CN106685716A - 网络拓扑自适应的数据可视化方法及装置 - Google Patents

网络拓扑自适应的数据可视化方法及装置 Download PDF

Info

Publication number
CN106685716A
CN106685716A CN201611249511.2A CN201611249511A CN106685716A CN 106685716 A CN106685716 A CN 106685716A CN 201611249511 A CN201611249511 A CN 201611249511A CN 106685716 A CN106685716 A CN 106685716A
Authority
CN
China
Prior art keywords
node
pretreatment
network topology
coordinate
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611249511.2A
Other languages
English (en)
Other versions
CN106685716B (zh
Inventor
余彬和
王建明
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to CN201611249511.2A priority Critical patent/CN106685716B/zh
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to PCT/CN2017/076291 priority patent/WO2018120423A1/zh
Priority to JP2018516720A priority patent/JP6616893B2/ja
Priority to SG11201803896PA priority patent/SG11201803896PA/en
Priority to US15/772,802 priority patent/US10749755B2/en
Priority to EP17857668.2A priority patent/EP3565181A4/en
Priority to KR1020187015554A priority patent/KR102186864B1/ko
Priority to AU2017341160A priority patent/AU2017341160B2/en
Publication of CN106685716A publication Critical patent/CN106685716A/zh
Application granted granted Critical
Publication of CN106685716B publication Critical patent/CN106685716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/174—Redundancy elimination performed by the file system
    • G06F16/1748—De-duplication implemented within the file system, e.g. based on file segments
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0876—Aspects of the degree of configuration automation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5058—Service discovery by the service manager
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种网络拓扑自适应的数据可视化方法及装置。该网络拓扑自适应的数据可视化方法包括：对节点进行预处理，输出预处理节点；采用力引导布局算法对所述预处理节点进行处理，形成初始网络拓扑图；对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点；基于所述去重节点形成目标网络拓扑图。该网络拓扑自适应的数据可视化方法可实现数据可视化自动化，简化数据可视化处理流程，无需人工干预，可有效节省人工干预成本，并提高处理效率。

