蘇芮 努爾布力 王鵬

摘 要： 采用Web of Science中1999—2017年收錄的450篇以網(wǎng)絡流量可視化為主題的文獻作為數(shù)據(jù)來源，主要運用CiteSpace 可視化工具，使用科學計量學的分析方法，回顧國際上該領域的研究熱點及研究概況。研究發(fā)現(xiàn)，目前為止，已完成新的理論體系研究，并延伸到眾多典型研究領域。其中計算機領域和數(shù)學領域的期刊成為主要引用期刊，并且作者之間合作密切，可視分析成為近年來一大研究熱點。分析結(jié)果有助于為該領域的相關人員做進一步深層研究提供參考。

關鍵詞： 網(wǎng)絡流量； 可視分析； CiteSpace； 文獻計量分析； 知識圖譜； 科學計量學

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2018）18?0062?05

Bibliometric analysis based on visualization study of network traffic

SU Rui， Nurbol， WANG Peng

（School of Information Science and Engineering， Xinjiang University， Urumqi 830046， China）

Abstract： Taking 450 network traffic visualization themed papers recorded in Web of Science from 1999 to 2017 as the data source， the international research hotspot and research overview in this field were reviewed by mainly using the visualization tool CiteSpace and analysis method of scientometrics. It is found that up to now， new theoretical system research has been completed and extended to many typical research fields. The journals in computer science and mathematics fields are mostly cited in the research， and the cooperation among the authors is close. Visual analysis has become a research hotspot in recent years. The analysis results can provide a reference for related personnel in the field to carry out further deep research.

Keywords： network traffic； visual analysis； CiteSpace； bibliometric analysis； knowledge map； scientometrics

0 引 言

網(wǎng)絡流量是主要的網(wǎng)絡狀態(tài)之一，像蠕蟲傳播和網(wǎng)絡掃描這樣的事件通常首先導致流量發(fā)生顯著變化，如何幫助網(wǎng)絡安全分析人員理解流量數(shù)據(jù)下的信息流已成為網(wǎng)絡取證的一個重要而緊迫的問題。而數(shù)據(jù)可視化可將大型數(shù)據(jù)集中的數(shù)據(jù)以圖形圖像形式表示，并發(fā)現(xiàn)其中未知信息，因此可視化已成為探索海量數(shù)據(jù)的有效方法，被經(jīng)常應用到網(wǎng)絡流量的研究[1]中來。

本文研究的目的在于了解國內(nèi)外對基于網(wǎng)絡流量可視化研究的基本現(xiàn)狀。運用CiteSpace[2]工具的文獻計量方法指導，并結(jié)合網(wǎng)絡流量和可視化相關知識，分析整理了近19年的網(wǎng)絡流量可視化的研究概況（Web of Science中SCI論文為1999年至今），并構(gòu)建了知識圖譜。本文的主要目標是解決以下問題：

1） 國內(nèi)外近19年在網(wǎng)絡流量可視化領域的研究熱點可能有哪些？

2） 網(wǎng)絡流量可視化的研究概況是怎樣的？

本文的主要研究工作表述如下：首先從多方面對該領域的研究概況進行闡述，然后分析基于共詞的研究熱點，為相關人員做深入研究提供參考。

1 數(shù)據(jù)來源與研究工具

1.1 數(shù)據(jù)來源

因有關基于網(wǎng)絡流量可視化研究的中文文獻較少，所以本文使用的數(shù)據(jù)來源于Web of Science核心合集（SCI?EXPANDED），以主題為檢索項，以“visualization AND network traffic OR visualization AND network flow OR visual AND network traffic OR visual AND network flow OR visualize AND network traffic OR visualize AND network flow”為檢索式，文獻類型限定為“ARTICLE OR PROCEEDINGS PAPER”，研究領域限定為“COMPUTER SCIENCE * OR INFORMATION SCIENCE LIBRARY SCIENCE”，最終得到450篇相關文獻。

1.2 研究方法及工具

本文所使用的研究方法是知識圖譜[3]，它是將應用數(shù)學、圖形學、信息可視化技術等學科的理論、方法與計量學引文分析、共現(xiàn)分析等方法結(jié)合的一種研究方法。知識圖譜的研究方法被廣泛應用于從海量文獻中凝煉關鍵知識點、發(fā)現(xiàn)學科研究前沿等問題，有利于了解所研究領域的整體狀況。

