數據在時空演化過程中可能出現的網絡規模和網絡結構劇變等情況，提供穩定的布局方式來避免大范圍的布局更新造成的認知混亂和理解難度。網絡時變數據中包含的網絡節點種類與數目在隨時間不斷變化，網絡節點之間的連接也在不斷出現與消失，網絡拓撲結構在節點出現與消失的過程中不斷發生變化。穩定的布局方式能夠保證在網絡拓撲結構大范圍變化的過程中用戶的關注焦點不會發生突變，保持用戶認知過程的連續性，降低對時變網絡拓撲結構理解的難度。3) 在網絡結構分析和挖掘中，能夠提供有效的協同交互策略，實現兼顧網絡高層次宏觀結構和低層次局部細節的特征分析過程。借助可視分析技術，用戶可以觀察并分析不同時間粒度下網絡拓撲結構的時變演化過程，逐層深入分析探究感興趣區域節點的內部結構及其在整個拓撲結構中的作用，對比觀察網絡節點多屬性之間的差異并分析特征區域內結構狀態以及多屬性變量之間的關聯性。

2 網絡拓撲結構可視化VPI分析模型

本文抽象信息安全領域專家分析理解網絡拓撲結構中節點和連接狀況，洞察網絡拓撲信息中性能瓶頸、網絡安全、時變特性等潛在規律的過程，提出一個自頂向下的VPI分析流程模型，包括視覺接收（vision）、過程感知（procedure）和交互參與（interaction）。該模型的主體思想是：提取網絡拓撲結構特征進行幾何映射，用戶對繪制結果進行觀察分析完成視覺接收，對于時變數據通過動畫模擬等表達方式展現網絡結構時變演化過程，從而幫助用戶思考歸納，構建對網絡數據時效性的基本理解；然后通過不斷迭代的交互反饋優化繪制結果，并借助其他硬件輔助設備完善用戶對大規模復雜網絡數據潛在信息特征和規律的認知。VPI模型是以網絡數據為中心的分析流程，融合了信息安全領域專家分析復雜網絡拓撲結構的幾種常見分析思路。1) 由整體到局部，通過可視化呈現掌握整體網絡布局結構，基于Foucs+Context理論實現迭代交互全方面展示用戶感興趣區域或節點的連接關系與運行態勢。2) 由表面到內部，可視化繪制結果給用戶直觀的視覺感知，借助交互操作與先進的硬件設備洞察網絡拓撲深層內部結構，完成對網絡結構數據的立體剖析。3) 由生疑到解惑，對于生成的網絡拓撲可視化呈現，用戶針對不同方面產生的問題，通過基于視覺認知的人機交互與硬件優化，最終理解并解決復雜的網絡監測、性能優化、故障分析和安全評估等問題。綜合近幾年網絡拓撲可視化領域相關的學術成果，大多研究主題集中在網絡拓撲可視化呈現的感知優化方面。以VPI模型為指導，將目前網絡拓撲可視化方向的主要研究進展劃分為視覺感知增強、時變過程增強以及探索式交互增強3個方面。圖1是基于VPI模型的網絡拓撲可視化分類結構的示意，本文按照該分類策略系統地整理了近幾年大部分代表性網絡拓撲結構可視化工作。

3 視覺感知增強類網絡拓撲可視化

視覺感知增強類網絡拓撲可視化方法主要側重于對直觀可視化呈現的優化，增強形狀、顏色、深度等信息，以提高視覺空間表現力，有效傳達網絡數據拓撲信息，從而為用戶提供更準確的視覺認知。嘗試解決的核心問題包括對幾何映射布局方式的優化，當網絡節點與連邊數目過大時仍能夠有效呈現拓撲結構；對研究者關心的結構特征進行提取與呈現，以及如何實現對特定區域與特定節點的局部細節呈現，減少由于對象間遮擋導致的感知偏差。

3.1 布局方式優化

本文網絡拓撲布局算法主要解決的問題是如何確定和分配映射在顯示界面上的幾何圖形的各個節點和邊的空間位置。一個良好的拓撲布局算法能夠有效地避免拓撲結構圖中節點的重疊現象，大大減少結構圖中邊之間的交叉問題，清晰美觀的拓撲呈現便于管理人員獲取網絡信息，進行網絡管理。拓撲布局算法可以分為物理布局方式和邏輯布局方式兩大類[3]。物理布局的主要思想是將節點的地理位置信息簡單地解析為與其對應的布局坐標，使在拓撲圖中能夠清晰地發現節點的位置信息以及節點之間的相對位置和相對距離。邏輯布局主要根據網絡拓撲得到的具體節點的情況設計分配節點的布局空間和布局策略，不依賴網絡節點的物理位置，更側重于網絡節點的相互關系和網絡拓撲圖的內在特性。

常用的拓撲布局算法如下。1) 樹形布局算法。樹形結構具有任意的深度和任意的寬度，所以樹形布局算法具有很強的適用性、通用性，同時樹形布局的結構簡單直觀，層次分明，連接顯示清晰易判斷。2)射線型布局算法[4]。樹形布局算法的極坐標顯示形式。射線型布局的最大優點在于空間利用率較高，分布相對比較均勻，在很大程度上避免了網絡節點扎堆布局在一起的問題。3) 層次型布局算法[5]。針對圖的內部層次結構關系特性對圖進行分層處理，在呈現大型網絡整體的同時，能夠詳細展示局部區域的連接關系。4) 網格型布局算法。將界面分割成方形的網格狀，直線交叉的位置安排網絡節點進行繪制，這種布局充分地平均了節點的顯示空間，從理論上杜絕了節點的重疊和網絡節點過于集中的問題。5) 力導向布局算法[6]。為拓撲圖中的頂點和邊賦予一定的物理性質，通過對具有物理性質的頂點和邊組成的系統的調整，使該物理系統達到一個力學平衡狀態，從而實現對拓撲圖的布局繪制。對于網絡結構簡單、節點數少、連接關系不復雜的網絡能夠有效解決連線密集、節點覆蓋、圖像聚集等問題。6) 啟發式布局算法[7]。采用分而治之的算法思想，將要處理的大型網絡通過一定的規則或者條件分割成若干個較小的區域和集群，根據局部區域的特點采用合適的布局算法對小區域進行排序和布局。該布局策略在整體和局部都能夠更好地體現出待處理網絡本身具有的網絡拓撲特性，在總體上大大降低了問題的規模和難度，布局效率明顯提升。但常見的這幾類拓撲布局算法仍然沒有解決當圖的規模變大時劇增的節點和邊導致的布局規模和布局約束問題。