Description

网络拓扑自适应的数据可视化方法及装置
技术领域
本发明涉及数据可视化技术领域，尤其涉及一种网络拓扑自适应的数据要视化方法及装置。
背景技术
数据可视化是利用计算机图形学来构建视觉图像，以帮助人们理解实际生活中规模较大且结构较复杂的科学结果或概念。对于复杂网络研究来说，可视化技术尤为重要，能有助于呈现或解释复杂网络数据或模型，进而从中发现各种模式、特点和关系。
当前数据可视化过程主要是通过专业软件工具进行复杂的调试和配置参数，再对直观的可视化结果进行目标探索。在当前数据可视化过程中，需专业人员进行繁琐的数据调整工作，包括对节点颜色、节点大小及网络形状等进行调整，工作量大且繁琐。在数据更新后，需专业人员重新进行数据调整，重叠工作较多且繁琐，无法实现数据同步更新。另外，当前数据可视化过程中存在节点重叠，使得部分节点不能完整呈现，导致拓扑结构不清晰现象，需进行人工去重处理，工作量大且繁琐，不利于提高数据可视化效率。
发明内容
本发明要解决的技术问题在于，针对现有数据可视化过程中需人工进行繁琐的数据调整工作所存在的不足，提供一种网络拓扑自适应的数据可视化方法及装置，无需进行繁琐的数据调整工作，有利于提高数据可视化效率并节省数据可视化成本。
本发明解决其技术问题所采用的技术方案是：一种网络拓扑自适应的数据可视化方法，包括：
对节点进行预处理，输出预处理节点；
采用力引导布局算法对所述预处理节点进行处理，形成初始网络拓扑图；
对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点；
基于所述去重节点形成目标网络拓扑图。
优选地，所述对节点进行预处理，输出预处理节点，包括：
获取每一所述节点的节点颜色和节点大小；
对每一所述节点进行数据标准化，获取每一所述节点的标准化值；
根据每一所述节点的标准化值和分区阈值确定所述节点对应的区间，并将所述节点对应的区间作为所述预处理节点输出。
优选地，所述力引导布局算法包括：
采用弹簧模型计算弹性势能，所述弹簧模型包括：
基于所述弹性势能，采用能量模型计算动力势能，所述能量模型包括：
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
优选地，所述对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点，包括：
获取所述初始网络拓扑图中每一预处理节点的坐标数据，所述坐标数据包括x坐标和y坐标；
将坐标数据相同的所述预处理节点放入缓存列表；
遍历所述缓存列表，选取两个坐标数据相同的所述预处理节点，使两个所述预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至所述缓存列表中不存在坐标数据相同的所述预处理节点；
判断是否存在与所述更新节点坐标数据相同的预处理节点；若存在，则将所述更新节点与所述预处理节点放入所述缓存列表；若不存在，则将所述更新节点作为所述去重节点输出。
优选地，还包括：对所述去重节点进行文件格式转换，输出json文件格式的去重节点。
本发明还提供一种网络拓扑自适应的数据可视化装置，包括：
节点预处理单元，用于对节点进行预处理，输出预处理节点；
初始网络拓扑图形成单元，用于采用力引导布局算法对所述预处理节点进行处理，形成初始网络拓扑图；
去重处理单元，用于对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点；
目标网络拓扑图形成单元，用于基于所述去重节点形成目标网络拓扑图。
优选地，所述节点预处理单元包括：
节点获取子单元，用于获取每一所述节点的节点颜色和节点大小；
数据标准化子单元，用于对每一所述节点进行数据标准化，获取每一所述节点的标准化值；
预处理节点获取子单元，用于根据每一所述节点的标准化值和分区阈值确定所述节点对应的区间，并将所述节点对应的区间作为所述预处理节点输出。
优选地，所述力引导布局算法包括：
采用弹簧模型计算弹性势能，所述弹簧模型包括：
基于所述弹性势能，采用能量模型计算动力势能，所述能量模型包括：
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
优选地，所述去重处理单元包括：
坐标数据获取子单元，用于获取所述初始网络拓扑图中每一预处理节点的坐标数据，所述坐标数据包括x坐标和y坐标；
数据缓存子单元，用于将坐标数据相同的所述预处理节点放入缓存列表；
节点去重处理子单元，用于遍历所述缓存列表，选取两个坐标数据相同的所述预处理节点，使两个所述预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至所述缓存列表中不存在坐标数据相同的所述预处理节点；
去重节点输出子单元，用于判断是否存在与所述更新节点坐标数据相同的预处理节点；若存在，则将所述更新节点与所述预处理节点放入所述缓存列表；若不存在，则将所述更新节点作为所述去重节点输出。
优选地，还包括格式转换单元，用于对所述去重节点进行文件格式转换，输出json文件格式的去重节点。
本发明与现有技术相比具有如下优点：本发明所提供的网络拓扑自适应的数据可视化方法及装置可实现数据可视化自动化，简化数据可视化处理流程，无需人工干预，可有效节省人工干预成本，并提高处理效率。而且，该网络拓扑自适应的数据可视化方法及装置中通过对重叠点的预处理节点进行去重处理，以消除节点之间重叠现象，使每一节点均能完整的呈现，使得最终形成的目标网络拓扑图结构清晰，可展示性强。而且，该网络拓扑自适应的数据可视化方法及装置可实现数据自动同步更新，使业务需求分析和探索具有实时性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例1中网络拓扑自适应的数据可视化方法的一流程图。
图2是图1所示网络拓扑自适应的数据可视化方法中步骤S1的一具体流程图。
图3是图1所示网络拓扑自适应的数据可视化方法中步骤S3的一具体流程图。
图4是本发明实施例2中网络拓扑自适应的数据可视化装置的一原理框图。
图5是图4中网络拓扑自适应的数据可视化装置的一具体原理框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
实施例1