使用的研究工具為陳超美教授開發(fā)的可視化軟件：CiteSpace5.1.R6。CiteSpace可以對檢索得到的論文進行關鍵字、作者、共被引作者、國家與機構(gòu)等分析，提煉出關鍵內(nèi)容，最終找出學科領域嚴謹?shù)年P鍵路徑和學科領域演進的關鍵點文獻、分析學科的熱點和前沿等功能。到目前為止，該軟件已經(jīng)成為計量分析方面影響力比較大的可視化軟件之一。研究方法流程如圖1所示。

2 研究概況

2.1 主要國家和機構(gòu)分析

通過對國家和機構(gòu)進行分析，可以幫助了解相關國家或機構(gòu)對網(wǎng)絡流量可視化領域的研究程度以及它們之間的合作情況。圖2為設定工具閾值和相關系數(shù)后，繪制的國家及機構(gòu)圖譜，圓形節(jié)點代表國家，直線分支上的小節(jié)點代表機構(gòu)，節(jié)點大小代表發(fā)文量多少；節(jié)點間的連線代表對應的兩個國家或機構(gòu)之間有合作關系；連線的粗細程度代表兩者之間合作的緊密程度。

從表1可知，發(fā)文量在20篇以上的國家有6個，其中美國發(fā)文量最多。中間中心性反映了節(jié)點對應的國家在該領域中占據(jù)的位置，同時美國的中心度排名最高（1.02），表明大部分國家都直接或間接地與美國有合作關系，與美國主要合作的國家有中國、韓國、德國、加拿大和英國。通過對機構(gòu)的分析，發(fā)現(xiàn)排名前10的機構(gòu)共屬于7個國家，其中美國3所、西班牙3所、德國2所、中國、韓國、英國各1所；并且這些國家發(fā)文量均在前10位，說明這些國家不管自身還是其機構(gòu)，都在該領域處于非?；钴S的狀態(tài)。在這些機構(gòu)中，德克薩斯大學和慕尼黑科技大學起步較早，其余機構(gòu)的首次發(fā)文年份均在2004年以后，說明網(wǎng)絡流量可視化的研究自2004年開始逐步受到國際的重視，并且關注點主要集中在可視化、檢測、建模等方面。

2.2 作者分析

2.2.1 高產(chǎn)作者分析

作者的發(fā)文量間接反映了作者在某一領域的影響力。據(jù)統(tǒng)計，檢索的450篇文獻中，共得到作者493位。由表2可知，發(fā)文量為3篇的作者數(shù)量居多，其中Herrero A和Corchado E發(fā)文量并列第一（7篇），Herrero A教授主要的研究興趣是和人工智能[4]應用相關，包括人工神經(jīng)網(wǎng)絡（主要是基于無監(jiān)督學習），多智能體系統(tǒng)和混合人工智能，專門解決在計算機網(wǎng)絡安全領域的問題；Corchado E教授的研究興趣主要集中在人工神經(jīng)網(wǎng)絡，特別關注于探索性投影尋蹤、自組織映射和核方法。從首次發(fā)文年份上看，集中分布在2003—2006年，說明1999—2002年期間，研究人員對基于網(wǎng)絡流量可視化的研究正處于逐步摸索的階段，并在2003—2006年漸漸有了研究成果。

2.2.2 作者合作分析

合作滲透在各個方面，對于各個領域的研究具有重大意義。圖3所示的圖譜中，節(jié)點代表作者，色調(diào)的冷暖程度代表作者的活躍程度；作者名字的大小代表作者發(fā)文量的多少；連線代表相關作者有合作關系。結(jié)合圖3和統(tǒng)計結(jié)果可知，對該領域研究貢獻位居前三的團體分別是Saiz J M，Herrero A和Corchado E，共合作（包括兩兩合作）論文9篇，主要集中在神經(jīng)網(wǎng)絡、網(wǎng)絡檢測和數(shù)學等方面；Lee H，Kim H和Bahk S，共合作論文5篇，主要集中在網(wǎng)絡攻擊、數(shù)據(jù)可視化等方面；Karlsson G，F(xiàn)odor V和Dan G共合作論文3篇，主要集中在網(wǎng)絡流量的分析、分組分布等方面。

