复杂装备体系全景可视化技术

Panoramic Visualization Technology for Complex Equipment Systems

摘要

面向复杂装备体系的全景可视化，设计可视要素多维关联模型，对各类装备资源进行统一建模，完成可视化数据的归一化采集、清洗、规整、关联和应用。首先，根据不同可视数据及其展示的特点，完成资源数据可视化的过程规范，提出基于空间统计的态势可视、装备板块层级可视等多样化布局方法，实现数据域向图形域的可视化映射；其次，通过对不同用户群及用户类别的使用偏好建模构筑用户偏好规则网，实现基于角色模型的个性化页面推荐；最后，实现装备、信号、环境、任务等多维可视化视图，支撑复杂装备体系全流程全维运行监视与维护，解决多种类、高维度、复杂关联数据资源的有效展示难题。

Abstract

Aiming at the problem of panoramic visualization for complex equipment systems, a multi-dimensional correlated model for visual elements is designed to uniformly model various equipment resources, completing the normalization collection, cleaning, standardization, correlation, and application of visual data. Firstly, according to the characteristics of different data and its display, a process specification for resource data visualization is established, which includes proposing diverse layout methods such as situation visualization based on spatial statistics and hierarchical visualization of equipment modules, enabling the mapping of data domains to graphical domains. Secondly, by modeling the usage preferences of different user groups and categories, a user preference rule network is constructed to achieve personalized page recommendations based on role models. Finally, multi-dimensional visualization views for equipment, signals, environment, and tasks are implemented, providing comprehensive monitoring and maintenance for the full lifecycle and multidimensional operation of complex equipment systems, which addresses the challenge of effectively displaying multi-type, high-dimensional and complex-correlated resource data.

Graphical abstract

关键词

装备体系 / 可视化数据 / 全景可视化 / 运行监视 / 数据资源

Key words

equipment system / visual data / panoramic visualization / operation monitoring / data resources

复杂装备体系接入、处理多种不同手段的业务数据，部署于数十个不同的空间节点，每个环节均产生大量装备运行、业务素材、用户任务等各类资源数据。在系统可视化运维过程中，存在生产过程不透明，资源共享难透视，可视资源种类多、维度高、关联复杂，系统功能设定多样，用户可视需求各异等难点，对体系整体状态与运行效能的监视提出巨大挑战。

可视化技术通过计算机处理高维度大规模数据，生成易于理解与交流的互动式图像^[1]，以其直观易懂的优势展现系统运行过程中的运行状态，高效地分析大规模日志数据，帮助用户深入理解系统内部运行机制，探索潜在的性能瓶颈，及时准确地检测出异常情况^[2]，在表征复杂系统方面已达到广泛的应用。Sakin等^[3]针对系统进程监视开发一套可视化工具Traveler，通过甘特图对任务调度进行过程可视，采用不同的功能框图表征各类指标参数变化，任务间依赖关系通过树状结构展示，采用区间直方图表征任务执行时序分布；Haimes^[4]针对大规模科学模拟数据，提出了原位可视化的概念；Shilpika等^[5]面向硬件系统产出的时间序列数据，提出增量渐进的可视变化分析方法；Kesavan等^[6]针对系统流数据的分析问题，提出一种数据管理、分析、交互的三层可视框架；Zhang等^[7]针对系统进程参数及数据状态变化的可视化提出一种节点链接图；Xu等^[8]实现交互可视分析平台CloudDet，以支撑对系统多元时序数据的监视与异常监测。

已有研究大部分以体系运行监视或虚拟仿真为目的，研究重点多为针对单一类型数据的可视化表征算法，但复杂装备体系效能的发挥需要综合考虑业务数据、环境条件、用户任务等多维度要素。为此，设计4层装备体系全景可视化架构，提出一种装备资源数据多维关联模型，收集多维关键资源可视化要素数据进行关联并根据不同的可视需求完成数据域到可视域映射。针对时变数据空间态势关联可视与装备数据板块层级可视等，设计多种的可视布局算法；综合考虑用户群、用户类别、个体用户习惯，构筑用户偏好规则网进行可视页面的个性推荐；基于面向业务规则的分布式数据同步方法和大厅驱动式页面开发模型，实现多种资源可视页面。

