本数据挖掘框架在这几个月的时间内，有了进一步的功能增强
一. 超大网络的画布显示虚拟化
如前几节所述，框架采用了三级层次实现,分别是数据，抽象Node和绘图的DataPoint，结构如下：
在界面显示部分，之前并没有做过虚拟化优化，为了实现更多的功能，通过大量的事件挂接和其他操作将显示的控件与底层数据紧密耦合，因此内存回收机制几乎不起什么作用(原因见我另外一篇博客-事件的迷惑)。另外，绘图控件包含很多可视化元素。这样的恶果便是当点的数量增大时，内存占用量也急剧增大，1万点时，就会占用1GB内存，反应迟缓，性能很差。
为了解决这个问题，我们采用了虚拟化技术。其核心技术是通过WPF的Listbox内部的VirtualStackpane内置的内存回收机制，仅保存需要在界面上显示的功能。设计参考了Kael Rowan的ZoomableCanvas。有兴趣的同学可以去他的博客看下实现，此处不做赘述。我们使虚拟画布同样实现原有的接口，上层应用可以不关心具体实现的细节。
经过这项改进，我们的画布可以在1.3s内加载10W点的复杂网络模型（JSON数据经过Zip压缩），并通过虚拟化显示出来：如下图：
当视觉焦点不在该范围内时，该范围内的节点和线会自动回收，其他点会自动生成。这样做的好处是节省内存，代价是CPU占用率不低，因为反复做着内存回收和申请，以及界面重绘的工作
通常的建议是，ZoomableCanvas内部有属性：RealizationLimit="3000"， RealizationRate="100"，分别代表页面中最多的点的数量，以及每次刷新增加/删除的点数量。可以根据机器配置自动适配。
理论上，画布可以支持任意数量的点的显示，而不考虑内存的限制，但不能超过int32.MaxValue.
二. 复杂网络生成
我们为了研究复杂网络行为，专门添加了复杂网络生成模块，该模块可以根据用户需要生成不同大小，模型和参数的网络结构，方便用户研究和分析网络：它实现了INetworkGenerator接口。
复杂网络生成可按照“网络规模”参数和连接概率生成网络结构，内置了BA网络，复杂网络模型，WS网络模型等常用的模型。生成效果如下图：
三. 改进的布点算法和筛边策略
由于网络规模不断增大，需要更好更快的布点算法，我们经过博采众长，框架中集成了多达5种不同用途的布点算法，LargeScale算法可在半小时内处理高达50万节点的布点问题. ForceIndicate算法可在牺牲一定速度的基础上获得更好的效果，另外的一些方法可较好的处理权重网络（边强度越大，联系越紧密，位置越近）。用户可通过选择菜单，选取不同的布点算法。
同时，可勾选3D选项，布点即可在3D情况下计算实现。
下面是ForceIndicate算法计算微博传播网络时绘制的效果，1000点，用时30s:
四. “任务”工具菜单
虽然平台拥有完整的算法组装的机制，但对普通用户来说，拖拽算法并配置的操作依旧复杂。在此基础上，我们开发了针对“任务”的工作方式，如下图所示：
用户切换到任务视图，选中某个任务点击加载，系统即可自动按照任务配置，加载所有算法模块，完成组装工作并设置参数，用户点击运行即可。
同时，您也可以将某个计算列表保存成一个新的任务:
并修改任务名称和任务描述等：
这样，其他人就可方便的重用您的设置，只需选取数据源并运行即可。
五. 其他改进
1.增加MongoDB连接器界面，用户可更方便的从MongoDB中读取和检索数据。
2.改进配色，采用纯灰色调，使用户更关注于任务而非工具本身。
3. 工作流优化：一个数据链，当某个模块的配置被更改时，只有算法下游的模块才会被重新计算。这样大大减少了系统运行的时间。
4. 增加大规模聚类算法，万点处理速度仅需1秒。
欢迎您继续关注我们数据挖掘工具软件的开发情况。