一個好的拓撲布局算法需要滿足3個條件：1) 有效避免拓撲圖中節點的重疊；2) 拓撲結構圖中邊的交叉盡可能減少；3) 網絡拓撲滿足基本美學標準，如區域最小原則、邊交叉最小原則、節點密度均勻原則[8]。Chaturvedi等[9]提出了一種名為GIB（group-in-a-box）的布局方式。如圖2(a)所示（見彩插頁1），該布局方式為每個組繪制一個單獨的矩形框，根據組包含的節點數確定大小。這些矩形框在屏幕空間中不連貫地排列。然后，使用力導向、圓形、網格或其他可用的布局在相關的框中放置單個組。組布局是獨立于網絡的其余部分完成的。GIB布局可揭示組成員身份，本地組內網絡結構和成員屬性，這種有組織的安排對于其中由于節點和邊緣數量過多而隱藏組內關系的網絡特別有用；對于研究更廣泛的群際關系也是有價值的。Yoghourdjian等[10]提出了一種分組網絡的高質量超緊湊網格布局方法，利用LNS啟發式算法找到一個初始的解決方案，然后通過選擇一組節點進行迭代改進，并提出一種超緊湊的網格式網絡布局美學標準進行性能評估，高效地解決布局上的質量問題。Wu等[11]提出一種新穎的基于Voronoi樹圖的聚類布局方式。該方法先計算群體的屬性、群體間的關聯度等信息，根據群體的內部連接性、外部連接性及其組合以各種方式計算該群體的質量，最后借助格式塔定律對群體進行聚類。這種布局方式能更好地顯示節點群體間的關聯和分析其層次結構，如圖2(b)所示（見彩插頁1）。

圖2 針對布局方式優化的網絡拓撲可視化

3.2 減少視覺混亂與遮擋

結合人類在認知外部事物的過程中，充分利用了能夠感知到的所有視覺信息來理解周圍的世界。從視覺呈現的角度，對象間的遮擋會導致用戶在感知上發生偏差引起認知錯誤，而大規模網絡節點和邊的繪制所導致的視覺混亂與遮擋問題隨處可見。如何有效地呈現大規模網絡結構內在的復雜性，實現視覺空間表現力極大化，盡量避免視覺遮擋與混亂現象，是視覺感知增強類網絡拓撲可視化方法的一個核心研究方向。目前的研究思路分為2種：一是在盡量不減少原圖信息量（包括邊和節點的數目）的前提下對圖進行邊綁定；二是根據信息可視化的信息分級原則，對大規模圖進行層次化簡化。

邊綁定算法的核心思想是在保持信息量（即不減少邊和節點總數）的情況下，將圖上互相靠近的邊捆綁成束，從而達到去繁就簡的效果。Cui等[12]提出的基于幾何的邊綁定方法第一次成功地解決了對任意圖的邊綁定問題。基本思想是在圖上生成均勻的輔助網格，計算網格內邊的平均走向，通過對相似網格進行合并實現對邊走向的調整。Peng等[13]提出SideKnot綁定算法，與傳統方法在中段進行合并不同，采取了在邊靠近節點一側按照走向進行綁定的策略，對連接到節點的所有邊按其走向進行聚類，再對每個類根據邊的平均方向和長度產生一系列控制點，最后以B樣條的方式生成可視化效果，如圖3(a)所示（見彩插頁2）。Hurter等[14]提出基于核心密度估計的邊綁定技術，先使用內核密度估算方法將給定的大圖轉化為密度圖，對該密度圖的梯度進行邊緣平流并反復迭代該過程，從而提供一個獨立光滑的邊綁定結構圖，最后采用一種新的陰影技術來提高邊綁定的視覺效果。在此基礎上，Peysakhovich等[15]提出了一種屬性驅動邊綁定技術，如圖3(b)所示（見彩插頁2），該算法先對多個屬性進行兼容從而構成綁定圖，分別計算邊緣的方向和時間戳這2個流向圖，然后計算這2個屬性的子空間，再在這2個子空間的交集上計算出梯度，最終計算出多變準集合布局完成邊綁定。屬性驅動邊綁定技術是一種基于邊緣性兼容方案的新型框架，能夠根據一或多個數值的邊緣屬性定義綁定圖的兼容性，并支持GPU加速算法處理大規模數據集。Bach等[16]提出一種CD（confluent drawing）邊綁定技術，對每個集合節點新建節點，將集合節點之間的連接關系轉換成新建節點之間的連接。與傳統的空間邊綁定技術相比，該方法的優點在于能夠按照圖的拓撲結構進行邊綁定，綁定結果更加注重圖的連接關系。在提供給用戶復雜連接圖全局概覽的同時，通過邊的粗細與顏色深度呈現圖中主要連接關系的信息，有效減少在圖繪制中邊的混亂程度。Bouts等[17]提出一種新的鏈接聚類和路由算法來實現邊綁定。該算法通過完全成對分離方法對鏈路集群進行分類，采用貪心稀疏方法實現路由繪制和鏈接排序，從而通過支持用戶自定義鏈路集群和路由算法計算鏈路路由，減少節點連接圖繪制方式中出現的視覺混亂，如圖3(c)所示（見彩插頁2）。

圖的拓撲結構包括節點和邊2個部分，圖的簡化算法一方面對邊進行提取，另一方面將強連通的節點進行聚類，從而將聚類后的節點集作為一個新的超級節點繪制到可視化結果中。Rosvall等[18]采用社區發現算法對節點進行聚類，如圖4(a)所示（見彩插頁3），原有的6 000多個節點被迅速縮小為88個超級節點，每個節點代表一個聚類，而節點的大小則被編碼為聚類中原來節點的數目。Liao等[19]針對大規模復雜網絡采用力導引布局呈現網絡訪問圖，對于大型網絡的節點連接圖可能出現連線混雜等問題，通過基于網絡拓撲信息的圖壓縮方法對圖進行簡化，利用中心點將網絡的主機分成幾個區域，從而大大簡化了連接復雜度，并且凸顯了關鍵主機。Shi等[20]提出一種用于大型異構網絡的探索式可視分析集成框架OnionGraph，通過可擴展的算法創建基于屬性的聚合，并對各種結構的等價網絡進行分區，從而結合語義和拓撲信息進行分層抽象，實現對異構網絡不同級別的查看。通過交互式探索，用戶可以在網絡上創建多個分層的焦點。每個聚焦的子網絡都與一個獨立的抽象概況相關聯，如圖4(b)所示（見彩插頁3）。Zinsmaier等[21]提出一種層次渲染的顯示方法，采用基于密度的節點和邊聚類表現方式解決視覺混亂問題。如圖4(c)所示（見彩插頁3），首先采用核密度估計算法創建密度場實現節點聚合，借助攀爬算法實現與聚合節點在視覺上耦合的邊聚合，從而允許用戶交互式分析不同細節層面的直線大圖繪制結果。