1 总体架构

复杂装备体系全景可视化共分为4层，从下而上分别是可视化要素模型层、多维关联模型层、可视化引擎层和可视化应用层，如图1所示。

可视化要素模型层对各类资源数据进行分析，采选出其中可用于可视化表达的属性要素建立了规范化统一的可视化要素模型；多维关联模型层在可视化要素模型层基础上从频时空等多个维度对资源数据进行关联建模；可视化引擎层建立了二维、三维等多种可视化引擎，下层根据数据模型和关联模型组织好的资源数据通过此层进一步按各种引擎的数据规范组织构建展示数据模型；最上1层是可视化应用层，按照实际应用需求设计的各类可视化视图通过应用层依赖下3层进行可视化引擎、要素数据和关联关系的选取与再组织，最终形成可视化图表展现给用户。

其中，装备资源数据多维关联模型基于可视化要素构建，对数据、装备、节点（从系统逻辑结构及物理分布上进行划分部署的一组装备子群，如区域中心节点、边缘传感节点等）、用户、任务、任务素材等关键资源可视化要素进行挖掘，提取出其中在时域、频域、空域等维度的关联关系，是数据组织的核心和上层应用的基座。

采用基于图数据模型进行可视要素关联关系组织管理，其模型定义为M=[V,E]。其中：V为定点集合，表示信号、装备等资源要素对象的唯一标识；E为加权关联边，权值为关联关系类别值域，表示对象间的各种关联关系。

使用多维关联图模型构建的节点—数据—装备—任务关联模型例子如图2所示。当需要对节点A上天线1产出的数据资源进行可视展示时，不需要再从数据库中去遍历查询，直接可从模型上定位得到数据2和数据3。

2 关联可视布局技术

2.1 基于空间统计的态势可视布局技术

传统的态势可视通常采用在二、三维地图上绘制点线面等图元的方式，展示方法较为简单，然而当数据空间分布稀疏不均时，会出现密集部分图元堆叠、稀疏部分大量留白等问题，视觉复杂度高且总体态势不清晰。为此，设计基于统计空间的态势可视布局方法，通过划分空间网格，对其中可视对象数据的出现频次进行统计聚合，然后再映射到2.5维空间内进行立体展示。该方法主要步骤如下。

1）根据数据分布情况计算网格颗粒度，将展示空间范围分割为不同网格区块，获取网格边界经纬度上下限。

2）对待所有绘制的对象数据进行可视坐标映射，计算得到其归属的网格。

X_{\mathrm{s}}=\frac{L_{\mathrm{l}\mathrm{o}\mathrm{n}}\times S_{\mathrm{w}}}{\mathrm{m}\mathrm{a}\mathrm{x}\left(L_{\mathrm{l}\mathrm{o}\mathrm{n}}\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left(L_{lon}\right)}（1）

Y_{\mathrm{s}}=\frac{L_{\mathrm{l}\mathrm{a}\mathrm{t}}\times S_{\mathrm{h}}}{\mathrm{m}\mathrm{a}\mathrm{x}\left(L_{\mathrm{l}\mathrm{a}\mathrm{t}}\right)-\mathrm{m}\mathrm{i}\mathrm{n}(L_{\mathrm{l}\mathrm{a}\mathrm{t}})}（2）

式中：L_lon为经度；L_lat为纬度；S_{\mathrm{w}}为屏宽；S_{\mathrm{h}}为屏高；X_{\mathrm{s}}为转换后屏幕x坐标；Y_{\mathrm{s}}为转换后屏幕y坐标。

3）聚合统计每个网格的对象数，根据z坐标范围调整网格柱高度，绘制矩形网格柱。

可视坐标转换过程如图3所示。

2.2 装备板块层级可视化技术

板块层级布局的关键核心是划分问题，经典的布局算法包括由文献[9-10]提出的Slice and Dice算法等。该方法采用纵横交替的策略进行板块切分，其填充过程如图4所示。

由于该切分方法主要考虑顺序和权值映射面积，在数据间差异较大的情况下，会出现视觉效果较差的现象。为此，设计一种基于空间填充的层次数据可视化布局技术，通过均衡矩形长宽比来减少狭长板块，使装备资源数据可视布局更为合理。该方法主要步骤如下。