图1示出本实施例中网络拓扑自适应的数据可视化方法的流程图。该网络拓扑自适应的数据可视化方法可在安装有数据可视化的专业软件工具的计算机上执行。其中，专业软件工具可以是Gephi这一复杂网络分析软件，主要用于各种网络和复杂系统，是用于进行动态和分层图的交互可视化和探测开源工具。如图1所示，该网络拓扑自适应的数据可视化方法包括如下步骤：
S1：对节点进行预处理，输出预处理节点。
本实施例中，在Gephi软件工具中对节点进行预处理，输出的预处理节点的文件格式是gexf文件格式。如图2所示，步骤S1具体包括如下步骤：
S11：获取每一节点的节点颜色和节点大小。
即给每一节点添加color_t属性和size_t属性，如下所示，value可根据实际业务场景自主设定，并根据该节点的color_t属性和size_t属性的值生成每一节点的节点颜色和节点大小。
本实施例中，执行该网络拓扑自适应的数据可视化方法的专业软件工具为Gephi，获取到的每一节点的节点颜色和节点大小均为gexf文件格式。Gephi是一款优秀的复杂网络分析软件，支持导入多种格式的文件。gexf格式是Gephi推荐的格式，是用GEXF(GraphExchange XML Format)语言创建的图表文件。GEXF语言是一种描述网络结构的语言，用于指定的节点和边的关系图和以及用户定义的属性。
S12：对每一节点的节点颜色和节点大小进行数据标准化，获取每一节点的标准化值。
其中，数据标准化(normalization)是将数据按比例绽放，使之落入一个小的特定区间，用于去除数据的单位限制，将其转化为无量级的纯数值，便于不同单位或量级的指标能够进行比较和加权。
本实施例中，对每一节点的节点颜色对应的color_t属性和节点大小对应的size_t属性进行排序后，再进行Z-score标准化(zero-mean normalization)处理，以获取每一节点的标准化值。其中，Z-score标准化是指标准差标准化，以使经过处理的数据符合标准正太分布，即均值为0，标准差为1，以便基于输出的标准化值进行比较或加权。具体地，Z-score标准化的转化函数为其中，μ为所有样本数据的均值，σ为所有标准数据的标准差。
S13：根据每一节点的标准化值和分区阈值确定节点对应的区间，并将节点对应的区间作为预处理节点输出。
其中，分区阈值用于将数据划分成多个区间，而步骤S12中形成的每一节点的标准化值在一特定区间内，将每一节点的标准化值与预设的分区阈值进行比较，即可确定该该节点的标准化值在分区阈值确定的哪一区间内，并将该节点对应的区间作为预处理节点输出。
S2：采用力引导布局算法对预处理节点进行处理，形成初始网络拓扑图。
力引导布局算法(Fruchterman-Reingold算法，简称FR算法)是一种丰富两节点之间的物理模型，加入节点之间的静电力，通过计算系统的总能量并使得能量最小化，从而达到布局的目的。力引导布局算法的计算公式如下：
采用弹簧模型计算弹性势能，弹簧模型包括：
基于弹性势能，采用能量模型计算动力势能，能量模型包括：
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
本实施例中，先采用弹簧模型计算预处理节点的弹性势能；并基于计算得到的弹性势能，采用能量模型计算动力势能，利用计算得到的动力势能对预处理节点进行处理，以形成初始网络拓扑图。
无论是弹簧模型还是能量模型，其算法的本质是要接一个能量优化问题，区别在于优化函数的组成不同。优化对象包括引力和斥力部分，不同算法对引力和斥力的表达方式不同。力引导布局算法易于理解、容易实现，可以用于大多数网络数据集，而且实现的效果具有较好的对称性和局部聚合性。
S3：对初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点。
由于经过力引导布局算法对预处理节点进行处理后形成的初始网络拓扑图中可能存在节点重叠，为避免节点重叠导致初始网络拓扑图结构不清晰，对初始网络拓扑图中重叠的预处理节点进行去处理，使重叠节点均匀散开。本实施例中的去重节点是指重叠的预处理节点进行去重处理后形成的不重叠的节点。如图3所示，步骤S3具体包括：
S31：获取初始网络拓扑图中每一预处理节点的坐标数据，坐标数据包括x坐标和y坐标。
在初始网络拓扑图中，任一预处理节点的位置均可通过其坐标数据确定。若任意两个预处理节点的坐标数据相同，即x坐标和y坐标均相同，则两个预处理节点重叠。
S32：将坐标数据相同的预处理节点放入缓存列表。
本实施例中，若坐标数据为(x1，y1)的预处理节点有两个，坐标数据为(x2，y2)的预处理节点有3个，坐标数据为(x3，y3)的预处理节点有四个……，将坐标数据相同的预处理节点放入缓存列表包括：将坐标数据相同的至少两个预处理节点作为一组缓存节点组，再将至少一组缓存节点组放入缓存列表中。
S33：遍历缓存列表，选取两个坐标数据相同的预处理节点，使两个预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至缓存列表中不存在坐标数据相同的预处理节点。
其中，随机数是随机生成不为0的数，设为k。可以理解地，若随机数k为0，则使两个坐标相同的预处理节点的x坐标和y坐标分别加上或减去随机数，无法形成两个不重叠的更新节点。
本实施例中，若坐标数据为(x1，y1)的预处理节点A和B，使预处理节点A和B的x坐标和y坐标分别加上或减去随机数k1，则形成的两个更新节点A’(x1+k1,y1+k1)和B’(x1-k1,y1-k1)，从而使两个预处理节点A和B均匀散开。相应地，若坐标数据为(x2，y2)的预处理节点C、D和E，使预处理节点C和D的x坐标和y坐标分别加上或减去随机数k2，则形成的两个更新节点C’(x2+k2,y2+k2)和D’(x2-k2,y2-k2)，从而使三个预处理节点C、D和E(x2，y2)均匀散开。若坐标数据为(x3，y3)的预处理节点F、G、H和I，使预处理节点F和G的x坐标和y坐标分别加上或减去随机数k3，并使预处理节点H和I的x坐标和y坐标分别加上或减去随机数k4，则形成的四个更新节点F’(x3+k3,y3+k3)、G’(x3-k3,y3-k3)、H’(x3+k4,y3+k4)和I’(x3-k4,y3-k4)，从而使四个预处理节点F、G、H和I均匀散开……遍历缓存列表中所有坐标数据相同的预处理节点，直至缓存列表中不存在坐标数据相同的至少两个预处理节点。
S34：判断是否存在与更新节点坐标数据相同的预处理节点；若存在，则将更新节点与预处理节点放入所述缓存列表；若不存在，则将更新节点作为去重节点输出。