圖3 基于邊綁定技術的視覺呈現優化

圖4 基于圖簡化技術的視覺呈現優化

4 時變過程增強類網絡拓撲可視化

時變過程增強類網絡拓撲可視化方法主要側重于呈現網絡數據的動態特性，追蹤拓撲結構的時間演變過程，有效表達節點和連線的數量和屬性等信息隨時間的變化過程，幫助用戶更有效地理解復雜網絡的拓撲結構，提高對動態網絡數據的過程感知。綜合目前動態網絡拓撲可視化研究成果，大體劃分為兩類主要的增強方法。1) 時變過程動畫法。通過動畫等刻畫時變信息的方式描述時變過程，幫助用戶基于時間流的方式直觀了解圖演化過程，增強對復雜網絡數據的時變認知。2) 特征跟蹤法。動態圖突然性的結構變化可能破壞用戶的思維地圖，繼而破壞結構的穩定性。通過數據挖掘技術結合時間線等呈現方式有效跟蹤結構特征變化，提高時變認知效率。

4.1 時變過程動畫

由于時變網絡的動畫表達是將其時間序列直接映射到可視化的時間軸，構建一個隨時間演化的動畫布局序列，適合用戶觀察動態圖在整體上的變化趨勢。而單純的動畫呈現只是簡單的布局直接轉換，瞬間改變的信息容易給用戶造成認知困難。目前廣泛采用的方法包括動畫過渡和增量式布局2種方法。動畫過渡技術通過在布局之間的轉換過程中增加一個階段過渡，Benjamin等[22]設計的GraphDiaries系統在增減元素、轉換布局等過程中都增加了過渡階段來有效降低用戶識別、跟蹤和理解動態網絡的變化過程。如圖5(a)所示（見彩插頁4），在刪除元素階段設計圍繞頂點和邊的紅暈漸入動畫，在增加元素階段設計圍繞頂點和邊的藍暈先漸入再消失，在轉換布局過程中將保留的頂點和邊光滑的移動到新位置等動畫。Griffen等[23]通過動畫過渡技術和“小倍數多重顯示方法”的實驗對比，發現動畫過渡技術能夠更準確和快速地發現動態圖中空間和時間的聚類。Lin等[24]采用模擬退火算法保持動態圖中的思維地圖。思維地圖是用戶觀察動態圖可視化時在大腦中形成的抽象結構信息，通過動畫過渡技術維護用戶的思維地圖，保持網絡布局的穩定性。

增量式布局方式是在時空演化過程中通過相對穩定的布局方式有效應對可能出現的網絡規模劇變等情況，減少大范圍的布局更新造成的認知混亂和理解難度。Fisherman等[25]針對包含潛在分組的頂點集提出一種增量布局算法，在動態演化過程中維持網絡的聚類結構，避免大量節點的位置改變。在此基礎上，文獻[26]為了維持網絡的全局結構，提出一種在線動態圖繪制算法。如圖5(b)所示（見彩插頁4），該算法通過減少節點位移來保持用戶的意象圖，同時允許對連續的布局進行任意的增量修改。算法支持GPU加速并采用各種剔除方法減少布局時間，從而能夠處理較大規模的網絡數據。Che等[27]提出一種基于拉普拉斯的動態布局方法來保持時變圖的整體結構。依據統一的節點分布和最小的交叉數量等審美標準，通過拉普拉斯嵌套距離約束算法對初始布局進行優化，支持自由地調整節點位置來保持圖形組件的形狀，同時支持用戶自定義參數來保留意象圖的程度，如圖5(c)所示（見彩插頁4）。

4.2 特征跟蹤

特征跟蹤法主要針對時變網絡復雜結構進行劃分，強調網絡的層次化構成；突出重點環節的時變演化特性，并通過對比分析增強對時變演化過程關鍵步驟的理解認知。依據聚焦特征的不同，以及不同層次特征的呈現方式不同，特征跟蹤法表現出不同類型的可視化繪制效果。Kumar等[28]通過基于邊的分布構建層次模型，將復雜時變網絡圖以一種層次化的方式呈現。該布局重點關注中心節點和有代表性的節點，能夠創建清晰的時變動畫，保持幀間一致性，同時支持對節點和邊的過濾交互，使用戶能夠深入查看細節，如圖6(a)所示（見彩插頁5）。James等[29]解決了數據規模達幾十萬個節點和數百萬條邊的動態網絡可視化問題，為了發現和跟蹤重要的網絡元素，該文提出興趣度的概念，它量化每個時間步上每個圖形元素的興趣程度，充分考慮動態圖中相鄰結構信息、節點或者邊的屬性數值以及它們隨時間的變化。如圖6(b)所示（見彩插頁5），為了有效地分析全局概覽和局部細節2個層次，該文在分析局部改變的同時保持全局動態網絡的抽象視圖。這樣具有高興趣度的元素在細節層次上被跟蹤，低興趣度的元素只在全局概覽層次上整體顯示時被跟蹤。Cui等[30]提出一種GraphFlow的表現方式分析時變網絡數據，采用一種靜態流的編碼方式呈現網絡圖中節點、邊等度量屬性的演化過程，并引入能量的概念定量分析特征屬性的變化量，方便用戶輕松識別演化圖中的關鍵部分。此外，通過關聯一組排列良好的節點鏈接圖，GraphFlow支持用戶比較不同時間點的詳細網絡拓撲結構，如圖6(c)所示（見彩插頁5）。

