[论文解读] Connectivity of networks with general connection functions

Carl P. Dettmann, Orestis Georgiou|arXiv (Cornell University)|Nov 13, 2014

Mobile Ad Hoc Networks参考文献 29被引用 2

一句话总结

本文提出一个通用的解析框架，用于计算具有任意连接函数 H(r) 的密集随机几何网络中的完整连通概率，表明连通性仅取决于 H(r) 的少数关键矩。通过考虑边界效应，该框架在凸域中推导出连通性的精确表达式，与仿真结果及先前模型高度一致。

ABSTRACT

In the original Gilbert model of random geometric graphs, nodes are placed according to a Poisson process, and links formed between those within a fixed range. Motivated by wireless network applications “soft ” or “probabilistic ” connection models have recently been introduced, involving a “connection function ” H(r) that gives the probability that two nodes at distance r directly connect. In many applications, not only in wireless networks, it is desirable that the graph is fully connected, that is every node is connected to every other node in a multihop fashion. Here, the full connection probability of a dense network in a convex polygonal or polyhedral domain is expressed in terms of contributions from boundary components, for a very general class of connection functions. It turns out that only a few quantities such as moments of the connection function appear. Good agreement is found with connection functions used in previous studies and with numerical simulations. 1

研究动机与目标

• 为使用一般、非均匀连接函数 H(r) 的密集随机几何图建模网络连通性，超越固定范围的吉尔伯特模型。
• 解决无线网络及其他网络应用中对完全连通性的实际需求，确保所有节点对之间均存在多跳路径。
• 推导出考虑凸多边形或多面体域中几何边界效应的完整连通概率的可处理解析表达式。
• 识别出哪些 H(r) 的矩足以表征网络连通性，从而简化分析与设计。
• 通过与已知连接函数及数值仿真对比，验证模型的实用性与准确性。

提出的方法

• 将节点分布建模为凸域内的泊松点过程，以支持随机几何分析。
• 引入一个通用连接函数 H(r)，根据节点间距离 r 赋予直接链路建立的概率。
• 通过分解二维或三维域中边界分量（边、顶点等）的贡献，推导完整连通概率。
• 利用积分几何与基于矩的近似方法，将连通概率表达为 H(r) 的矩函数，如 ∫H(r)dr 和 ∫r²H(r)dr。
• 在节点密度趋于无穷的密集网络极限下应用渐近分析，以简化连通性条件。
• 通过与数值仿真及先前研究的连接函数（如指数型、幂律型）对比，验证解析结果。

实验结果

研究问题

• RQ1 在凸域中，对于具有通用连接函数 H(r) 的随机几何网络，完整连通概率能否实现解析表达？
• RQ2 当 H(r) 非均匀时，边界分量（边、角点）在决定网络连通性方面发挥何种作用？
• RQ3 哪些 H(r) 的矩足以表征网络的连通性行为？
• RQ4 与现有模型及仿真相比，所提出的模型在准确性与可处理性方面表现如何？
• RQ5 该框架能否应用于连接概率随距离平滑衰减的实际无线网络场景？

主要发现

• 在密集网络中，完整连通概率仅取决于 H(r) 的少数低阶矩，如 H(r) 的积分与 r²H(r) 的积分。
• 边界分量——尤其是边与顶点——对整体连通性有显著贡献，且在模型中被明确量化。
• 该解析框架能准确预测各种 H(r) 形式（包括指数衰减与幂律衰减）下的连通性，与数值仿真结果高度吻合。
• 该模型通过允许基于距离的概率连接，推广了经典吉尔伯特模型，同时保持了解析可处理性。
• 在密集极限下，当 H(r) 的矩满足由边界贡献分析导出的特定阈值条件时，网络将实现完全连通。
• 该框架可实现网络连通性的高效预测，无需大量仿真，尤其适用于网络设计与优化。