神经网络3D可视化工具
由于神经网络内部缺乏透明度，我们很难为不同的任务选择有效的架构。nn_vis 是一款能够展示神经网络内部结构的 3D 可视化工具，它可以根据参数设置，帮我们创建对应的神经网络 3D 模型。它利用神经网络优化领域的已有方法，结合批归一化、微调和特征提取，评估训练后的神经网络中不同参数的重要性。再通过边绑定、光线跟踪、3D impostor 和特殊的透明技术等方法，得到神经网络的 3D 模型，以此来验证重要性评估的有效性。
—— @珂甫(pddpd)
美国各州最低薪资历年时序可视化
多年来，最低工资一直在增加，但在不同的州，不同的时间，它的变化幅度是不同的。根据美国劳工部整理的数据，这些是1968年至今的变化。当关于15美元一小时最低工资的倡议还在被多方争论的时候，我们可以看看历史上的最低工资数据，看看它随着时间的推移是如何变化的。虽然最低工资增长了，但并不是所有的州都跟随联邦最低工资的转变。为了探索各州的变化，统计和数据可视化专家Nathan Yau制作了一个很酷的动画蜂巢图。它代表了自1968年以来，根据美国劳工部的数据，各州的最低时薪率。播放动画，看看各州的气泡是如何在轴线上上下翻飞的，直观地展示了各州最低工资的变化。如果想仔细观察某一年的情况，只需按下暂停键即可。
—— @明多牧(mingduomu)
Visualizing the Gap
发现 medium 里已经支持嵌入图表了，本文里使用了 DataWrapper。
尽管整个美国男女收入差距似乎不大，但在 WNBA 和 NBA 中，球员的收入天差地别，前者的年薪大概是后者的百分之一。对比同样来自联盟的超级明星，NBA 中湖人队的戴维斯和 WNBA 的霍华德，两人在各自队内的地位大致相同，例如出手数、回合占有率等等（下图）。
但二人的年薪却有百倍之差，这也是男子/女子两个篮球联盟的普遍现象。
作者尝试对比了美国其他职业体育联盟的情况，发现 WNBA 支付给球员的收入占比是最少的。其中一个原因是打法上 NBA 强调个人英雄主义，力捧超级明星，因此票房更好。而 WNBA 强调团队，即使是超级明星也需要更多的分享球，因此来自付费观看的收入会更少：
哪个流媒体服务订阅最多？
在过去的几年中，许多公司都推出了流媒体服务，试图利用数字媒体的变化并发起所谓的“流媒体之战”。
拥有2.04个亿全球用户的Netflix占据着在数字视频流的首要位置。而在音频市场，Spotify的1.44亿用户基础是苹果音乐的两倍多，后者是第二大竞争者，拥有6800万用户。
中国的的流媒体服务成绩十分引人注目。腾讯视频和爱奇艺流媒体服务均超过了1亿付费用户，而优酷网则以9000万紧随其后。
—— @顾己(esora)
基于时间线和图可视化的根本原因分析
在这篇文章中，我们将向你展示在 KronoGraph（时间线可视化工具箱）和 ReGraph（面向 React 开发人员的图可视化工具箱）之间构建的集成结果。我们还将了解根本原因分析时间表和图形可视化如何帮助网络分析人员快速有效地了解事件和识别威胁源。
为什么根本原因分析依赖于时间线和图
根本原因分析是网络安全事件调查的重要手段。当事件响应团队检测到有人企图破坏时，他们必须迅速采取行动将其隔离，并进行事件取证，以了解攻击是如何、在何处以及何时发起的。
这是一个具有挑战性的场景：威胁来自不可预测的来源，发展迅速，传播迅速。为了确定攻击的根本原因，团队可能需要追踪隐藏在数十亿个数据点中的活动。在网络分析人员弄清楚他们的威胁情报和取证数据之前，系统仍然容易受到进一步的攻击。
KronoGraph 提供了根本原因分析时间线，揭示了导致事件的确切顺序。ReGraph 提供了一个网络视图来帮助发现不寻常的连接、模式和异常。时间线和图可视化结合起来，可以快速揭示网络安全威胁的根本原因和由此产生的影响。
过滤和样式
首先，我们将进行一些后端数据管理，以过滤掉不需要的数据。如果我们加载调用堆栈中的所有内容，最终会得到一个由密集连接的节点组成的无益的毛球。相反，我们将关注事件前后发生的事件。
接下来我们将把数据转换成 ReGraph和KronoGraph 能理解的 JSON 格式。
在这一步我们还可以添加一些样式到我们的节点，同时添加我们以后需要的任何额外数据。我们的工具几乎在每一个方面都是完全可定制的，但是我们会用一个吸引人的配色方案来保持它的简单性。
序列布局
到目前为止，我们已经使用了我们的网络视图的有机布局。虽然它非常适合于去除复杂网络的角度并揭示底层结构，但对于根本原因分析，我们需要一种不同的方法来显示在尝试攻击之前发生的事件。
ReGraph 的序列布局非常适合包含清晰序列或不同级别节点的数据。它将活动显示在不同的层中，显示从一个节点到另一个节点的流程，并使我们可以轻松地通过数据跟踪到异常点。还记得节点数据中的 callStack 属性吗？我们将把它传递给序列布局，以便它知道如何在正确的层中排列节点。
当我们单击 dataStore2 节点时，我修改了我的应用程序，以便 ReGraph 只关注对受影响数据的调用，并过渡到带有平滑动画的序列布局，因此我们现在可以忽略其余的数据。
当我们在第三层检查节点时，有一个稍微不同的模式涉及一个身份验证过程。它由同一级别的函数调用，由水平链接表示。仔细观察会发现，一个 IP 地址同时调用多个身份验证进程：
既然我们知道有些函数正在调用它们不应该调用的进程，那么让我们从一个新的角度来了解时间线可视化的情况。
根本原因分析时间表揭示了隐藏的活动
网络图和时间线都是富交互的，当事件被另一个触发时，通过更新其中一个的状态，很容易构建两个组件无缝协作的应用程序。
KronoGraph 时间线是完全可伸缩的。用户可以从聚合的高级摘要平稳地过渡到以毫秒分隔的单个事件。无论规模大小，你都会看到美丽、丰富互动的时间线。
我们的根本原因分析时间线揭示了事件的精确顺序。IP 地址首先向一个身份验证进程（auth04）发送了一个调用，然后两秒钟后又发送了另一个（auth02）。我们还清楚地了解了这些事件触发的后续调用，以及它们在试图破坏我们的数据库之前所采取的确切模式。
建立一个基于时间线和图可视化的根本原因分析应用程序
由于 ReGraph 和 KronoGraph 强大的可视化能力，我们找到了根本原因，并定位攻击的载体。这种水平的鉴证洞察力对网络分析师至关重要。他们需要了解威胁的性质，以便组织能够修复漏洞并避免未来的攻击事件。
—— @聚则(moyee-bzn)
地球表面可视化
地球表面的面积超过5.1亿平方公里，但其中只有不到30％的面积被土地覆盖。其余的70％是水：27％的领水和43％的国际水域或国家管辖范围以外的地区。
下图的信息可视化作品使用联合国统计司的数据对各国所占据地表的面积进行了可视化。
—— @顾己(esora)
若有收获，就点个赞吧
0 人点赞
