1. 节点版本

每一轮算法只考虑“选哪个节点 $v$ 去 probe”。

也就是说，候选对象是单个节点：
$$
v
$$
然后给每个候选节点计算：
$$
NW_S(v),\quad NC_S(v),\quad FT_S(v)
$$
最后根据评分选择一个节点 probe。

节点版本的算法形式更接近原论文 Algorithm 1。

2. 定义 $LB_S(v)$

令
$$
C
$$

为当前黑色骨干节点集合，即当前已经被 probe 且 active 的节点集合。

考虑：

$$
G[C]
$$

的 leaf blocks。定义：

$$
LB_S(v)={B: B\text{ 是 }G[C]\text{ 的 leaf block，且 }v\text{ 邻接 }B\text{ 中某个节点}}
$$

也就是说，$LB_S(v)$ 表示：

节点 $v$ 能接触到多少个不同 leaf block。

3. $FT_S(v)$ 相关定义

$$
FT_S(v)=\max{|LB_S(v)|-1,0}
$$

$LB_S(v)$ ≥ 2 时，才考虑有收益。

其中：

$$
LB_S(v)={B: B\text{ 是 }G[C]\text{ 的 leaf block，且 }v\text{ 与 }B\text{ 相邻}}
$$

然后综合收益：

$$
Gain(v)=\alpha NW_S(v)+\beta NC_S(v)+\gamma FT_S(v)
$$

再考虑随机性：

$$
Score(v)=p(v)\cdot Gain(v)
$$

假设每次 probe 代价都一样是 1，那么：

$$
Cost(v)=1
$$

故：

$$
Score(v)=p(v)\cdot Gain(v)
$$

4. 总结

本阶段先研究节点版本，即每轮动态选择一个候选节点 $v$ 进行 probe。容错收益 $FT_S(v)$ 由该节点能够关联的不同 leaf block 数量决定，具体定义为$FT_S(v)=\max{|LB_S(v)|-1,0}$，并优先选择在信息揭示、连通扩展和容错增强方面综合收益较高的节点。

以后的以后升级路径版本时：

路径版本是节点版本的进一步扩展，用于处理单个节点无法有效连接 leaf block 的情况。