由于遍历缓存列表所形成的更新节点可能会与其他未放入缓存列表中的预处理节点的坐标数据相同，使其仍存在节点重叠现象，因此需判断是否存在与更新节点坐标数据相同的预处理节点；若存在，则将更新节点与预处理节点作为一组缓存节点组放入缓存列表中，执行步骤S33；若不存在，则将更新节点作为去重节点输出，以执行步骤S4。可以理解地，初始网络拓扑图中的其他未放入缓存列表中的预处理节点也作为去重节点输出。
S4：基于去重节点形成目标网络拓扑图。
具体地，执行该网络拓扑自适应的数据可视化方法的计算机接收到去重节点，在浏览器中基于所有去重节点显示目标网络拓扑图，以展示数据可视化结果。当后台数据有更新时，再基于步骤S1-S4重新计算一遍，使得浏览器将最新数据的数据可视化结果显示，从而实现数据同步更新，而无需专业人员进行数据调整，有利于节省成本并提高数据可视化的处理效率。
进一步地，由于步骤S1中输出的预处理节点的文件格式为gexf文件格式，步骤S2和步骤S3中并没有对输出的初始网络拓扑图和去重节点进行文件格式转换，使得其输出的去重节点的文件格式仍为gexf文件格式，在基于去重节点形成目标网络拓扑图的过程中，gexf文件格式的网络传输数据量大，响应时间较慢。
为克服上述问题，该网络拓扑自适应的数据可视化方法的步骤S3与步骤S4之间还包括：对去重节点进行文件格式转换，输出json文件格式的去重节点。JSON(JavaScriptObject Notation)是一种轻量级的数据交换格式。JSON采用完全独立于语言的文本格式，这些特性使JSON成为理想的数据交换语言，具有易于人阅读和编写，同时也易于机器解析和生成的优点。
具体地，对去重节点的gexf文件格式进行解析，获取节点(node)信息和边缘(edge)信息，并基于节点(node)信息和边缘(edge)信息，输出json文件格式的去重节点。可以理解地，将gexf文件格式的去重节点转换成json文件格式的去重节点，可减小网络传输数据量，提高响应时间，有利于提高数据可视化的处理效率。
本实施例所提供的网络拓扑自适应的数据可视化方法可实现数据可视化自动化，简化数据可视化处理流程，无需人工干预，可有效节省人工干预成本，并提高处理效率。而且，该网络拓扑自适应的数据可视化方法中通过对重叠点的预处理节点进行去重处理，以消除节点之间重叠现象，使每一节点均能完整的呈现，使得最终形成的目标网络拓扑图结构清晰，可展示性强。而且，该网络拓扑自适应的数据可视化方法可实现数据自动同步更新，使业务需求分析和探索具有实时性。
实施例2
图4和图5示出本实施例中网络拓扑自适应的数据可视化装置的原理框图。该网络拓扑自适应的数据可视化装置可在安装有数据可视化的专业软件工具的计算机上执行。其中，专业软件工具可以是Gephi这一复杂网络分析软件，主要用于各种网络和复杂系统，是用于进行动态和分层图的交互可视化和探测开源工具。如图4所示，该网络拓扑自适应的数据可视化装置包括节点预处理单元10、初始网络拓扑图形成单元20、去重处理单元30和目标网络拓扑图形成单元40。
节点预处理单元10，用于对节点进行预处理，输出预处理节点。
本实施例中，在Gephi软件工具中对节点进行预处理，输出的预处理节点的文件格式是gexf文件格式。如图5所示，节点预处理单元10具体包括节点获取子单元11、数据标准化子单元12、和预处理节点获取子单元13。
节点获取子单元11，用于获取每一节点的节点颜色和节点大小。
即给每一节点添加color_t属性和size_t属性，如下所示，value可根据实际业务场景自主设定，并根据该节点的color_t属性和size_t属性的值生成每一节点的节点颜色和节点大小。
本实施例中，执行该网络拓扑自适应的数据可视化装置的专业软件工具为Gephi，获取到的每一节点的节点颜色和节点大小均为gexf文件格式。Gephi是一款优秀的复杂网络分析软件，支持导入多种格式的文件。gexf格式是Gephi推荐的格式，是用GEXF(GraphExchange XML Format)语言创建的图表文件。GEXF语言是一种描述网络结构的语言，用于指定的节点和边的关系图和以及用户定义的属性。
数据标准化子单元12，用于对每一节点的节点颜色和节点大小进行数据标准化，获取每一节点的标准化值。
其中，数据标准化(normalization)是将数据按比例绽放，使之落入一个小的特定区间，用于去除数据的单位限制，将其转化为无量级的纯数值，便于不同单位或量级的指标能够进行比较和加权。
本实施例中，对每一节点的节点颜色对应的color_t属性和节点大小对应的size_t属性进行排序后，再进行Z-score标准化(zero-mean normalization)处理，以获取每一节点的标准化值。其中，Z-score标准化是指标准差标准化，以使经过处理的数据符合标准正太分布，即均值为0，标准差为1，以便基于输出的标准化值进行比较或加权。具体地，Z-score标准化的转化函数为，其中，为所有样本数据的均值，为所有标准数据的标准差。
预处理节点获取子单元13，用于根据每一节点的标准化值和分区阈值确定节点对应的区间，并将节点对应的区间作为预处理节点输出。
其中，分区阈值用于将数据划分成多个区间，通过数据标准化子单元12进行数据标准化后形成的每一节点的标准化值在一特定区间内，将每一节点的标准化值与预设的分区阈值进行比较，即可确定该该节点的标准化值在分区阈值确定的哪一区间内，并将该节点对应的区间作为预处理节点输出。
初始网络拓扑图形成单元20，用于采用力引导布局算法对预处理节点进行处理，形成初始网络拓扑图。
力引导布局算法(Fruchterman-Reingold算法，简称FR算法)是一种丰富两节点之间的物理模型，加入节点之间的静电力，通过计算系统的总能量并使得能量最小化，从而达到布局的目的。力引导布局算法的计算公式如下：
采用弹簧模型计算弹性势能，弹簧模型包括：
基于弹性势能，采用能量模型计算动力势能，能量模型包括：
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
本实施例中，先采用弹簧模型计算预处理节点的弹性势能；并基于计算得到的弹性势能，采用能量模型计算动力势能，利用计算得到的动力势能对预处理节点进行处理，以形成初始网络拓扑图。
无论是弹簧模型还是能量模型，其算法的本质是要接一个能量优化问题，区别在于优化函数的组成不同。优化对象包括引力和斥力部分，不同算法对引力和斥力的表达方式不同。力引导布局算法易于理解、容易实现，可以用于大多数网络数据集，而且实现的效果具有较好的对称性和局部聚合性。