2.3 核心文獻分析

文獻的被引頻次[5]是最能直接體現(xiàn)文獻學術影響力及其價值的重要指標。

表3是被引頻次top10的文獻統(tǒng)計列表，從表中可知，Zhang YM發(fā)表的“Active and dynamic information fusion for facial expression understanding from image sequences”[6]位居第一位，被引頻次高達192次，該文探討了一種多傳感器信息融合技術，該技術使用動態(tài)貝葉斯網(wǎng)絡建模，可以了解人臉表情在圖像序列中的瞬時行為并在不同條件下準確地識別圖像序列中的自發(fā)表情。第二位核心文獻是Ahmad I發(fā)表的“Video transcoding： An overview of various techniques and research issues”[7]一文，被引頻次為143次，該文概述了幾種視頻轉(zhuǎn)碼技術及其相關研究問題，并介紹了視頻轉(zhuǎn)碼的一些基本概念，然后回顧和對比各種方法，強調(diào)了關鍵的研究問題。Ciresan Dan發(fā)表的“Multi?column deep neural network for traffic sign classification”[8]排在第三位，被引頻次為131次，該文提出了一種對物體識別率較高的方法，該方法使用快速的、基于深層神經(jīng)網(wǎng)絡的完全參數(shù)化的GPU實現(xiàn)，不需要詳細設計的預布線的特征提取器，是一種有監(jiān)督的學習方法。它將在預處理后的數(shù)據(jù)上訓練過的深度神經(jīng)網(wǎng)絡結(jié)合為多柱深度神經(jīng)網(wǎng)絡，進一步提高識別性能。

結(jié)合表3的關注點來看，10篇論文中有5篇都與人工智能相關。例如Corchado E發(fā)表的“Neural visualization of network traffic data for intrusion detection”[9]一文介紹了一個新的入侵檢測系統(tǒng)，系統(tǒng)應用神經(jīng)投影結(jié)構(gòu)來檢測計算機網(wǎng)絡中的異常情況，并提出了一個提供智能決策支持系統(tǒng)領域的新角度，可以更有趣地預測要提取的海量流量數(shù)據(jù)集。然后通過功能性的、移動化的可視化界面描述這些預測，提供流量數(shù)據(jù)內(nèi)部結(jié)構(gòu)的可視信息。該篇文獻的研究就很好地將人工智能相關知識應用到了入侵檢測當中。可知，人工智能相關方法也完全可以應用到基于網(wǎng)絡流量可視化的研究中來。

2.4 期刊分布和會議概況分析

對期刊和會議的分析，可以幫助了解基于網(wǎng)絡流量可視化研究領域的重要期刊和會議。據(jù)統(tǒng)計，檢索得到的450篇論文均屬于期刊論文，其中92篇既是期刊論文，又是會議論文。

2.4.1 期刊分布分析

本文使用CiteSpace工具中的Daul?map overlays對期刊進行分析，可以有效揭示期刊間的聯(lián)系。圖4為使用Daul?map overlays對期刊分析的圖譜，左側(cè)是施引文獻期刊；右側(cè)是被引文獻期刊。由圖4可知，基于網(wǎng)絡流量可視化的研究領域中，施引文獻的期刊主要分布在兩個區(qū)域，分別為：以曲線1為起點的物理學/材料學/化工、以曲線2為起點的數(shù)學/系統(tǒng)學/統(tǒng)計學。曲線1主要指向環(huán)境學/毒理學/營養(yǎng)學；曲線2有兩條數(shù)據(jù)流，分別指向系統(tǒng)學/計算學/計算機學、獸醫(yī)/動物學/寄生蟲學，說明數(shù)學/系統(tǒng)學/統(tǒng)計學領域主要引用的期刊來源為系統(tǒng)學/計算學/計算機學和獸醫(yī)/動物學/寄生蟲學。

通過以上分析可知，施引文獻期刊主要分布在數(shù)學、系統(tǒng)學、統(tǒng)計學，被引文獻期刊主要分布在系統(tǒng)學、計算學、計算機學。所以計算機領域和數(shù)學領域的期刊是該研究領域的主要引用期刊。

2.4.2 會議概況分析

會議論文[10]是學術交流的重要產(chǎn)物，許多重要想法和研究成果的主要體現(xiàn)形式就是以國際會議論文的形式發(fā)表。本文對92篇會議論文分布的兩個主要會議進行了介紹，表4為這兩個會議近三年的主題列表。IEEE可視化會議（VIS）是致力于可視分析[11]的國際領先會議，該會議上的論文都比較具有參考價值。IEEE VIS 2006是第一屆可視分析科學和技術進步的國際研討會，會議主題主要圍繞信息可視化、大數(shù)據(jù)可視化和可視化網(wǎng)絡等方面；ACM SIGGRAPH會議是由美國計算機協(xié)會計算機圖形專業(yè)組組織的計算機圖形學的頂級年度會議，在圖形圖像技術、計算機軟硬件等方面具有相當大的影響力，第一屆ACM SIGGRAPH會議于1974年召開，該會議有上萬名計算機從業(yè)者參加。

