CN101741623B - 网络可视化方法 - Google Patents

Abstract

本发明公开了一种网络技术领域的网络可视化方法，包括步骤为：使用Java的缓冲读入机制，读入大型网络数据并存入内存；采用社团划分方法将网络进行层次划分；根据每个社团的半径等于其所含原始节点的个数和原始节点的半径的乘积，将最大层社团的圆心置于可视化画面的中心处，从而对每个层次的社团采用具有层次化包含结构的圆环布局进行定位并绘制图形；在网络图形上加上鼠标的响应，使用户能在不同的层次上进行切换，观察网络整体和局部的结构。本发明采用一种基于模块度指标的社团划分方法，社团物理意义明确；划分的社团是一种多层次的递归结构，避免了大量节点的堆积和连边的交叉，更便于清楚的观察出网络的结构。

Description

网络可视化方法

技术领域

本发明涉及的是一种网络技术领域的方法，具体是一种网络可视化方法。

背景技术

近年来，复杂网络的研究逐渐兴起。从INTERNET到全球交通网络，从生物体中的大脑到各种新陈代谢网络，从科研合作网络到各种社会关系网络，可以说，人类生活在一个充满各种网络的世界中。对于任何一个网络，我们都可以将它看作是一些节点按某种方式连接在一起而构成的一个系统。网络可视化技术不仅可以实现快速的信息共享，还可以利用图中的信息辅助决策，对网络分析有很大的帮助。但随着网络规模的不断扩大和结构的日益复杂，大型网络可视化研究也面临着越来越多的难题和挑战，寻找一种快速而有效的可视化方法成为许多学者关注的热点。

经对现有文献检索发现，诺克等人在《Lecture Notes in Computer Science(讲义计算机科学)》上发表了题为“An Energy Model for Visual Graph Clustering(一种用于图形视觉聚类的能量模型)”的文章，该文提出了一种反应网络拓扑划分性质的能量函数，并通过对其进行优化，从而使网络聚类分离，进而以这些聚类为基础结构绘画网络图形的方法。但该技术存在以下两个缺点：聚类划分是自定义函数，具体的物理意义并没有明确的定义；聚类划分只有一层，导致每个聚类里包含的节点数目仍然很多，绘画时会产生大量节点的堆积和连边的交叉，使人凭肉眼很难分辨。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种网络可视化方法。本发明通过对网络进行层次化的社团结构划分，实现了快速清晰的可视化。

本发明是通过以下技术方案实现的，包括以下步骤：

第一步，使用Java的缓冲读入机制，读入大型网络数据并存入内存。

第二步，采用基于模块度指标的社团划分方法将网络进行层次划分，得到一个最大层社团，该最大层社团包括若干第N层社团，每个第N层社团又包括若干第(N-1)层社团，依此类推，直到每个第一层社团就是一个原始节点。

所述的社团划分方法是：

1)将读入的每个原始节点看做是一个第一层社团，根据每个节点移出其所在的第一层社团而加入邻居节点所在的第一层社团的模块度增益t，将每个节点加入t＞0且t值最大的那个邻居节点所在的第一层社团，对所有节点重复该过程直至所有节点的增益都小于或者等于零，从而形成若干个第二层社团；

2)按照1)中对第一层社团的合并方法，将每个第二层社团作为一个新的节点来完成对第二层社团的合并，从而得到若干第三层社团；

3)重复2)的方法不断合并社团，直至得到若干第N层社团，且第N层社团进行合并时，模块度增益为零，所有的第N层社团组成一个最大层社团。

第三步，根据每个社团的半径等于其所含原始节点的个数和原始节点的半径的乘积，将最大层社团的圆心置于可视化画面的中心处，从而对每个层次的社团采用具有层次化包含结构的圆环布局进行定位并绘制图形。

所述的圆环布局是第i层社团的圆心分布在以其所在的第(i+1)层社团圆心为圆心，第(i+1)层社团的1/2半径为半径的圆上，且按照每个第i层社团的半径大小依次排列，当D取最小值时得到的Ax即为第i层社团中的第x个社团分得的角度Ax，其中：

$\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Ax}=2\mathrm{\π}$ (公式一)

$\frac{R}{2}\sin \left(\frac{\mathrm{Ax}}{2}\right)\≥\mathrm{rx},x=1,\·\·\·,n$ (公式二)

$D=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{Ax}-\frac{2\mathrm{\π}}{n})}^2$ (公式三)

i是社团的层次编号，1≤i≤N，x是第(i+1)层社团中每个第i层社团的个数编号，1≤x≤n，n是第(i+1)层社团含有的第i层社团的个数，R是该第(i+1)层社团的半径，rx是第i层社团中第x个社团的半径。

第四步，在网络图形上加上鼠标的响应，使用户能在不同的层次上进行切换，观察网络整体和局部的结构。

相比于现有技术，本发明的有益效果是：在对网络进行聚类划分时是采用一种基于模块度指标的社团划分法，而社团是复杂网络研究的热门领域，物理意义明确；划分的社团是一种多层次的递归结构，即大层社团中包含小层社团，而小层社团中再包含更小层的社团，这种结构就保证了每一级聚类里所包含的原始节点数目不会太多，避免了大量节点的堆积和连边的交叉，更便于清楚的观察出网络的结构。

附图说明

图1是实施例得到的电力传输网络全局图；

图2是图1的局部放大图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例对有3040个原始节点的电力传输网络进行可视化处理，包括以下步骤：