1）从装备底数库中按设备编码聚合查询得到每型设备数量，形成装备类型数组。

2）获取手段系统和时间，查询告警信息库并计算得到每型设备故障率。

3）根据装备数量进行板块层级布局，每一型代表1个板块。

4）找出数量最大的板块M_max，将其余板块分成3个子集S₁、S₂、S₃。其中：S₁为序号在M_max前的板块集合；S₂包含序号在M_max之后的板块，且能使M_max的长宽比尽可能接近于1∶1；S₃包含M_max之后所有S₂以外的板块。

5）根据从左到右、从上到下的顺序对M_max、S₁、S₂、S₃进行布局，在S₁、S₂、S₃板块集合内重复上述步骤4~步骤5，直到全部板块划分完毕。

6）根据设备故障率为所有板块赋色。

根据基于空间统计的态势方法和装备板块层级进行布局的可视效果如图5所示。

3 基于角色模型的可视化推荐技术

提炼不同用户群、不同类别用户的使用偏好形成群体智慧，结合用户个性化的历史操作习惯，提供可视页面集合导航偏好推荐，使用户能够快速定位所需的可视化信息。

3.1 算法描述

对单个用户个体行为进行提炼，以此作为用户使用偏好的依据，从而构建用户行为模型，在此基础上，按用户群、用户类别、用户等3个维度规整融合构建用户群模型、用户类别模型和用户个性模型。通过对用户行为信息的不断充实，可依据模型逐步形成用户群偏好、用户类别偏好和用户个性偏好3个知识库，并进一步构筑用户偏好规则网，为用户推理得到可视化页面推荐列表，其总体流程如图6所示。

1）用户行为模型。用户行为模型（User Behavior Model, UBM）表示用户一次登录的行为记录模型。使用集合B表示某用户一次登录的行为集，元素b为该用户在某一页面的行为模型，使用五元组〈u,v,c,T,e〉表示，则可定义UBM为

B=\left\{b\right\}=\left\{〈u,v,c,T,e〉\right\}（3）

式中：u表示登录用户，其用户群为G，用户类别为C；v=〈v_{\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{e}},v_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{a}}〉表示可视化视图对象，v_{\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{e}}为可视化视图类别名称，v_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{a}}为可视化视图数据集，例如〈\mathrm{系统}\mathrm{装备},\mathrm{运控}〉表示运控系统的装备页面数据集；c表示本次登录过程中u对v的点击数，c越多则关注度越高；T表示本次登录过程中u在页面v的平均停留时长，T越长则关注度越高；e表示本次登录过程中u在v上的查询、切换、点击查看等重要操作的平均次数，操作越频繁则表明用户越关注该页面。

2）用户群偏好模型。用户群偏好模型（Group Preference Model, GPM）定义为各用户群偏好P_G 的集合，P_G=\left\{P_{G_{\mathrm{1}}},P_{G_{\mathrm{2}}},P_{G_{\mathrm{3}}},\dots ,P_{G_n}\right\}。其中，用户群G_i的偏好P_{G_i}为一组带有偏好度R_{\mathrm{P}\mathrm{V}\_G}和迭代度R_{\mathrm{I}\mathrm{D}\_G}的可视化页面组合，可表示为

P_{G_i}=\left\{〈v_{\mathrm{1}},R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{1}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{1}}}〉,〈v_{\mathrm{2}},R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{2}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{2}}}〉,\dots ,\right.

\left.〈v_m,R_{\mathrm{P}\mathrm{V}\_G_m},R_{\mathrm{I}\mathrm{D}\_G_m}〉\right\}（4）

更新GPM时，输入为本次UBM集合和原始的P_G （P_G 初始状态P_{G_{\mathrm{O}}}=\left\{\left.P_{G_i}\right|P_{G_i}=\mathrm{\varnothing },i=\mathrm{1,2},\dots ,n\right\}），然后根据用户行为权值w_c、w_T、w_e和时效性权值w_t进行加权计算得到，其算法更新步骤如算法1所示。其中：SORT()表示排序操作；dsc()表示降序操作。

算法1 用户群偏好模型更新算法

输入：用户群偏好模型P_G 、已有用户群偏好模型\left\{B\right\}

输出：更新后的用户群偏好模型P_G

for each B=\left\{〈u,v,c,T,e〉\right\}\in \left\{B\right\} do

if u\in G_i then

if 〈v_i,R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}〉\bigcap P_{G_i}=\mathrm{\varnothing } then

v_i\leftarrow v

R_{\mathrm{P}{\mathrm{V}}_{\mathrm{i}}}\leftarrow

\left(w_c\times c+w_T\times T+w_e\times e\right)/\left(w_c+w_T+w_e\right)

