月度存档: 四月 2019 - 第2页

用于在高性能计算应用中检测异常调用堆栈树的可视分析框架 (A Visual Analytics Framework for the Detection of Anomalous Call Stack Trees in High Performance Computing Applications)

图9 分析案例。

在高性能计算(HPC)应用中,诸如延迟之类的异常行为会对运行程序产生很大的负面影响。 因此,检测HPC集群中的异常执行是非常重要的。这些异常执行通常是从跟踪事件(trace event)中识别的,也是HPC节点中函数入口、出口和消息传递的序列。下图1(b)显示了HPC节点中计算函数的一次执行(图1(a))内的跟踪事件的示例。它表示在执行compute函数期间调用堆栈的历史(使用绿色等颜色表示的函数即其调用的子函数)。目前,领域科学家一般基于函数随时间变化的执行时长等信息来检测异常执行。但是,这种方法并不能完全识别和诊断真正的异常。例如,图1中compute函数的延迟可能是由其子函数引起的,而这种延迟可能是由与之通信的其他HPC结点造成的。因此,在没有上下文函数执行结构的情况下对异常函数进行检测是不够的。

继续阅读 »

基于话题探索和嵌入式可视化促进研究思路生成 (Topic-based Exploration and Embedded Visualizations for Research Idea Generation)

研究者经常需要通过写作的方式讲述自己的研究思路。在写作的过程中,随着新的观点以及相关论据被引入,针对问题的研究思路会得到调整和逐步完善。这是一个认知构建(sensemaking)的过程,可以分为两个阶段:构建框架(framing),完善细节(elaboration)。具体到一个提案的写作过程中,在框架阶段,研究者会创建和修改整个写作的提纲;在细节阶段,会加入更多的相关工作支持论点。本工作调研了研究者在写作过程中的痛点,构建了一个系统,减轻写作负担,促进研究想法的生成、完善。

继续阅读 »

基于任务的基本可视化效果(Task-Based Effectiveness of Basic Visualizations)

大量先前的研究评估了不同可视化类型的有效性。然而,这些研究是在不一致的条件下进行的,样本大小不同,任务数量有限,使用的数据集不同。研究表明,可视化的有效性取决于几个因素,包括手头的任务,以及可视化的数据属性和数据集。例如,虽然一个图表可能适合回答特定类型的问题(例如,检查两个数据属性之间是否存在相关性),但它可能不适合其他类型(例如,查找具有最大值的数据点)。

继续阅读 »

可读写可视化的设计阐述(Design Exposition with Literate Visualization)

本文提出了一种易读可视化的概念,作为一种新的可视化设计与交流的方法。这种方法能够将编写数据可视化代码的过程与导致实现(设计说明)的设计选择的描述集成在一起。本文首先探索了四种针对不同用户的可视化设计的模型,包括评价者,自主设计者,说教者,以及理性主义者。易读可视化的关键点在于,文档集成了实时编码的输入,输出的呈现与文本描述。该方法编写文本描述的成本较低,鼓励结构化可视化设计以及文档书写。本文提出了一个新的开放源码的可视化环境,Litvis,它基于通过功能编程语言ELM与可视化的描述性语言Vega和Vega-Lite的声明性接口相结合。

继续阅读 »