圖5 基于過程動畫的時變網絡拓撲可視化

5 探索式交互增強類網絡拓撲可視化

網絡拓撲可視化算法除了視覺呈現部分，另外一個核心要素是用戶交互。交互是用戶通過與系統之間的對話和互動操作和理解數據的過程。交互操作有效地緩解了有限的可視化空間和數據過載之間的矛盾，幫助拓展可視化中信息表達的空間，從而解決有限空間與數據量和復雜度之間的差距。同時交互能讓用戶更好地參與對數據的理解和分析，幫助用戶探索數據、提高視覺認知。Shneiderman[31]早期提出可視化信息搜索的基本原則，歸納了幾種最基本交互操作，包括概覽、縮放、過濾、按需提供細節、關聯、記錄和提取。Kein[32]提出了5類交互模式：投影、過濾、縮放、失真變形、鏈接與刷動。Ward等[33]在按照交互操作分類的基礎上，進一步提出了更完善的框架，定義交互為操作符和操作空間的組合。其中，操作符包括3類：導航、選擇和變形；操作空間包括6種：屏幕空間、數據值空間、數據結構空間、屬性空間、對象空間和可視化結構空間。大多可視化中交互技術都可以按照上面描述的操作符和操作空間表示。綜合近幾年網絡拓撲可視化方面的交互研究，主要的研究熱點如下。1) 焦點+上下文交互。致力于顯示用戶興趣焦點部分的細節信息，同時體現焦點和周邊的關系關聯，整合當前聚焦點的細節信息與概覽部分的上下文信息。2) 直接交互。通過直觀的交互方式直接操作于可視化繪制結果，提高交互效率與交互結果的可預測性，降低用戶認知困難、精力分散等交互障礙。3) 關聯性交互。借助可視分析技術，深入探究網絡數據的深層隱含信息與特征之間的關聯性，采用多視圖等表達方式幫助用戶同時觀察網絡的不同屬性，支持從不同角度和不同顯示方式觀察數據，提高對復雜網絡拓撲結構的認知深度。4) 沉浸式模擬。它是虛擬現實技術與網絡拓撲可視化技術的有效結合，借助直觀的立體成像、三維交互、立體聽覺和三維觸覺反饋等保證用戶在虛擬環境中的沉浸感，提高分析和理解網絡結構數據的效率和質量。

圖6 基于特征跟蹤的時變網絡拓撲可視化

5.1 焦點+上下文交互

焦點+上下文作為信息可視化領域的常用交互方式，其基本思想是將用戶關心的區域定義為焦點區域，采用高亮等方式顯示細粒度信息；其他區域作為上下文區域，通過聚合等操作顯示粗粒度信息。該概念被引入網絡拓撲可視化中后，在提高繪制效率的同時，能夠有效地處理龐大數據集中提取用戶感興趣部分的問題，有利于解決三維映射阻塞現象，受到大量網絡拓撲結構可視化研究人員的青睞。Robert等[34]開發了網絡可視化系統VISUAL用于感知內外網主機通信模式，采用主機位置固定策略，內網主機的網絡矩陣在中心區域，外網主機分布在四周，從連線的多少和外網主機方塊大小可以很直觀地發現一些異常活躍的內外網主機，主機位置固定策略能夠保持良好的主機邏輯拓撲關系。支持“先概覽，然后縮放和過濾，最后根據需求詳細分析”的交互過程幫助用戶建立對網絡活動模式的精準理解。文獻[20]提出的可視化集成框架OnionGraph中，網絡節點的子集可以在分層的焦點+上下文交互模型下進行靈活的分割和合并。通過交互式探索，用戶可以在網絡上創建多個分層的焦點，每個聚焦的子網絡都與獨立的抽象概況相關聯，從而實現對復雜網絡的多層次分析。Feng等[35]提供一種新的時變網絡繪制方法，采用超圖的概念保持網絡數據的時空一致性，同時支持多焦點+上下文的交互方式維持交互過程的動態穩定性，通過阻止節點尺寸和位置發現突變來保護用戶的思維地圖，從而提供可讀性更強的視覺效果，如圖7(a)所示（見彩插頁6）。魚眼變換[36]也是一種基于焦點+上下文技術的常用交互手段，它使用一種焦距極短并且視角接近于180°的鏡頭，在突出正前方物體的基礎上，覆蓋角度所及的范圍最廣。通過魚眼技術在網絡拓撲圖分析過程中可以根據用戶關注的焦點進行有針對性的縮放，從而揭示局部區域內節點的連接關系。Tominski等[37]采用魚眼樹形視圖和組合透鏡來支持對網絡拓撲視圖的可視化探索。如圖7(b)所示（見彩插頁6），通過魚眼扭曲算法實現對聚類圖層次結構的分析，組合透鏡技術促進對大規模稠密拓撲布局的信息呈現，其中，局部邊透鏡用于解決圖的邊遮擋問題，鄰居透鏡用于呈現當前聚焦節點的鄰接節點。Van等[38]將網絡拓撲聚類抽象成大顆粒的節點，同時邊也根據聚類特征聚合為不同粗細的集束，當用戶希望瀏覽具體的細節時，可通過透鏡將抽象結構逐級細化，最終分解成準確的結構。如圖7(c)所示（見彩插頁6），當透鏡接近顆粒時，顆粒開始分解，完全被透鏡覆蓋的區域顯示具體而準確的圖結構。針對規模特別龐大的圖結構，Gansner等[39]提出拓撲魚眼技術，先計算出復雜網絡拓撲結構在不同尺度下簡化后的結構表達，當用戶指定了關注區域后，不同層級的簡化結構表達被混合顯示，以達到從關注區域到外沿細節不斷減少的效果，最后在關注區域實施魚眼式的徑向放大，從而既保持足夠的細節信息，又不丟失原圖結構粗略的輪廓。