R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}\leftarrow \mathrm{1}

P_{G_i}\leftarrow P_{G_i}\bigcup 〈v_i,R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}〉

else

R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}}\leftarrow R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}\times R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}}+w_t\times

\left(w_c\times c+w_T\times T+w_e\times e\right)/\left(w_c+w_T+w_e\right)

R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}}\leftarrow R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{i}}}/\left(R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}+w_t\right)

R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}\leftarrow R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{i}}}+\mathrm{1}

end if

end if

end for

\mathrm{S}\mathrm{O}\mathrm{R}\mathrm{T}\left(P_G,R_{\mathrm{P}\mathrm{V}\_G},\mathrm{d}\mathrm{s}\mathrm{c}()\right)

return P_G

3）用户类别偏好模型。用户类别偏好模型（Category Preference Model, CPM）定义为各用户类别偏好P_C 的集合，P_C=\left\{P_{C_{\mathrm{1}}},P_{C_{\mathrm{2}}},P_{C_{\mathrm{3}}},\dots ,P_{C_n}\right\}。其中，用户群C_i的偏好P_{C_i}为一组带有偏好度R_{\mathrm{P}\mathrm{V}\_C}和迭代度R_{\mathrm{I}\mathrm{D}\_C}的可视化页面组合，可表示为

P_{C_i}=\left\{〈v_{\mathrm{1}},R_{\mathrm{P}\mathrm{V}\_C_{\mathrm{1}}},R_{\mathrm{I}\mathrm{D}\_C_{\mathrm{1}}}〉,〈v_{\mathrm{2}},R_{\mathrm{P}\mathrm{V}\_C_{\mathrm{2}}},R_{\mathrm{I}\mathrm{D}\_C_{\mathrm{2}}}〉,\dots ,\right.

\left.〈v_m,R_{\mathrm{P}\mathrm{V}\_C_m},R_{\mathrm{I}\mathrm{D}\_C_m}〉\right\}（5）

用户类别偏好知识库根据用户行为集合计算得到，输入是本次更新的UBM集合和原始的P_C （P_C 初始状态P_{C_{\mathrm{O}}}=\left\{\left.P_{C_i}\right|P_{C_i}=\mathrm{\varnothing },i=\mathrm{1,2},\dots ,n\right\}），然后根据w_c、w_T、w_e和w_t依据P_C 定义对当前UBM集合中的各类用户行为进行加权计算得到新的用户类别偏好知识库，其算法更新步骤原理同算法1。

4）用户个体偏好模型。用户个体偏好模型（Personal Preference Model, PPM）定义为各用户群偏好P_u的集合，P_u=\left\{P_{u_{\mathrm{1}}},P_{u_{\mathrm{2}}},P_{u_{\mathrm{3}}},\dots ,P_{u_n}\right\}。其中，用户u_i的偏好P_{u_i}为一组带有偏好度R_{\mathrm{P}\mathrm{V}\_u}和迭代度R_{\mathrm{I}\mathrm{D}\_u}的可视化页面组合，可表示为

P_{u_i}=\left\{〈v_{\mathrm{1}},R_{\mathrm{P}\mathrm{V}\_u_{\mathrm{1}}},R_{\mathrm{I}\mathrm{D}\_u_{\mathrm{1}}}〉,〈v_{\mathrm{2}},R_{\mathrm{P}\mathrm{V}\_u_{\mathrm{2}}},R_{\mathrm{I}\mathrm{D}\_u_{\mathrm{2}}}〉,\dots ,\right.\left.〈v_m,R_{\mathrm{P}\mathrm{V}\_u_m},R_{\mathrm{I}\mathrm{D}\_u_m}〉\right\}（6）

更新PPM时，输入为本次更新的UBM集合和原始的P_u（P_u初始状态P_{u_{\mathrm{O}}}=\left\{\left.P_{u_i}\right|P_{u_i}=\mathrm{\varnothing },i=\mathrm{1,2},\dots ,n\right\}），然后根据w_c、w_T、w_e和w_t加权计算得到，其更新算法步骤原理同算法1。