這些會議致力于研究可視呈現(xiàn)、可視分析和可視化網(wǎng)絡等方面，各國相關領域的研究人員通過會議互相交流對數(shù)據(jù)可視化的新想法，并共同致力于推動數(shù)據(jù)可視化的發(fā)展，這些都充分說明數(shù)據(jù)可視化方向的研究已成為國內(nèi)外研究的熱點問題。

3 研究熱點

研究熱點體現(xiàn)了當下主流的研究內(nèi)容，關鍵詞是對一篇文章主旨內(nèi)容的高度概括和凝練，直接反映了當前的研究熱點。為了直觀地了解網(wǎng)絡流量可視化當前的研究熱點，利用CiteSpace工具繪制了基于共詞分析的關鍵詞知識圖譜，如圖5所示，其中圓形節(jié)點大小代表關鍵詞出現(xiàn)的頻次。

從圖5可以看出，排在首位的關鍵詞是visualization，也是本篇文章的檢索詞，與其相關的關鍵詞還有：visual cortex，visual analytics。visualization對應的圓形節(jié)點鏈接多個節(jié)點分支，形成了以該節(jié)點為中心的小區(qū)域，所以可視化是本次研究的基礎。同時發(fā)現(xiàn)visualization和visual cortex首次出現(xiàn)的年份分別是2001年和1999年，而visual analytics直到2014年才出現(xiàn)，就位居第9位，說明研究人員已經(jīng)不再僅僅研究對數(shù)據(jù)做簡單的可視呈現(xiàn)，而是慢慢延伸到通過挖掘數(shù)據(jù)間的關聯(lián)關系而做更深層次的可視分析。所以據(jù)此可以預估，對可視分析的研究在未來一段時間內(nèi)會不斷上升。位于第二位的關鍵詞是model，建模與可視化密切相關，可視化建模是利用圍繞現(xiàn)實想法組織模型的一種思考問題的方法，通過建?？梢栽敿毩私饪梢暦治龅牧鞒蘙12]，是可視化系統(tǒng)開發(fā)的關鍵，與此相關的關鍵詞有system，design。排在第三位的關鍵詞是network，也是本篇文章的檢索詞，與此有關的關鍵詞有neural network，flow，optical flow。綜上所述，可視分析、建模和網(wǎng)絡相關知識已成為當今網(wǎng)絡流量可視化研究領域的三大研究熱點。

經(jīng)統(tǒng)計分析還發(fā)現(xiàn)，除了關鍵詞visual analytics于2014年首次出現(xiàn)，其他關鍵詞首次出現(xiàn)的年份均在1999—2005年間，這表明2005年以后的研究熱點大多是于1999—2005年期間提出的，之后便很少提出新的研究方向，所以該領域的研究相對滯后，很多知識還有待學者進一步研究和探討。

4 結(jié) 論

本文簡要介紹并分析了國內(nèi)外近19年有關網(wǎng)絡流量可視化的研究概況和研究熱點，可供學者從多方面對該領域進行了解。通過以上介紹，該領域可大致分為3個階段：1999—2005年，初步摸索期；2006—2013年，迅速發(fā)展期；2014年至今，深化期。階段分析如表5所示。

1） 發(fā)表國家、機構(gòu)、作者集中。通過對文獻發(fā)表數(shù)據(jù)統(tǒng)計，發(fā)表國家主要集中在美國、中國、德國；機構(gòu)主要集中在布爾戈斯大學、中國科學院，其中中國科學院計算機網(wǎng)絡中心通過對可視分析領域的探索，開發(fā)出了一款能夠支持所見即所得的可視化開發(fā)的工具DIVZ，其可允許使用者快速地制作可視化并以云服務的形式對外發(fā)布，帶動了可視化的發(fā)展；發(fā)表作者主要以Herrero A和Corchado E為主，兩人不僅各自發(fā)表了多篇有價值的文章，并且多年來一直合作，并將人工智能與網(wǎng)絡、數(shù)據(jù)可視化領域相結(jié)合，不斷推出新的研究成果，是該領域的領軍人物。