5.2 直接交互

直接交互方式通過直接操作可視化繪制結果進行更深層次的挖掘與分析，有效地提高交互效率與交互結果的可預測性，降低用戶認知困難、精力分散等交互障礙。Frisch等[40]在交互式顯示屏上采用多點觸控和筆手勢實現對網絡拓撲圖的交互式結構編輯和草圖繪制。如圖8(a)所示（見彩插頁7），以網絡圖分析需求為核心設計了筆手勢集合，包括創建圖元素（節點、邊）、選擇和移動節點、刪除圖元素、修改邊類型、成比例縮放和移動等。Schmidt等[41]對圖可視化中的多點觸屏交互技術進行了深入的研究。針對節點?鏈路的布局方式，設計了一系列的交互集合實現對網絡圖中邊的探索分析，有效解決節點?鏈路布局中邊數目過多造成的視覺遮擋。交互操作包括接觸拉動、接觸定位、接觸波動、接觸綁定和透鏡扭曲。Prouzeau等[42]在大屏顯示墻上借助多用戶觸控交互來探索網絡圖的拓撲結構，重點關注用戶間協同交互來提高對復雜拓撲圖的理解效率和準確性，包括局部區域選擇和從原始節點擴散的過程選擇交互，如圖8(b)所示（見彩插頁7）。Kister等[43]將可被檢測位置的移動設備和大屏結合起來，利用移動設備交互自然和大屏幕顯示信息豐富的優點，設計一套全面的交互模型支持對網絡圖的交互、分析任務，包括選擇、展示細節、焦點轉換、交互式透鏡、數據編輯等。如圖8(c)所示（見彩插頁7），用戶通過觸摸、單擊、移動等肢體動作直接操控移動設備，從而實現對大屏幕顯示場景的探索式交互。

圖7 基于焦點+上下文交互的網絡拓撲可視分析

圖8 基于直接交互的網絡拓撲可視分析

5.3 關聯性交互

多變量可視化領域的交互基本上已經形成，其以多關聯視圖為基礎，分析視圖用于顯示和分析屬性關系，主呈現視圖用于顯示網絡拓撲結構特征，使用高維傳輸函數和畫刷及其衍生技術為特征選取技術，以焦點+上下文或其他變種為數據和特征顯示方法的基本框架。關聯性交互是多變量可視化交互的基礎和重要手段，在分析變量之間的相互關系以及建立數據空間和各種抽象空間的聯系方面，有著無可替代的作用。近年來，多變量大規模時變網絡數據越來越復雜，網絡數據分析越來越抽象，大多研究工作的研究重心逐漸偏向于對網絡屬性之間的關系和變化趨勢的分析。Rufiange等[44]提出的DiffAni系統針對時變網絡數據采用混合差分圖和動畫技術，通過按時間排序的連續塊可視化動態圖，其中每個塊包含一個或多個時間步布局。DiffAni支持3種類型塊：差分塊顯示某時間段內各時間步布局之間的差異；動畫塊顯示某時間段內布局的變化過程；小組圖塊顯示某時間步的動態圖狀態。通過各個模塊之間的協同交互可以快速識別網絡拓撲改變，定位跟蹤感興趣的頂點。Ko等[45]利用多視圖綜合各種可視化技術探索高維多變量的時空網絡數據，并提出Petal和Thread可視表達共同有效地呈現具有多變量屬性的動態有向網絡，其中，Petal表示網絡數據的概覽視圖，Thread編碼節點多變量屬性的關聯細節。該方法還有效地利用信息理論模型實現跨維度的異常檢測、異常的高亮顯示和探索過程的管理，如圖9(a)所示（見彩插頁7）。Hadlak等[46]采用相關時間屬性聚類算法支持對動態網絡拓撲結構的可視分析。如圖9(b)所示（見彩插頁7），通過在時間維度上對節點或邊的屬性進行聚類，將原始的圖數據劃分成多個聚類，把每個聚類當作節點構造超圖，通過相似度視圖、多尺度時間屬性圖、全局網絡視圖相互關聯來交互探索和改善聚類結果，進一步指導用戶分析動態網絡。Dang等[47]提出一種新穎的可視化展示形式TimeArcs來可視展示、分析動態圖中的波動模式。在TimeArcs構建過程中，根據節點的權重和節點與節點之間的關聯強度，過濾出重要的關聯關系；并在力導向布局算法中添加限制，對剩余的節點及其關聯關系進行布局。在可視化階段，采用直線表示節點，曲線連接2個具有關聯關系的節點。Elzen等[48]提出一種新穎的方法來分析動態圖的變化模式。如圖9(c)所示（見彩插頁7），將每個時間步的網絡轉換成高維向量，將這些高維向量投影到二維平面，用點表示。投影后得到的布局中，每個點表示一個時間步的snapshot，每條邊連接了2個相鄰時刻的頂點。通過不同視圖間的關聯互動可以有效地幫助用戶探索分析動態圖的穩定狀態、重現狀態、異常狀態以及狀態與狀態之間的轉移過程。

圖9 基于關聯性交互的網絡拓撲可視分析

5.4 沉浸式模擬

沉浸式模擬通過在深度信息增強的虛擬環境中支持直接交互數據，為用戶提供一種更具體的主動學習方式。Dede[49]的研究表明，沉浸式模擬借助多維視角、情境學習和場景變換，能夠幫助用戶個體更好地理解并保留空間信息，有效分析復雜現象。虛擬現實技術與網絡拓撲可視化技術的結合，從本質上拓展了人機交互手段，有效地提高了分析和理解網絡結構數據的效率和質量。Tong等[50]將沉浸式引入三維圖可視化中，以Oculus Rift + Leap Motion為開發平臺，借助空間變形模型和鏡頭形狀模型，在有效解決視覺遮擋等現象的同時，可保持三維空間結構特征；并在沉浸式環境下凸顯深度信息，為解決三維圖可視化中視覺遮擋與覆蓋問題提供了新的思路，如圖10(a)所示（見彩插頁8）。在此基礎上，Huang等[51]針對沉浸式環境中的手勢交互問題，從直覺感受、操作可行性和符合人體工程學3個角度出發，設計了8種手勢交互動作，并通過引入虛擬彈簧模型緩解原始手勢異常抖動等問題；最后從精確度、操作難度、完成時間和用戶體驗等方面驗證沉浸式模擬下手勢交互在探索網絡結構可視化方面的有效性。Kwon等[52]為了在沉浸式環境下取得更良好的立體視覺效果，將網絡節點通過球心投影算法映射到球面上，并采用球面線性插值改進的de Boor算法將所有邊以邊綁定的方式呈現在球面的表面上，再采用深度路由方法將邊拉出球面，減少邊與點的交叉和遮擋，從而提高沉浸式環境下對網絡數據的分析理解精度和效率，如圖10(b)所示（見彩插頁8）。Cordeil等[53]則通過實驗對比在傳統CAVE沉浸式虛擬現實環境和頭戴式設備HMD這2種沉浸式環境下完成網絡圖連通性探索任務時的性能表現、合作效果和用戶體驗，證明HMD在完成分析任務的效率和沉浸式肢體交互性能上的優越性，如圖10(c)所示（見彩插頁8）。

