前言

图数据可视化是现代 Web 可视化技术中比较常见的一种展示方式，NebulaGraph Explorer 作为基于 NebulaGraph 的可视化产品，在可视化图数据领域积累了许多经验，尤其是在图形渲染性能等领域。本文将系统性分享下 NebulaGraph Explorer 在 3D 图数据展示上的一些应用。以下演示皆可以在 在线试用。

二维力导图

目前业界常用的图数据展示都采用 2D 力导图的逻辑，如下图所示：

这种二维化的可视化模式，在图形语义上对物理世界数据进行了降维，通过点、边形状来描述实体和关系，符合人脑的习惯性直觉，简化了图数据的理解成本。D3-force，G6 等所采用的就是这样一种布局模式，也是大部分图类场景的基础算法。

其布局的力导算法则是大部分基于经典的 Fruchterman 布局算法，模拟弹簧的胡克定律和物体的万有引力，制造相互牵引和排斥的力算法，再通过模拟冷却收敛，最终得到减少交叉、步长等距、点分离独立的二维图布局。这也是可视化的基本诉求，即能够无遮挡地清晰查看各类繁杂的数据。

然而，2D 场景并不一定适用所有场景，主要有以下原因：

空间信息展示

部分数据具有原生的空间坐标信息，且这部分信息也不可降维，如分子结构、经纬度的球坐标展示、具有层级高度的数据等。这类数据通过 3D 展示会更符合人的习惯和直觉。

大数据量布局展示

在较大的数据集情况下，由于 2D 没有深度，导致所有的数据需要被平铺在画布上，可以想象一个西瓜的所有西瓜籽平铺的情况，占地面积要远远大于西瓜本身。因此这种情况需要将数据本身信息可视化还原，就需要 3D 可视化技术来实现了。

图数据 3D 可视化

图数据的 3D 可视化在逻辑上和 2D 比较像，我们一般依然是采用 2D 的 Fruchterman 力导图逻辑，也依然需要尽量避免交叉遮挡，但维度升了一维，逻辑复杂度也上升不少。因此我们重新自研了 3D 力导向算法来获得更好的效果和性能。可以看到下图同样的复杂网络关系中，3D 显示则会有较为明确的关系展示。

提供不同角度的图结构

对于高密度的点边，可以像 3D 游戏一样，将视角转移、切换，观察到不同角度的图数据结构。

相同的数据也可以有完全不同的可视化效果。

提供鸟瞰视角

在 3D 鸟瞰情况下，可以将点在空间方向散射开，同样数据量下，画布能清晰的标识出节点团簇，也可以轻松的识别出超级节点。

通过屏幕内的整体颜色分布，能大致看出来整个可视化图中的节点 Tag 占比。

身临其境的体验感

用户可以在整个空间内搜索节点，直接定位到对应节点上，查看相关联的其余节点数据。上图为视频生成的 gif 图，画面切换会略有卡顿，如果你直接使用 NebulaGraph Explorer 进行探索的话会更流畅。

高性能可视化

目前我们的 3D 可视化可以支持 10w 点，10w 边同时渲染。渲染数量是由渲染性能、布局计算性能、内存占用、网络速率、NebulaGraph 性能等各方面因素综合决定的，上限主要由硬件和外部条件限制（网速，客户端机器配置，NebulaGraph 机器性能）决定，下限则是由图形渲染及布局算法决定。为了进一步提高下限，我们自研了图形渲染和布局算法部分，得到了较好的效果。

海量数据渲染

WebGL 是 web 端直接利用 GPU 进行渲染的方式。我们为了提高每一帧的图形渲染能力，在 3D 模式下采用 WebGL 来进行渲染。并且支持高低性能模式：

分别通过原生 Shader 和 Mesh 绘制，用户可以根据自己电脑终端的硬件情况选择对应的渲染模式。

其中高性能模式下，我们通过自研优化的 Shader，利用 GPU 并行计算的能力，将一些渲染效果放到着色器中计算，极大地提高了渲染速率，让渲染性能不再成为瓶颈。这也基本上达到了目前浏览器的极限。

快速算法布局

在图布局算法方面，我们用八叉树优化了力导过程的算力消耗，并且针对使用 LinLog 模型对超级点进行了受力优化。由于算法性能消耗比较大，我们使用 Golang 对八叉树算法和力导算法进行了重写，最终可以支持在 20w 图元的情况下，预热完成后稳定在 1s 以下完成一次运算。

另外为了图布局计算不影响前台页面渲染，我们利用多个 worker 进程，将不同的 CPU 任务分布下去，这样木桶的各个短板不会影响渲染和交互的长板，用户在布局的时候依然可以灵活的操作。

利用上述的一些手段，我们将 3D 可视化的性能几乎提升到浏览器极限，而对于一些不大的图空间数据，完全可以一次性载入分析。

后续方向

由于 3D 模式的开发复杂度较 2D 提升较多，因此目前仅用于一种特殊的图数据展示方式，在未来，会综合实际的业务场景，进行更多的体验优化。

时序及 GIS 领域的图布局映射图数据坐标到渲染中增加边的相关交互行为