第一步，读入有3040个原始节点的电力传输网络的.net格式的网络数据，

该数据包括了原始节点的半径信息及其邻接关系信息，根据这些信息构建出网络节点和边的模型；

第二步，采用社团划分方法对网络进行层次化的社团划分，得到一个最大层社团，该最大层社团包括若干第N层社团，每个第N层社团又包括若干第(N-1)层社团，依此类推，直到每个第一层社团就是一个原始节点。

具体的社团划分方法为：

1)将读入的3040个原始节点看做是3040个第一层社团，根据每个节点移出其所在的第一层社团而加入邻居节点所在的第一层社团的模块度增益t，将每个节点加入t＞0且t值最大的那个邻居节点所在的第一层社团，对所有节点重复该过程直至所有节点的增益都小于或者等于零，从而形成1143个第二层社团；

2)按照1)中对第一层社团的合并方法，将每个第二层社团作为一个新的节点来完成对第二层社团的合并，从而得到374个第三层社团；

3)将每个第三层社团作为一个新的节点来完成对第三层社团的合并，从而得到97个第四层社团；

4)将每个第四层社团作为一个新的节点来完成对第四层社团的合并，从而得到30个第五层社团，且第五层社团进行合并时，模块度增益为零，这30个第五层社团形成一个最大层社团。

第三步，根据每个社团的半径等于其所含原始节点的个数和原始节点的半径的乘积，将最大层社团的圆心置于可视化画面的中心处，从而对每个层次的社团采用具有层次化包含结构的圆环布局进行定位并绘制图形。

所述的圆环布局是第i层社团的圆心分布在以其所在的第(i+1)层社团圆心为圆心，第(i+1)层社团的1/2半径为半径的圆上，且按照每个第i层社团的半径大小依次排列，若已分配了(x-1)个第i层社团的角度，剩余的角度是P，在对第i层社团中的第x个社团布局时，先令第i层社团中的第x个社团分得的角度Ax为零，然后每次将Ax加上一个步长T，直到公式二和公式四同时成立：

$\frac{R}{2}\sin \left(\frac{\mathrm{Ax}}{2}\right)\≥\mathrm{rx},x=1,\·\·\·,n$ (公式二)

$\mathrm{Ax}\≥\frac{P}{(n-x+1)}$ (公式四)

其中：

$\frac{P}{3(n-x+1)}\≤T\≤\frac{P}{2(n-x+1)}$ (公式五)

$\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Ax}=2\mathrm{\π}$ (公式一)

i是社团的层次编号，1≤i≤5，x是第(i+1)层社团中每个第i层社团的个数编号，1≤x≤n，n是第(i+1)层社团含有的第i层社团的个数，R是该第(i+1)层社团的半径，rx是第i层社团中第x个社团的半径。

本实施例得到的的电力传输网络全局图如图1所示，第四层社团的局部放大图如图2所示。

第四步，在网络图形上加上鼠标的响应，使用户能在不同的层次上进行切换，观察网络整体和局部的结构。

本实施例在对网络进行聚类划分时是采用一种基于模块度指标的社团划分法，而社团是复杂网络研究的热门领域，物理意义明确；划分的社团是一种五层次的递归结构，即大层社团中包含小层社团，而小层社团中再包含更小层的社团，这种结构就保证了每一级聚类里所包含的原始节点数目不会太多，避免了大量节点的堆积和连边的交叉，更便于清楚的观察出网络的结构。

Claims (1)

1.一种网络可视化方法，其特征在于，包括以下步骤：

第一步，使用Java的缓冲读入机制，读入大型网络数据并存入内存；

第二步，采用基于模块度指标的社团划分方法将网络进行层次划分，得到一个最大层社团，该最大层社团包括若干第N层社团，每个第N层社团又包括若干第(N-1)层社团，依次类推，直到每个第一层社团就是一个原始节点；

第三步，根据每个社团的半径等于其所含原始节点的个数和原始节点的半径的乘积，将最大层社团的圆心置于可视化画面的中心处，从而对每个层次的社团采用具有层次化包含结构的圆环布局进行定位并绘制图形；

第四步，在网络图形上加上鼠标的响应，使用户能在不同的层次上进行切换，观察网络整体和局部的结构；

所述的社团划分方法是：

1)将读入的每个原始节点看做是一个第一层社团，根据每个节点移出其所在的第一层社团而加入邻居节点所在的第一层社团的模块度增益t，将每个节点加入t＞0且t值最大的那个邻居节点所在的第一层社团，对所有节点重复该过程直至所有节点的增益都小于或者等于零，从而形成若干个第二层社团；

2)按照1)中对第一层社团的合并方法，将每个第二层社团作为一个新的节点来完成对第二层社团的合并，从而得到若干第三层社团；

3)重复2)的方法不断合并社团，直至得到若干第N层社团，且第N层社团进行合并时，模块度增益为零，所有的第N层社团组成一个最大层社团；

第三步中所述的圆环布局是第i层社团的圆心分布在以其所在的第(i+1)层社团圆心为圆心，第(i+1)层社团的1/2半径为半径的圆上，且按照每个第i层社团的半径大小依次排列，当D取最小值时得到的Ax即为第i层社团中的第x个社团分得的角度Ax，其中：

$\underset{x=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Ax}=2\mathrm{\π};$

$\frac{R}{2}\sin \left(\frac{\mathrm{Ax}}{2}\right)\≥\mathrm{rx},$ x＝1，...，n；

$D=\underset{x=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{Ax}-\frac{2\mathrm{\π}}{n})}^2;$

其中：i是社团的层次编号，1≤i≤N，x是第(i+1)层社团中每个第i层社团的个数编号，1≤x≤n，n是第(i+1)层社团含有的第i层社团的个数，R是该第(i+1)层社团的半径，rx是第i层社团中第x个社团的半径。

Images