6 網絡拓撲可視化工具

網絡可視化工具種類、數量繁多，目前市場上主流的通用網絡可視化工具包括NodeXL、Gephi、Cytoscape、yEd、GraphViz等，這些工具功能豐富、適用性強，并不局限于特定的使用目的。其中，NodeXL是一個免費的Execl插件，專門設計用于自動收集社交網絡數據，為圖組織數據以及可視化圖，主要用于分析社交網絡。Gephi是一款開源、免費跨平臺、基于JVM的復雜網絡分析軟件，主要用于各種網絡和復雜系統，動態和分層圖的交互可視化與探測開源工具。Gephi提供了各類代表性圖布局方法并允許用戶進行布局設置，支持時變網絡數據可視化并支持用戶實時過濾網絡，從過濾結果建立新網絡。Gephi使用聚類和分層圖的方法處理較大規模的圖，通過加速探索編輯大型分層結構圖來探究多層圖，如社交區和網絡交通圖；利用數據屬性和內置的聚類算法聚合圖網絡。Gephi適用于處理大規模網絡數據，處理的圖規模上限約50 000個節點和10 000 000條邊。Cytoscape是一個提供開源的網絡可視化和分析軟件系統。Cytoscape提供了直觀的界面，可用來創建可視化及可視化交互，與其他軟件包相比，具有更加廣泛的視覺特性，靈活的映射、注釋和交互式輸出。幾乎任何視覺特性都可以被映射到數據，包括大小、顏色、節點邊框顏色、節點邊框寬度、節點透明度、邊的線條類型、邊的透明度等。其最初是專注于生物網絡的可視化和相關數據的融合，隨著功能不斷地擴展，已經成為面向各種復雜網絡的可視化工具。不過強項依然是生物網絡，最吸引人的是眾多的插件和強悍的數據融合能力以及其強悍的互動能力。yEd提供了很強的通過鼠標單擊創建和編輯圖的能力，能夠生成特殊類型的圖，同時提供許多健壯的布局和良好的標簽處理能力，并能夠根據布局規則布置多次拐彎的連接。GraphViz是由貝爾實驗室設計的一個開源的圖形繪制工具，支持Windows、linux和Mac等各種操作系統，使用一個特定的DSL（領域特定語言）——dot作為腳本語言，并使用布局引擎解析此腳本，提供自動布局算法。GraphViz的dot腳本語言非常簡單方便，而且提供了大量的自動布局算法和豐富的導出格式供用戶選擇。支持將結構輸出整合到文本、網頁和應用程序。它的強大還主要體現在“所思即所得”，即用GraphViz來繪圖時，GraphViz會安排好各種事情，不用自己思考太多。雖然這些工具或軟件包都有各自的功能特點，但在可擴展性、大規模數據處理、表現方式優化、自主可控等方面仍然存在諸多缺陷。

圖10 基于沉浸式模擬的網絡拓撲可視分析

7 結束語

本文首先介紹了網絡拓撲結構可視化基本理論，從網絡數據自身特點和用戶需求角度分析網絡拓撲可視化的基本特點與要求。結合近年的研究工作，總結了目前網絡拓撲結構可視化研究中存在的主要挑戰。文中介紹了感知增強類網絡拓撲可視化方法的基本理論，抽象領域專家分析理解網絡拓撲結構中節點和連接狀況，洞察網絡拓撲信息中性能瓶頸、網絡安全、時變特性等潛在規律的過程，提出一個自頂向下的VPI分析流程模型，包括視覺接收、過程感知和交互參與，并以VPI模型為指導，從視覺感知增強、時變過程增強以及探索式交互增強3個方面分析目前網絡拓撲可視化方向主要的研究進展。其中，視覺感知增強類網絡拓撲可視化方法包括布局方式優化和減少視覺混亂與遮擋這2個方面，從不同角度提高視覺空間表現力，從而提供更準確的視覺認知。時變過程增強類網絡拓撲可視化包括時變過程動畫和特征跟蹤，重點突出時變網絡數據的演化過程與復雜結構，提高對動態網絡的結構感知、過程理解和時變認知。探索式交互增強類網絡拓撲可視化包括焦點+上下文、直接交互、關聯性交互和沉浸式模擬，通過不同類型的交互操作有效緩解了有限的可視化空間和數據過載之間的矛盾，幫助拓展可視化中信息表達的空間，實現從不同角度和不同顯示方式觀察數據，提高對復雜網絡拓撲結構的認知深度。不同類型的感知增強類網絡拓撲可視化方法基本原理、核心步驟與依賴條件各不相同，但都圍繞有效展現網絡拓撲結構特征、各屬性間的相互作用及其復雜的時變網絡演化過程，為用戶提供良好的網絡拓撲可視化分析環境，提高網絡數據處理效率和可視分析能力這一研究目標在進行不斷的算法改進和理論創新。

隨著數據規模的繼續擴大，屬性信息的不斷增加，以及在用戶應用需求方面精細化、實用化和普適性要求越來越高，給網絡拓撲可視化的不同研究方法帶來新的發展機遇和挑戰。

1) 視覺感知增強方面。布局方式上的基本模型樣式趨于飽和，構造更新穎的網絡拓撲布局算法不再是主流研究方向，更加趨向于以多種可視化表現方式綜合繪制的方法提高視覺表現力。針對大規模網絡節點和邊的繪制所造成的視覺混亂和遮擋問題仍然會是主要難點問題。同時強調布局算法方法的普遍適用性和實用化，要求算法設計與用戶關心的對網絡拓撲結構的理解認知緊密結合，促進新技術方法的推廣應用。

2) 時變過程增強方面。隨著數據的特殊性和結構復雜性不斷提高、數據流的規模擴大，如何在動畫呈現中保持用戶的思維地圖，通過相對穩定的布局方式有效應對可能出現的網絡規模劇變等情況，減少大范圍的布局更新造成的認知混亂和理解難度，有效呈現易于理解的層次結構和特征時變演化過程，高效地挖掘和分析隨時間演變的流動規律。

3) 探索式交互增強方面。直接交互方式將在大屏超分辨率繪制中發揮越來越重要的作用。同時隨著多變量網絡數據越來越復雜，網絡數據分析越來越抽象，研究重心將圍繞對數據屬性之間的關系和變化趨勢的分析。關聯性交互借助可視分析技術，深入探究網絡數據的深層隱含信息與特征之間的關聯性，在分析變量之間的相互關系以及建立數據空間和各種抽象空間的聯系方面有著無可替代的作用。同時隨著虛擬現實技術的火熱發展，沉浸式模擬將成為未來可視化展示的主流方式，先進的增強現實技術如何借助輸入設備和顯示屏與可視化繪制過程完美結合，開展在通過沉浸式模擬和交互提高網絡拓撲結構可視化質量以及分析和理解網絡數據的效率等方面深入的研究勢在必行。

[1] ROHRER R, SWING E. Web-based information visualization[C]//IEEE Computer Graphics and Applications. 1997: 52-59.