5）用户偏好规则网。在以上偏好基础上，可构建用户偏好规则网，为新登录用户推荐可能感兴趣的页面集合。设登录用户为u_l，u_l\in G_l,u_l所属类别为C_l；返回的推荐页面集合为v=\left\{v_{p_{\mathrm{1}}},v_{p_{\mathrm{2}}},\dots ,v_{p_k}\right\}，返回集合大小\left|v\right|=k。各取出P_{G_l}、P_{C_l}、P_{u_l}中R_{\mathrm{P}\mathrm{V}}最高的前k\mathrm{个}〈v,R_{\mathrm{P}\mathrm{V}},R_{\mathrm{I}\mathrm{D}}〉构建偏好规则网络，可表示为

\mathrm{T}\mathrm{o}\mathrm{p}-k\left(P_{G_l}\right)=\left\{〈v_a,R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{a}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{a}}}〉,〈v_b,R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{b}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{b}}}〉,\right.

\left.〈v_c,R_{\mathrm{P}\mathrm{V}\_G_{\mathrm{c}}},R_{\mathrm{I}\mathrm{D}\_G_{\mathrm{c}}}〉\right\}（7）

\mathrm{T}\mathrm{o}\mathrm{p}-k\left(P_{C_l}\right)=\left\{〈v_c,R_{\mathrm{P}\mathrm{V}\_C_{\mathrm{c}}},R_{\mathrm{I}\mathrm{D}\_C_{\mathrm{c}}}〉,〈v_b,R_{\mathrm{P}\mathrm{V}\_C_{\mathrm{b}}},R_{\mathrm{I}\mathrm{D}\_C_{\mathrm{b}}}〉,\right.

\left.〈v_d,R_{\mathrm{P}\mathrm{V}\_C_{\mathrm{d}}},R_{\mathrm{I}\mathrm{D}\_C_{\mathrm{d}}}〉\right\}（8）

\mathrm{T}\mathrm{o}\mathrm{p}-k\left(P_{u_l}\right)=\left\{〈v_b,R_{\mathrm{P}\mathrm{V}\_u_{\mathrm{b}}},R_{\mathrm{I}\mathrm{D}\_u_{\mathrm{b}}}〉,〈v_e,R_{\mathrm{P}\mathrm{V}\_u_{\mathrm{e}}},R_{\mathrm{I}\mathrm{D}\_u_{\mathrm{e}}}〉,\right.

\left.〈v_d,R_{\mathrm{P}\mathrm{V}\_u_{\mathrm{d}}},R_{\mathrm{I}\mathrm{D}\_u_{\mathrm{d}}}〉\right\}（9）

用户偏好规则网如图7所示，其中k=\mathrm{3}。

选取入度最大的前k个页面节点作为推荐页面返回，若入度相同则计算\sum R_{PV}，取较大值返回。在上例中，推荐给用户的可视化界面列表为v=\left\{v_b,v_c,v_d\right\}。

3.2 仿真验证

使用来自两个用户群的3种类别共30名用户组成的实际测试组进行仿真实验，如表1所示。

用户在试用全景监视用户插件一段时间后，对算法给出的推荐页面进行逐一判定是否为其感兴趣的页面，然后计算其平均满意率并作为评价标准，将结果与随机推荐、仅考虑用户群群体偏好、仅考虑用户类别群体偏好这3种情况进行对比。仿真实验结果如图8所示。图8中：k为返回结果集的大小；权值参数w_c\mathrm{、}{w}_T\mathrm{、}{w}_e均取值为1。实验结果表明，基于用户行为个性分析与群体智慧的智能页面推荐算法，既考虑了用户个体的使用习惯，又考虑了用户群群体智慧和统一用户类别的群体智慧，返回的前9个推荐页面均为各用户感兴趣的页面，返回的前15个推荐页面的总体满意率均在90%以上。该结果优于仅考虑用户群群体偏好或仅考虑用户类别群体偏好，且用户类别的兴趣相似性高于用户群的兴趣相似性。

4 系统实现

可视数据以各业务节点分布在不同地理位置，相对分散，故在系统实现时，首先要解决信息流畅交流和共享所涉及到的问题。为此，设计面向业务规则的分布式数据同步方法，其总体框架如图9所示。