去重处理单元30，用于对初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点。
由于经过力引导布局算法对预处理节点进行处理后形成的初始网络拓扑图中可能存在节点重叠，为避免节点重叠导致初始网络拓扑图结构不清晰，对初始网络拓扑图中重叠的预处理节点进行去处理，使重叠节点均匀散开。本实施例中的去重节点是指重叠的预处理节点进行去重处理后形成的不重叠的节点。如图5所示，去重处理单元30具体包括坐标数据获取子单元31、数据缓存子单元32、节点去重处理子单元33和去重节点输出子单元34。
坐标数据获取子单元31，用于获取初始网络拓扑图中每一预处理节点的坐标数据，坐标数据包括x坐标和y坐标。
在初始网络拓扑图中，任一预处理节点的位置均可通过其坐标数据确定。若任意两个预处理节点的坐标数据相同，即x坐标和y坐标均相同，则两个预处理节点重叠。
数据缓存子单元32，用于将坐标数据相同的预处理节点放入缓存列表。
本实施例中，若坐标数据为(x1，y1)的预处理节点有两个，坐标数据为(x2，y2)的预处理节点有3个，坐标数据为(x3，y3)的预处理节点有四个……，将坐标数据相同的预处理节点放入缓存列表包括：将坐标数据相同的至少两个预处理节点作为一组缓存节点组，再将至少一组缓存节点组放入缓存列表中。
节点去重处理子单元33，用于遍历缓存列表，选取两个坐标数据相同的预处理节点，使两个预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至缓存列表中不存在坐标数据相同的预处理节点。
其中，随机数是随机生成不为0的数，设为k。可以理解地，若随机数k为0，则使两个坐标相同的预处理节点的x坐标和y坐标分别加上或减去随机数，无法形成两个不重叠的更新节点。
本实施例中，若坐标数据为(x1，y1)的预处理节点A和B，使预处理节点A和B的x坐标和y坐标分别加上或减去随机数k1，则形成的两个更新节点A’(x1+k1,y1+k1)和B’(x1-k1,y1-k1)，从而使两个预处理节点A和B均匀散开。相应地，若坐标数据为(x2，y2)的预处理节点C、D和E，使预处理节点C和D的x坐标和y坐标分别加上或减去随机数k2，则形成的两个更新节点C’(x2+k2,y2+k2)和D’(x2-k2,y2-k2)，从而使三个预处理节点C、D和E(x2，y2)均匀散开。若坐标数据为(x3，y3)的预处理节点F、G、H和I，使预处理节点F和G的x坐标和y坐标分别加上或减去随机数k3，并使预处理节点H和I的x坐标和y坐标分别加上或减去随机数k4，则形成的四个更新节点F’(x3+k3,y3+k3)、G’(x3-k3,y3-k3)、H’(x3+k4,y3+k4)和I’(x3-k4,y3-k4)，从而使四个预处理节点F、G、H和I均匀散开……遍历缓存列表中所有坐标数据相同的预处理节点，直至缓存列表中不存在坐标数据相同的至少两个预处理节点。
去重节点输出子单元34，用于判断是否存在与更新节点坐标数据相同的预处理节点；若存在，则将更新节点与预处理节点放入所述缓存列表；若不存在，则将更新节点作为去重节点输出。
由于遍历缓存列表所形成的更新节点可能会与其他未放入缓存列表中的预处理节点的坐标数据相同，即仍存在节点重叠现象，因此需判断是否存在与更新节点坐标数据相同的预处理节点；若存在，则将更新节点与预处理节点作为一组缓存节点组放入缓存列表中，跳转到节点去重处理子单元33；若不存在，则将更新节点作为去重节点输出，跳转到目标网络拓扑图形成单元40。可以理解地，初始网络拓扑图中的其他未放入缓存列表中的预处理节点也作为去重节点输出。
目标网络拓扑图形成单元40，用于基于去重节点形成目标网络拓扑图。
具体地，执行该网络拓扑自适应的数据可视化装置的计算机接收到去重节点，在浏览器中基于所有去重节点显示目标网络拓扑图，以展示数据可视化结果。当后台数据有更新时，再基于节点预处理单元10、初始网络拓扑图形成单元20、去重处理单元30和目标网络拓扑图形成单元40重新计算一遍，使得浏览器将最新数据的数据可视化结果显示，从而实现数据同步更新，而无需专业人员进行数据调整，有利于节省成本并提高数据可视化的处理效率。
进一步地，由于节点预处理单元10输出的预处理节点的文件格式为gexf文件格式，初始网络拓扑图形成单元20和去重处理单元30中并没有对输出的初始网络拓扑图和去重节点进行文件格式转换，使得其输出的去重节点的文件格式仍为gexf文件格式，在基于去重节点形成目标网络拓扑图的过程中，gexf文件格式的网络传输数据量大，响应时间较慢。
为克服上述问题，该网络拓扑自适应的数据可视化装置中还包括：格式转换单元50，用于对去重处理单元30输出的去重节点进行文件格式转换，输出json文件格式的去重节点，并将json文件格式的去重节点发送给目标网络拓扑图形成单元40。JSON(JavaScriptObject Notation)是一种轻量级的数据交换格式。JSON采用完全独立于语言的文本格式，这些特性使JSON成为理想的数据交换语言，具有易于人阅读和编写，同时也易于机器解析和生成的优点。
具体地，对去重节点的gexf文件格式进行解析，获取节点(node)信息和边缘(edge)信息，并基于节点(node)信息和边缘(edge)信息，输出json文件格式的去重节点。可以理解地，将gexf文件格式的去重节点转换成json文件格式的去重节点，可减小网络传输数据量，提高响应时间，有利于提高数据可视化的处理效率。
本实施例所提供的网络拓扑自适应的数据可视化装置可实现数据可视化自动化，简化数据可视化处理流程，无需人工干预，可有效节省人工干预成本，并提高处理效率。而且，该网络拓扑自适应的数据可视化装置中通过对重叠点的预处理节点进行去重处理，以消除节点之间重叠现象，使每一节点均能完整的呈现，使得最终形成的目标网络拓扑图结构清晰，可展示性强。而且，该网络拓扑自适应的数据可视化装置可实现数据自动同步更新，使业务需求分析和探索具有实时性。
本发明是通过几个具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换和等同替代。另外，针对特定情形或具体情况，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。

