[论文解读] Space Filling Curves for 3D Sensor Networks with Complex Topology

Mayank Goswami, Siming Li+4 more|arXiv (Cornell University)|Jul 10, 2015

Computational Geometry and Mesh Generation参考文献 25被引用 3

一句话总结

本文提出了一种基于共形几何的分布式方法，用于在具有非平凡拓扑结构的复杂二维曲面上部署的三维传感器网络上生成填充空间的曲线。通过利用霍奇分解和全纯微分，将高亏格黎曼曲面映射到带切口的平坦环面，构建了一条密度均匀递增、逐步填充的路径，确保了高覆盖率和至未访问节点的平均距离较低，在仿真中优于欧拉回路和随机游走。

ABSTRACT

Several aspects of managing a sensor network (e.g., motion planning for data mules, serial data fusion and inference) benefit once the network is linearized to a path. The linearization is often achieved by constructing a space filling curve in the domain. However, existing methods cannot handle networks distributed on surfaces of complex topology. This paper presents a novel method for generating space filling curves for 3D sensor networks that are distributed densely on some two-dimensional geometric surface. Our algorithm is completely distributed and constructs a path which gets uniformly, progressively denser as it becomes longer. We analyze the algorithm mathematically and prove that the curve we obtain is dense. Our method is based on the Hodge decomposition theorem and uses holomorphic differentials on Riemann surfaces. The underlying high genus surface is conformally mapped to a union of flat tori and then a proportionally-dense space filling curve on this union is constructed. The pullback of this curve to the original network gives us the desired curve.

研究动机与目标

• 为解决在具有复杂拓扑结构的曲面上分布的三维传感器网络的线性化问题，以实现高效的数据骡子路由。
• 开发一种分布式算法，生成具有均匀递增密度和有界路径密度的空间填充曲线。
• 将先前在简单区域（如环面）上研究的空间填充曲线方法扩展至具有任意拓扑结构的高亏格黎曼曲面。
• 通过渐进式、基于几何的路径规划，实现对传感器节点的公平且高效的覆盖。
• 通过在相同曲面上独立使用密集曲线，实现可扩展的、低重叠的数据骡子部署。

提出的方法

• 该方法利用霍奇分解定理将曲面分解为调和形式与恰当形式，实现高亏格曲面到带切口的平坦环面并集的共形映射。
• 利用黎曼曲面上的全纯微分，将曲面表示为一对通过切口连接的环面的规范形式。
• 在环面并集中定义一条斜率为无理数的直线轨迹，然后通过拉回映射将其映射回原始曲面，以生成密集曲线。
• 通过将密集曲线扩展为宽度为δ的带状区域，并在每一步贪婪地前往带内最近邻节点，生成离散路径。
• 通过为独立的密集曲线分配不同的斜率和起始点，支持多个数据骡子，从而最小化路径重叠。
• 通过覆盖率和至未访问节点的平均最短距离评估性能，并与欧拉回路和随机游走方法进行比较。

实验结果

研究问题

• RQ1 能否在具有复杂拓扑结构的高亏格曲面上分布的三维传感器网络上构建空间填充曲线？
• RQ2 所提出的方法是否能确保随着路径长度增加，曲线密度均匀递增并逐步覆盖整个网络？
• RQ3 在覆盖率和至未访问节点的距离指标方面，所提出方法的覆盖性能与欧拉回路和随机游走相比如何？
• RQ4 能否通过使用独立的密集曲线实现多个数据骡子的部署，且路径重叠最小化？
• RQ5 该方法能否扩展至真正的三维体积传感器网络？

主要发现

• 所提出方法在路径长度约为网络规模1.25倍时即可实现90%的网络覆盖率，显著快于欧拉回路和随机游走方法。
• 在覆盖5,000个节点后，所提出方法至未访问节点的平均最短距离为3.5跳，而欧拉回路和随机游走方法分别为16.6跳和22.4跳。
• 在仅覆盖1,000个节点时，使用两条独立密集曲线的平均距离为6.5跳，而单条曲线为20跳。
• 该方法确保多个数据骡子路径之间重叠最小，当使用两条曲线时，在前10,000个覆盖节点中仅有1,865个节点重叠。
• 该曲线在数学上被证明是稠密的，即随着路径长度增加，曲面上任意点都会被路径任意接近。
• 在所有路径长度下，该方法在覆盖率和平均距离指标上均优于欧拉回路和随机游走。