[2] 王宇曉.大規模網絡拓撲可視化研究[D]. 北京：北京理工大學, 2016.

WANG X Y. Research on large-scale network topology visualization[D]. Beijing: Beijing Institute of Technology, 2016.

[3] 張偉明, 羅軍勇, 王清賢. 網絡拓撲可視化研究綜述[J].計算機應用研究, 2008, 25(6): 1606-1610. ZHANG W M, LUO J Y, WANG Q X. Survey on network topology visualization[J]. Application Research of Computers, 2008, 25(6): 1606-1610.

[4] GRAHAM J W. Nicheworks-interactive visualization of very large graphs[J]. Journal of Computational and Graphical Statistics, 1999, 8(2): 190-212.

[5] SUGIYAMA K, TAGAWA S, TODA M. Methods for visual understanding of hierarchical systems[J]. IEEE Transactions on Sys-tems Man & Cybermetics, 1981, 11(2):109-125.

[6] AU S C, LECKIE C, PARHAR A, et al. Efficient visualization of large routing topologies[J]. International Journal of Network Management, 2004, 14(2):105-118.

[7] 何鵬, 陸建新, 施佺, 等. 一種園區級網絡拓撲圖布局算法[J].微計算機信息, 2007, 23(3): 143-145.

HE P, LU J, SHI Q, et al. A campus scale network map layout algorithm[J]. Microcomputer Information, 2007, 23(3): 143-145.

[8] WARE C, PURCHASE H, COLPOYS L, et al. Cognitive measurements of graph aesthetics[J]. Information Visualization, 2002, 1(2): 103-110.

[9] CHATURVEDI S, DUNNE C, ASHKTORAB Z, et al. Group- in-a-box meta-layouts for topological clusters and attribute-based groups: space-efficient visualizations of network communities and their ties[J]. Computer Graphics Forum, 2014, 33(8): 52-68.

[10] YOGHOURDJIAN V, DWYER T, GANGE G, et al. High-quality ultra-compact grid layout of grouped networks[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 339-348.

[11] WU Y, WU W, YANG S, et al. Interactive visual summary of major communities in a large network[C]// IEEE Pacific Visualization Symposium, 2015: 47-54.

[12] CUI W, ZHOU H, QU H, et al. Geometry-based edge clustering for graph visualization[J]. IEEE Transactions on Visualization and Computer Graphics, 2008, 14(6):1277-1284.

[13] PENG D, LU N, CHEN W, et al. SideKnot: revealing relation pat-terns for graph visualization[C]//IEEE Pacific Visualization Symposium. 2012: 65-72.

[14] HURTER C, ERSOY O, TELEA A. Graph bundling by kernel density estimation[J]. Computer Graphics Forum, 2012, 31(3): 435-443.

[15] PEYSAKHOVICH V, HURTER C, TELEA A. Attribute-driven edge bundling for general graphs with applications in trail analysis[C]// IEEE Pacific Visualization Symposium. 2015: 39-46.

[16] BACH B, RICHE N H, HURTER C, et al. Towards unambiguous edge bundling: investigating confluent drawings for network visualization[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 23(1):541-550.

[17] BOUTS Q W, SPECKMANN B. Clustered edge routing[C]// IEEE Pacific Visualization Symposium. 2015: 55-62.

[18] ROSVALL M, BERGSTROM C T. Maps of random walks on complex networks reveal community structure[C]//The National Academy of Sciences of the United States of America, 2008, 105(4): 1118-1123.

[19] LIAO Q, SHI L, WANG C. Visual analysis of large-scale network anomalies[J]. IBM Journal of Research and Development, 2013, 57(3/4): 13: 1-13.

[20] SHI L, LIAO Q, TONG H, et al. Hierarchical Focus+Context Het-erogeneous network visualization[C]//IEEE Pacific Visualization Symposium. 2014:89-96.

[21] ZINSMAIER M, BRANDES U, DEUSSEN O, et al. Interactive level-of-detail rendering of large graphs[J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(12): 2486-2495.

[22] BENJAMIN B, EMMANUEL P, JEAN-DANIEL F. GraphDiaries: animated transitions and temporal navigation for dynamic networks[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(5): 740-754.

[23] GRIFFEN A L, MACEACHREN A M, HARDISTY F, et al. A comparison of animated maps with static small-multiple maps for visually identifying space-time clusters[J]. Annals of the Association of American Geographers, 2006, 96(4): 740-753.

[24] LIN C C, LEE Y Y, YEN H C. Mental map preserving graph drawing using simulated annealing[J]. Information Science, 2011, 181(19): 4253-4272.

[25] FRISHMAN Y, TAL A. Dynamic drawing of clustered graphs[C]// IEEE Symposium on Information Visualization. 2004: 191-198.

[26] FISHERMAN Y, TAL A. Online dynamic graph drawing[J]. IEEE Transactions on Visualization and Computer Graphics, 2008, 14(4): 727-740.

[27] CHE L, LIANG J, YUAN X, et al. Laplacian-based dynamic graph visualization[C]//IEEE Pacific Visualization Symposium. 2015: 69-73.

[28] KUMAR G, GARLAND M. Visual exploration of complex time-varying graphs[J]. IEEE Transactions on Visualization and Computer Graphics, 2006, 12(5): 805-812.

[29] JAMES A, STEFFEN H, HEIDRUN S, et al. A modular degree-of-interest specification for the visual analysis of large dynamic networks[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(3): 337-350.

[30] CUI W, WANG X, LIU S, et al. Let it flow: a static method for exploring dynamic graphs[C]//IEEE Pacific Visualization Symposium. 2014: 121-128.