Claims (10)

1.一种网络拓扑自适应的数据可视化方法，其特征在于，包括：
对节点进行预处理，输出预处理节点；
采用力引导布局算法对所述预处理节点进行处理，形成初始网络拓扑图；
对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点；
基于所述去重节点形成目标网络拓扑图。
2.根据权利要求1所述的网络拓扑自适应的数据可视化方法，其特征在于，所述对节点进行预处理，输出预处理节点，包括：
获取每一所述节点的节点颜色和节点大小；
对每一所述节点进行数据标准化，获取每一所述节点的标准化值；
根据每一所述节点的标准化值和分区阈值确定所述节点对应的区间，并将所述节点对应的区间作为所述预处理节点输出。
3.根据权利要求1所述的网络拓扑自适应的数据可视化方法，其特征在于，所述力引导布局算法包括：
采用弹簧模型计算弹性势能，所述弹簧模型包括：
E s = Σ i = 1 n Σ j = 1 n 1 2 k ( d ( i , j ) - s ( i , j ) ) 2 ;
基于所述弹性势能，采用能量模型计算动力势能，所述能量模型包括：
E = E s + Σ i = 1 n Σ j = 1 n rw i w j d ( i , j ) 2 ;
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
4.根据权利要求1所述的网络拓扑自适应的数据可视化方法，其特征在于，所述对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点，包括：
获取所述初始网络拓扑图中每一预处理节点的坐标数据，所述坐标数据包括x坐标和y坐标；
将坐标数据相同的所述预处理节点放入缓存列表；
遍历所述缓存列表，选取两个坐标数据相同的所述预处理节点，使两个所述预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至所述缓存列表中不存在坐标数据相同的所述预处理节点；
判断是否存在与所述更新节点坐标数据相同的预处理节点；若存在，则将所述更新节点与所述预处理节点放入所述缓存列表；若不存在，则将所述更新节点作为所述去重节点输出。
5.根据权利要求1-4任一项所述的网络拓扑自适应的数据可视化方法，其特征在于，还包括：对所述去重节点进行文件格式转换，输出json文件格式的去重节点。
6.一种网络拓扑自适应的数据可视化装置，其特征在于，包括：
节点预处理单元，用于对节点进行预处理，输出预处理节点；
初始网络拓扑图形成单元，用于采用力引导布局算法对所述预处理节点进行处理，形成初始网络拓扑图；
去重处理单元，用于对所述初始网络拓扑图中重叠的预处理节点进行去重处理，输出去重节点；
目标网络拓扑图形成单元，用于基于所述去重节点形成目标网络拓扑图。
7.根据权利要求6所述的网络拓扑自适应的数据可视化装置，其特征在于，所述节点预处理单元包括：
节点获取子单元，用于获取每一所述节点的节点颜色和节点大小；
数据标准化子单元，用于对每一所述节点进行数据标准化，获取每一所述节点的标准化值；
预处理节点获取子单元，用于根据每一所述节点的标准化值和分区阈值确定所述节点对应的区间，并将所述节点对应的区间作为所述预处理节点输出。
8.根据权利要求6所述的网络拓扑自适应的数据可视化装置，其特征在于，所述力引导布局算法包括：
采用弹簧模型计算弹性势能，所述弹簧模型包括：
E s = Σ i = 1 n Σ j = 1 n 1 2 k ( d ( i , j ) - s ( i , j ) ) 2 ;
基于所述弹性势能，采用能量模型计算动力势能，所述能量模型包括：
E = E s + Σ i = 1 n Σ j = 1 n rw i w j d ( i , j ) 2 ;
其中，节点i和j，用d(i,j)表示两个节点的欧式距离，s(i,j)表示弹簧的自然长度，k是弹力系数，r表示两个节点之间的静电力常数，w是两个节点之间的权重，Es为弹性势能，E为动力势能。
9.根据权利要求6所述的网络拓扑自适应的数据可视化装置，其特征在于，所述去重处理单元包括：
坐标数据获取子单元，用于获取所述初始网络拓扑图中每一预处理节点的坐标数据，所述坐标数据包括x坐标和y坐标；
数据缓存子单元，用于将坐标数据相同的所述预处理节点放入缓存列表；节点去重处理子单元，用于遍历所述缓存列表，选取两个坐标数据相同的所述预处理节点，使两个所述预处理节点的x坐标和y坐标分别加上或减去随机数，形成两个更新节点；依次迭代，直至所述缓存列表中不存在坐标数据相同的所述预处理节点；
去重节点输出子单元，用于判断是否存在与所述更新节点坐标数据相同的预处理节点；若存在，则将所述更新节点与所述预处理节点放入所述缓存列表；若不存在，则将所述更新节点作为所述去重节点输出。
10.根据权利要求6-9任一项所述的网络拓扑自适应的数据可视化装置，其特征在于，还包括格式转换单元，用于对所述去重节点进行文件格式转换，输出json文件格式的去重节点。
CN201611249511.2A 2016-12-29 2016-12-29 网络拓扑自适应的数据可视化方法及装置 Active CN106685716B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201611249511.2A CN106685716B (zh) 2016-12-29 2016-12-29 网络拓扑自适应的数据可视化方法及装置
JP2018516720A JP6616893B2 (ja) 2016-12-29 2017-03-10 ネットワークトポロジー自己適応性データ可視化方法及び装置
SG11201803896PA SG11201803896PA (en) 2016-12-29 2017-03-10 Network topology self-adapting data visualization method, device, apparatus, and storage medium
US15/772,802 US10749755B2 (en) 2016-12-29 2017-03-10 Network topology self-adapting data visualization method, device, apparatus, and storage medium
PCT/CN2017/076291 WO2018120423A1 (zh) 2016-12-29 2017-03-10 网络拓扑自适应的数据可视化方法、装置、设备和存储介质
EP17857668.2A EP3565181A4 (en) 2016-12-29 2017-03-10 NETWORK TOPOLOGY ADAPTIVE DATA VISUALIZATION METHOD, DEVICE, DEVICE AND STORAGE MEDIUM
KR1020187015554A KR102186864B1 (ko) 2016-12-29 2017-03-10 네트워크 토폴로지 적응형의 데이터 시각화 방법, 장치, 설비 및 저장 매체
AU2017341160A AU2017341160B2 (en) 2016-12-29 2017-03-10 Network topology self-adapting data visualization method, device, apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611249511.2A CN106685716B (zh) 2016-12-29 2016-12-29 网络拓扑自适应的数据可视化方法及装置