2） 核心文獻涉及領域集中。根據(jù)核心文獻發(fā)表數(shù)據(jù)統(tǒng)計，主要涉及并集中分布在人工智能、數(shù)據(jù)挖掘、機器學習、圖形圖像、網(wǎng)絡安全五個領域，均是計算機學科當前較火的研究領域，從表5得知，數(shù)學也與網(wǎng)絡流量可視化的研究密切相關，結(jié)合圖4，該領域還涉及眾多研究分支，比如：動物學、營養(yǎng)學、環(huán)境學等學科。相信未來，隨著研究的深入，它的研究分支還會不斷擴展。

3） 近年來，研究人員對網(wǎng)絡流量可視化的領域進行著深入的研究。由表5可知，研究熱點從網(wǎng)絡、可視化、建模不斷走向神經(jīng)網(wǎng)絡、可視分析、算法。國際上，提出許多網(wǎng)絡流量可視化的新方法，例如：針對網(wǎng)絡流量數(shù)據(jù)的時間、維度、結(jié)構(gòu)等特征，提出了螺旋可視化技術、維度分類方法和空間填充技術等方法來滿足不同特征下的可視化需求，其中直線映射、平行坐標、節(jié)點鏈路等技術是目前流量可視化使用最為廣泛的技術。面對諸多方法，如何選擇并有效提取網(wǎng)絡流量的重要特征是該領域研究人員的挑戰(zhàn)之一。

參考文獻

[1] SHI Ronghua， YANG Mengjie， ZHAO Ying， et al. A matrix?based visualization system for network traffic forensics [J]. IEEE systems journal， 2016， 10（4）： 1350?1360.

[2] CHEN Chaomei. CiteSpace II： detecting and visualizing emerging trends and transient patterns in scientific literature [J]. Journal of the American Society for Information Science and Technology， 2006， 28（3）： 359?377.

[3] 劉嶠，李楊，段宏，等.知識圖譜構(gòu)建技術綜述[J].計算機研究與發(fā)展，2016，53（3）：582?600.

LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction technique [J]. Journal of computer research and development， 2016， 53（3）： 582?600.

[4] KAPLAN J. Artificial intelligence： think again [J]. Communications of the ACM， 2017， 60（1）： 36?38.

[5] 張壘.高被引論文的特征因素及其對影響因子貢獻研究[J].中國科技期刊研究，2015，26（8）：880?885.

ZHANG Lei. Research on the characteristic factors of highly cited papers and their contribution to the impact factor [J]. Chinese journal of scientific and technical periodicals， 2015， 26（8）： 880?885.

[6] ZHANG Y， JI Q. Active and dynamic information fusion for facial expression understanding from image sequences [J]. IEEE transactions on pattern analysis and machine intelligence， 2005， 27（5）： 699?714.

[7] AHMAD I， WEI X， SUN Y， et al. Video transcoding： an overview of various techniques and research issues [J]. IEEE transactions on multimedia， 2005， 7（5）： 793?804.

[8] DAN C， MEIER U， MASCI J， et al. Multi?column deep neural network for traffic sign classification [J]. Neural networks， 2012， 32（1）： 333?338.

[9] CORCHADO E， HERRERO ?. Neural visualization of network traffic data for intrusion detection [J]. Applied soft computing journal， 2011， 11（2）： 2042?2056.

[10] 裴世保，夏玉良.計算機學科會議論文重要性分析與探討[J].科技管理研究，2013，33（8）：241?245.

PEI Shibao， XIA Yuliang. Research on the importance of conference papers in computer discipline [J]. Science and technology management research， 2013， 33（8）： 241?245.

[11] 任磊，杜一，馬帥，等.大數(shù)據(jù)可視分析綜述[J].軟件學報，2014，25（9）：1909?1936.

REN Lei， DU Yi， MA Shuai， et al. Visual analytics towards big data [J]. Journal of software， 2014， 25（9）： 1909?1936.

[12] 張陽，薛原，馬孝尊，等.一種改進的樹型網(wǎng)絡拓撲結(jié)構(gòu)可視建模[J].電子信息對抗技術，2016，31（3）：75?78.

ZHANG Yang， XUE Yuan， MA Xiaozun， et al. A modified method of tree network topology visualization model [J]. Electronic information warfare technology， 2016， 31（3）： 75?78.