[31] SHNEIDERMAN B. The eye have it: a task by data type taxonomy for information visualization[C]//IEEE Symposium on Visual Languages. 1996: 336-343

[32] KEIN D A. Information visualization and visual data mining[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(3): 377-390

[33] WARD M O, YANG J. Interaction spaces in data and information visualization[C]//The 6th Joint Euro graphics/IEEE TCVG Symposium on Visualization. 2004: 137-146

[34] ROBERT B, GLENN A F, CHRIS N. Home-centric visualization of network traffic for security administration[C]//The ACM Workshop on Visualization and Data Mining for Computer Security. 2004, 55-64.

[35] FENG K C, WANG C, SHEN H W, et al. Coherent time-varing graph drawing with multifocus+context interaction[J]. IEEE Transactions on Visualization and Computer Graphics, 2012, 18(8): 1330-1342.

[36] BENJAMN B B, AARON C, MARY P C, et al. DateLens: a fisheye calendar interface for PDAs[J]. ACM Transactions on Computer-Human Interaction, 2004, 11(1): 90-119.

[37] TOMINSKI C, ABELLO J, VAN HAM F, et al. Fisheye tree views and lenses for graph visualization[C]//The Conference on Information Visualization. 2006: 17-24.

[38] VAN-HAM F, VAN-WIJK J J. Interactive visualization of small world graphs[C]//The IEEE Symposium on Information Visualization. 2004: 199-206.

[39] GANSNER E R, KOREN Y, NORTH S C. Topological fisheye views for visualizing large graphs[J]. IEEE Transactions on Visualization and Computer Graphics, 2005, 20(5): 740-754.

[40] FRISCH M, HEYDEKORN J, DACHSELT R. Diagram editing on interac-tive displays using multi-touch and pen gestures[C]//The 6th international conference on Diagrammatic representation and inference. 2010: 182-196.

[41] SCHMIDT S, NACENTA M A, DACHSELT R, et al. A set of multi-touch graph interaction techniques[C]//ACM International Conference on Interactive Tabletops and Surfaces. 2010:113-116.

[42] PROUZEAU A, BEZERIANOS A, CHAPUIS O. Evaluating multi-user selection for exploring graph topology on wall-displays[J]. IEEE Transactions on Visualization and Computer Graphics, 2017, 23(8):1936-1951.

[43] KISTER U, KLAMKA K, TOMINSKI C,et al. GRASP: combining spatially-aware mobile devices and a display wall for graph visualization and interaction[J]. Computer Graphics Forum, 2017, 36(3): 503-514.

[44] RUFIANGE S, MCGUFFIN M J. DiffAni: visualizing dynamic graphs with a hybrid of difference maps and animation[J]. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12):2556-2565.

[45] KO S, AFZAL S, WALTON S, et al. Analyzing high-dimensional mul-tivariate network links with integrated anomaly detection, highlighting and exploration[C]//The IEEE Vis-ual Science and Technology.Los Alamitos: IEEE Computer So-ciety Press, 2014: 823-825.

[46] HADLAK S, SCHUMANN H, CAP C H, et al. Supporting the visual analysis of dynamic networks by clustering associated temporal Attributes[J]. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2267-2276.

[47] DANG T N, PENDAR N, FORBES A G. TimeArcs: visualizing fluctuations in dynamic networks[J]. Computer Graphics Forum, 2016, 35(3):61-69.

[48] ELZEN S V D, HOLTEN D, BLAAS J, et al. Reducing snapshots to points: a visual analytics approach to dynamic network exploration[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 1-10.

[49] DEDE C. Immersive interface for engagement and learning[J]. Science, 2009, 323(5910): 66-69.

[50] TONG X, LI C, SHEN H W. GlyphLens: view-dependent occlusion management in the interactive glyph visualization[J]. IEEE Transactions on Visualization and Computer Graphics, 2017, 23(1): 891-900.

[51] HUANG Y J, FUJIWARA T, LIN Y X, et al. A gesture system for graph visualization in virtual reality environments[C]//IEEE VGTC Pacific Visualization Symposium. 2017: 41-45.

[52] KWON O H, MUELDER C, LEE K, et al. A study of layout, rendering, and interaction methods for immersive graph visualization[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 22(7): 1802-1815.

[53] CORDEIL M, DWYER T, KLEIN K, et al. Immersive collaborative analysis of network connectivity: CAVE-style or head-mounted display?[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 23(1): 441-450.

Survey on network topology visualization

WANG Song1,2, ZHANG Ye1, WU Yadong1

1. School of Computer and Technology, Southwest University of Science and Technology, Mianyang 621010, China 2. Institute of Electronic Engineering, China Academy of Engineering Physics, Mianyang 621010, China

As the basis of network monitoring, network management, and network security situation awareness, network topology visualization plays an underlying role in reflecting the whole state of the network and discovering the potential rules in the network topology. The basic content of network topology visualization was introduced and the main challenges in the research of network topology visualization were summarized from two aspects: the internal characteristics of network data and the point of the applied demand angle of the users. A top-down VPI model for network topology visualization and analysis drawing from the experience of domain experts by analyzing and understanding the nodes and connection status of network topology, having an insight into the potential laws of topological information like performance bottleneck, network security, time-varying characteristics and so on. This model includes vision, procedure, and interaction. According to the VPI model, visualization methods based on perception enhance were summarized from three aspects: enhancement of visual perception, enhancement of time-varied procedure and enhancement of exploratory interaction. Finally, future development trend of those topics were discussed combined with application demand.

enhancement of visual perception, enhancement of time-varied procedure, enhancement of exploratory interaction, VPI model

TP393

A

10.11959/j.issn.2096-109x.2018014

王松（1989-），男，安徽安慶人，中國工程物理研究院博士生，主要研究方向為科學可視化、可視分析。

張野（1994-），男，四川樂山人，西南科技大學碩士生，主要研究方向為網絡安全可視化。

吳亞東（1979-），男，河南周口人，博士，西南科技大學教授，主要研究方向為圖像圖形處理、可視化與可視分析。

2018-01-03；

2018-02-04

吳亞東，wyd028@163.com

科技部“前沿科技創新”專項基金資助項目（No.2016QY04W0801）；四川省科技廳基金資助項目（No.2017TJPT0200, No.2017KZ0023, No.2017GZ0186）

: The National Key Research and Development Program of China (No.2016QY04W0801), Project of Science and Technology Department of Sichuan Province (No.2017TJPT0200, No.2017KZ0023, No.2017GZ0186)