Publications (2)

Publication Number Publication Date
CN106685716A true CN106685716A (zh) 2017-05-17
CN106685716B CN106685716B (zh) 2019-04-26

Family

ID=58873310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611249511.2A Active CN106685716B (zh) 2016-12-29 2016-12-29 网络拓扑自适应的数据可视化方法及装置

Country Status (8)

Country Link
US (1) US10749755B2 (zh)
EP (1) EP3565181A4 (zh)
JP (1) JP6616893B2 (zh)
KR (1) KR102186864B1 (zh)
CN (1) CN106685716B (zh)
AU (1) AU2017341160B2 (zh)
SG (1) SG11201803896PA (zh)
WO (1) WO2018120423A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818149A (zh) * 2017-10-23 2018-03-20 中国科学院信息工程研究所 一种基于力导引算法的图数据可视化布局优化方法
US9992082B2 (en) * 2015-12-04 2018-06-05 CENX, Inc. Classifier based graph rendering for visualization of a telecommunications network topology
CN108363797A (zh) * 2018-01-04 2018-08-03 北京工商大学 一种基于变换的关联图可视分析方法及其系统
CN109560973A (zh) * 2019-01-10 2019-04-02 江苏金智科技股份有限公司 一种馈线自动化拓扑链接的增加终端方法及删除终端方法
CN111046516A (zh) * 2019-06-06 2020-04-21 哈尔滨安天科技集团股份有限公司 一种复杂网络拓扑三维布局方法、装置及存储设备
CN111695223A (zh) * 2020-06-11 2020-09-22 Ut斯达康通讯有限公司 一种网络拓扑布局方法及系统
CN112632196A (zh) * 2021-01-06 2021-04-09 中国工商银行股份有限公司 一种数据可视化方法、装置及存储介质
CN113486619A (zh) * 2021-06-22 2021-10-08 国网新疆电力有限公司昌吉供电公司 一种基于能量模型的单线图分块布局算法
CN115277428A (zh) * 2022-07-27 2022-11-01 京东科技信息技术有限公司 用于配置网络的方法和装置
CN115914075A (zh) * 2022-11-25 2023-04-04 中国电子科技网络信息安全有限公司 基于路由表的网络拓扑结点生成方法、设备、介质及系统
CN116340305A (zh) * 2023-04-24 2023-06-27 上海叁零肆零科技有限公司 一种燃气管网拓扑中点表线表唯一性的修复方法与系统

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7167687B2 (ja) * 2018-12-18 2022-11-09 富士通株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN110955809B (zh) * 2019-11-27 2023-03-31 南京大学 一种支持拓扑结构保持的高维数据可视化方法
CN111160193B (zh) * 2019-12-20 2024-02-09 中国平安财产保险股份有限公司 关键信息提取方法、装置及存储介质
CN111865698B (zh) * 2020-07-30 2023-10-17 中国电子信息产业集团有限公司第六研究所 一种基于地理信息的自治域级互联网拓扑可视化方法
KR102571744B1 (ko) * 2021-05-06 2023-08-29 한국전자통신연구원 3차원 콘텐츠 생성 방법 및 장치
KR20230019715A (ko) 2021-08-02 2023-02-09 국방과학연구소 네트워크 토폴로지 시각화 장치 및 방법
CN113706333A (zh) * 2021-08-10 2021-11-26 国网电子商务有限公司 一种配电网拓扑岛自动生成的方法和系统
CN113673997A (zh) * 2021-08-27 2021-11-19 深圳鼎盛电脑科技有限公司 一种资金计算引擎的可视化处理方法、装置、设备及介质
CN113721894A (zh) * 2021-09-14 2021-11-30 福韵数据服务有限公司 一种基于力导向算法模型的关联关系图绘制方法
CN113904941B (zh) * 2021-09-24 2023-11-03 绿盟科技集团股份有限公司 一种生成拓扑图的方法、系统及电子设备
CN115174286B (zh) * 2022-05-12 2023-11-14 芜湖美的厨卫电器制造有限公司 预防链路重复执行的方法及装置、计算机存储介质及设备
CN114637865B (zh) * 2022-05-12 2022-08-23 支付宝(杭州)信息技术有限公司 关系数据显示方法及装置
CN115361296B (zh) * 2022-10-19 2023-01-24 北京广通优云科技股份有限公司 一种运维系统中基于人工干预的网络拓扑计算方法
CN115424446B (zh) * 2022-11-03 2023-02-14 深圳市城市交通规划设计研究中心股份有限公司 用于交通组织评估的道路网络拓扑简化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582793A (zh) * 2009-06-05 2009-11-18 东软集团股份有限公司 网络拓扑图形化显示方法及装置
US20120275311A1 (en) * 2011-04-29 2012-11-01 Tektronix, Inc. Automatic Network Topology Detection and Modeling
CN104348643A (zh) * 2013-07-31 2015-02-11 华为技术有限公司 可视化拓扑生成方法和装置
CN104504082A (zh) * 2014-12-24 2015-04-08 北京德塔普博软件有限公司 多个知识网络的目标知识节点集合的路径展现方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287991A1 (en) * 2008-05-19 2009-11-19 Battelle Memorial Institute Generation of fusible signatures for fusion of heterogenous data
JP5104911B2 (ja) 2010-06-28 2012-12-19 三星ダイヤモンド工業株式会社 被加工物の加工方法、被加工物の分割方法およびレーザー加工装置
US20130232452A1 (en) * 2013-02-01 2013-09-05 Concurix Corporation Force Directed Graph with Time Series Data
WO2015047431A1 (en) * 2013-09-30 2015-04-02 Mcafee, Inc. Visualization and analysis of complex security information
US9767170B2 (en) * 2014-10-16 2017-09-19 International Business Machines Corporation Storage area network zone optimization
SG11201705425SA (en) * 2015-01-13 2017-08-30 10X Genomics Inc Systems and methods for visualizing structural variation and phasing information
CN106202353A (zh) * 2016-07-06 2016-12-07 郑州大学 一种时间序列数据的可视化表示方法
US10142183B2 (en) * 2016-08-30 2018-11-27 Oracle International Corporation Snapshotting and instantiating a virtual topology

