好，这一步的目标已经从 **“继续做系统”** 转为：

```text
冻结仿真平台 → 产出论文级结果 → 图表化 → 可发表材料
```

下面给你一个**专门面向论文产出**的执行大纲（给执行 AI 用）。重点不是再改算法，而是把现有 Phase-3.5 数据变成 **审稿人可接受的 evidence**。

---

# `paper_output_plan.md`

---

# 1. 目标（Objective）

将 Phase-3.5 仿真平台输出转换为：

* 可复现实验结果
* 标准论文图表
* 对比表格
* 统计显著性验证
* 可直接插入论文的 figures/tables

**禁止修改算法逻辑**，只允许：

* 数据采集增强
* 实验批量运行
* 可视化
* 统计分析

---

# 2. 输出目录结构（必须固定）

```
docs/
 └── paper/
     ├── figures/
     │    ├── fig1_topology.png
     │    ├── fig2_pdr_vs_airtime.png
     │    ├── fig3_tx_efficiency.png
     │    ├── fig4_scalability.png
     │    └── fig5_tradeoff_curve.png
     │
     ├── tables/
     │    ├── table1_algorithm_compare.csv
     │    ├── table2_scaling_results.csv
     │    └── table3_efficiency_metrics.csv
     │
     ├── raw_data/
     └── scripts/
          ├── generate_figures.py
          └── aggregate_results.py
```

---

# 3. 实验冻结规则（CRITICAL）

在 config 中增加：

```
EXPERIMENT_VERSION = "phase3_5_frozen"
```

要求：

* RANDOM_SEED 固定
* 参数写入 metadata.json
* 每次实验自动记录：

  * git commit hash
  * 时间
  * 参数集

否则论文不可复现。

---

# 4. 必须生成的论文图（核心部分）

## Figure 1 — Network Topology

目的：

证明不是 toy example。

内容：

* 节点位置 scatter
* sink 标记
* 典型 routing tree（gradient）

输出：

```
fig1_topology.png
```

---

## Figure 2 — PDR vs Airtime（最重要）

X轴：

```
airtime_usage (%)
```

Y轴：

```
PDR (%)
```

曲线：

* Gradient
* Flooding
* Random

意义：

证明：

```
Flooding = resource inefficient
```

这是整篇论文核心图。

---

## Figure 3 — Energy Efficiency

定义：

```
TX per Success
```

柱状图：

```
algorithm → TX/success
```

审稿人关注点：

LPWAN energy cost。

---

## Figure 4 — Scalability Test

扫描：

```
node_count = [6, 9, 12, 15, 18, 24]
```

Y轴：

* PDR
* Airtime（双图）

目标：

证明算法随规模变化趋势。

---

## Figure 5 — Tradeoff Frontier（论文加分图）

绘制：

```
(PDR, Airtime)
```

散点：

每个实验配置一个点。

形成：

```
Pareto frontier
```

这张图非常“论文感”。

---

# 5. 必须生成的表格

---

## Table 1 — Algorithm Comparison（主表）

| Algorithm | PDR | Airtime | Total TX | TX/Success |
| --------- | --- | ------- | -------- | ---------- |

来自 Phase-3.5。

---

## Table 2 — Scaling Result

| Nodes | Gradient PDR | Flooding PDR | Random PDR |
| ----- | ------------ | ------------ | ---------- |

---

## Table 3 — Efficiency Gain

计算：

```
Efficiency Gain =
(TX_flooding - TX_gradient) / TX_flooding
```

展示资源节省比例。

---

# 6. 实验批量运行规范

新增：

```
python run_experiments.py --paper
```

执行：

```
for seed in [1..20]:
    run experiment
```

输出：

```
mean
std
95% CI
```

论文必须有误差条。

---

# 7. 统计要求（很多人忽略）

每个指标输出：

```
mean ± std
```

并计算：

```
t-test(gradient, flooding)
```

输出：

```
p-value
```

目标：

```
p < 0.05
```

否则结论不够强。

---

# 8. 自动绘图规范

统一：

* matplotlib
* serif 字体
* 单色可打印
* 无背景网格
* dpi ≥ 300

尺寸：

```
3.5 inch (single column)
7 inch (double column)
```

---

# 9. 一键论文数据生成

新增入口：

```
python generate_paper_results.py
```

流程：

```
run experiments
→ aggregate
→ statistics
→ generate tables
→ generate figures
```

输出全部 paper assets。

---

# 10. 自测标准（执行AI必须验证）

生成后检查：

* [ ] figures ≥ 300dpi
* [ ] 所有图可单独理解
* [ ] table 数值与 raw_data 一致
* [ ] 重跑结果误差 <5%
* [ ] seed 改变趋势不变

---

# 11. 最终产物（你将得到）

完成后你会拥有：

```
✔ 5 张论文核心图
✔ 3 个结果表
✔ 可复现实验脚本
✔ 冻结baseline数据
```

这已经足够支撑：

* conference short paper
* systems workshop
* embedded networking paper

---

# 下一步（论文视角）

你接下来不需要工程决策，只需要三件事：

1. 跑 **大量 seeds**
2. 生成 **tradeoff 图**
3. 写 **Method + Evaluation**