采用复杂装备体系全景可视化技术实现系统可视界面，包括装备全貌可视化、信号资源可视化、设施环境可视化、用户任务可视化等类别，用户登录系统后通过基于角色模型的推荐算法推荐给用户不同页面快速导航的入口，如图10所示。

1）装备全貌详细展示所有装备资源属性、参数以及工作状态，根据部署阵地、所属系统、隶属单位对所有装备进行分类可视，支持装备的实时故障告警以及虚拟面板等，如图11所示。

2）信号资源视图展示系统处理各类信号资源的详细底数情况，能够按照信号类型、所属阵地进行统计分析，实时监测信号载噪比、误码率、信号电平等参数告警，如图12所示。

3）设施环境可视化展示系统物理基础设施的状态情况，对各个节点室内机房和室外天线进行了三维仿真建模，能实时监测其视频数据，以及室内温湿度与烟雾监测曲线，可进行实时温度与烟雾告警等，如图13所示。

4）用户任务可视化展示各类系统业务任务的执行情况，包括运行状态、详细参数、执行结果、装备链路、业务数据流量等，展示所有用户工作台位业务应用软件部署与运行情况，以及当班工作人员的在位状态等，如图14所示。

6 结束语

针对复杂装备体系，设计可视要素多维关联模型，对各类系统、装备、数据、环境、任务、用户等进行可视化关联表征；经过收集、汇聚、分析、处理，通过基于空间统计的态势可视、装备板块层级等可视化布局技术，综合生成各种全景可视化视图；针对不同用户提出基于角色模型的可视化推荐，实现装备体系运行过程、任务执行过程、用户操作过程等全过程可视化以及各类数据的全资源可视化，确保体系全过程透明、全资源透明，有效提升用户对装备体系整体态势感知和运行效能的认知。

后续工作将在本文工作基础上从以下两个方面开展：一是用户偏好规则网的基础上，将用户偏好知识与大模型结合，研究生成式页面智能推荐算法，为用户推荐更为精准的个性化可视页面；二是基于已收集关联的各类资源可视数据，研究智能问答算法，接收用户精准需求，整合其关心的数据自动构建生成个性化可视页面。

参考文献

[1] 阮婉玲，樊一阳.信息可视化发展研究综述［C］∥2012年全国科学学理论与学科建设暨科学技术学两委联合年会论文集.［出版地不详］：［出版者不详］，2012：137-145.

[2] 吕斐，陈长建，张嘉鹏，等.面向超级计算机系统的可视化综述［J］.计算机辅助设计与图形学学报，2024，36（3）：321-335.

[3] SAKIN S A， BIGELOW A， TOHID R， et al. Traveler： navigating task parallel traces for performance analysis［J］. IEEE Transactions on Visualization and Computer Graphics， 2023，29（1）：788-797.

[4] HAIMES R. pV3： a distributed system for large-scale unsteady CFD visualization［C］∥Proceedings of 32nd Aerospace Sciences Meeting and Exhibit. Reston， USA： AIAA， 1994：No.321.

[5] SHILPIKA， FUJIWARA T， SAKAMOTO N， et al. A visual analytics approach for hardware system monitoring with streaming functional data analysis［J］. IEEE Transactions on Visualization and Computer Graphics， 2022，28（6）：2338-2349.

[6] KESAVAN S P， FUJIWARA T， LI J K， et al. A visual analytics framework for reviewing streaming performance data［C］∥Proceedings of 2020 IEEE Pacific Visualization Symposium. Piscataway， USA： IEEE， 2020：206-215.

[7] ZHANG J， YANG C H， LI Y D， et al. LBVis： interactive dynamic load balancing visualization for parallel particle tracing［C］∥Proceedings of 2020 IEEE Pacific Visualization Symposium. Piscataway， USA： IEEE， 2020：91-95.

[8] XU K， WANG Y， YANG L N， et al. CloudDet： interactive visual analysis of anomalous performances in cloud computing systems［J］. IEEE Transactions on Visualization and Computer Graphics， 2020，26（1）：1107-1117.

[9] JOHNSON B， SHNEIDERMAN B. Tree-maps： a space-filling approach to the visualization of hierarchical information structures［C］∥Proceedings of Visualization ’91. Piscataway， USA： IEEE， 2002：284-291.

[10] SHNEIDERMAN B. Tree visualization with tree-maps： 2-d space-filling approach［J］. ACM Transactions on Graphics， 1992，11（1）：92-99.