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582793A (zh) * 2009-06-05 2009-11-18 东软集团股份有限公司 网络拓扑图形化显示方法及装置
US20120275311A1 (en) * 2011-04-29 2012-11-01 Tektronix, Inc. Automatic Network Topology Detection and Modeling
CN104348643A (zh) * 2013-07-31 2015-02-11 华为技术有限公司 可视化拓扑生成方法和装置
CN104504082A (zh) * 2014-12-24 2015-04-08 北京德塔普博软件有限公司 多个知识网络的目标知识节点集合的路径展现方法和系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9992082B2 (en) * 2015-12-04 2018-06-05 CENX, Inc. Classifier based graph rendering for visualization of a telecommunications network topology
CN107818149B (zh) * 2017-10-23 2021-10-08 中国科学院信息工程研究所 一种基于力导引算法的图数据可视化布局优化方法
CN107818149A (zh) * 2017-10-23 2018-03-20 中国科学院信息工程研究所 一种基于力导引算法的图数据可视化布局优化方法
CN108363797A (zh) * 2018-01-04 2018-08-03 北京工商大学 一种基于变换的关联图可视分析方法及其系统
CN109560973A (zh) * 2019-01-10 2019-04-02 江苏金智科技股份有限公司 一种馈线自动化拓扑链接的增加终端方法及删除终端方法
CN111046516A (zh) * 2019-06-06 2020-04-21 哈尔滨安天科技集团股份有限公司 一种复杂网络拓扑三维布局方法、装置及存储设备
CN111046516B (zh) * 2019-06-06 2023-11-10 安天科技集团股份有限公司 一种复杂网络拓扑三维布局方法、装置及存储设备
CN111695223A (zh) * 2020-06-11 2020-09-22 Ut斯达康通讯有限公司 一种网络拓扑布局方法及系统
CN111695223B (zh) * 2020-06-11 2023-03-03 Ut斯达康通讯有限公司 一种网络拓扑布局方法及系统
CN112632196A (zh) * 2021-01-06 2021-04-09 中国工商银行股份有限公司 一种数据可视化方法、装置及存储介质
CN112632196B (zh) * 2021-01-06 2024-05-28 中国工商银行股份有限公司 一种数据可视化方法、装置及存储介质
CN113486619A (zh) * 2021-06-22 2021-10-08 国网新疆电力有限公司昌吉供电公司 一种基于能量模型的单线图分块布局算法
CN115277428A (zh) * 2022-07-27 2022-11-01 京东科技信息技术有限公司 用于配置网络的方法和装置
CN115914075A (zh) * 2022-11-25 2023-04-04 中国电子科技网络信息安全有限公司 基于路由表的网络拓扑结点生成方法、设备、介质及系统
CN115914075B (zh) * 2022-11-25 2024-05-17 中国电子科技网络信息安全有限公司 基于路由表的网络拓扑结点生成方法、设备、介质及系统
CN116340305A (zh) * 2023-04-24 2023-06-27 上海叁零肆零科技有限公司 一种燃气管网拓扑中点表线表唯一性的修复方法与系统
CN116340305B (zh) * 2023-04-24 2023-10-20 上海叁零肆零科技有限公司 一种燃气管网拓扑中点表线表唯一性的修复方法与系统

Also Published As

Publication number Publication date
JP2019506646A (ja) 2019-03-07
KR20180087279A (ko) 2018-08-01
AU2017341160A1 (en) 2018-07-19
SG11201803896PA (en) 2018-08-30
EP3565181A1 (en) 2019-11-06
US10749755B2 (en) 2020-08-18
CN106685716B (zh) 2019-04-26
WO2018120423A1 (zh) 2018-07-05
KR102186864B1 (ko) 2020-12-07
US20190273660A1 (en) 2019-09-05
EP3565181A4 (en) 2020-10-21
JP6616893B2 (ja) 2019-12-04
AU2017341160B2 (en) 2020-04-30

Similar Documents

Publication Publication Date Title
CN106685716A (zh) 网络拓扑自适应的数据可视化方法及装置
JP5427640B2 (ja) 決定木生成装置、決定木生成方法、及びプログラム
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN112989028A (zh) 一种基于力导向算法的知识图谱布局优化方法
CN111078094B (zh) 分布式机器学习可视化装置
CN106789149B (zh) 采用改进型自组织特征神经网络聚类算法的入侵检测方法
EP4290351A1 (en) Environment modeling method and apparatus based on decision flow graph, and electronic device
CN107748752A (zh) 一种数据处理方法及装置
CN109344969B (zh) 神经网络系统及其训练方法以及计算机可读介质
CN115114421A (zh) 一种问答模型训练方法
JPWO2014083655A1 (ja) ネットワークグラフ生成方法及び意思決定支援システム
CN110096630A (zh) 一类基于聚类分析的大数据处理方法
CN111898038A (zh) 一种基于人机协作的社交媒体假新闻检测方法
CN111461284A (zh) 数据离散化方法、装置、设备及介质
CN108595882B (zh) 一种营邑规划管线bim设计管线造价生成系统
CN105956318A (zh) 基于改进分裂 h-k 聚类方法的风电场机群划分方法
CN106650800B (zh) 基于Storm的马尔可夫等价类模型分布式学习方法
CN105719261A (zh) 点云数据合并系统及方法
CN106647411B (zh) 信息物理融合系统CPS的Agent构造方法及装置
CN103177473B (zh) 一种基于实例的大规模场景合成方法
CN106610641A (zh) 针对动态作业车间调度问题的基于局部搜索遗传编程算法
CN103617206A (zh) 基于自适应小生境的遗传聚类方法
CN109492677A (zh) 基于贝叶斯理论的时变网络链路预测方法
JP2010277249A (ja) 飛しょう体の形状決定方法及び形状決定装置
Bonci et al. Performance improvement in CPSs over self-similar system structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant