工業互聯網端邊云協同數據同步方案設計與實現

摘 要：傳統的數據更新同步往往每次直接更新整個文件或不加選擇地更新局部改動部分。后者雖然節約了一部分通信帶寬，但是每次文件變化，不管變化多少都立即更新，增加了通信負荷，這兩種方法均不能很好地滿足工業互聯網實時性要求。針對此問題，提出了一種工業互聯網端邊云協同數據同步方案。該方案通過計算差分文件進行閾值判斷。若在閾值范圍內，則將變化的數據塊進行編碼、壓縮上傳到對應的云存儲節點中解壓存儲；否則將相關信息暫存在邊緣層。通過和RS編碼、Rsync差分算法的對比實驗可知，該方案提高了更新數據傳輸效率，且通過編碼壓縮提高了安全性，性能整體優于其他方法。

關鍵詞：邊緣計算； 云存儲； 差分同步算法； 網絡編碼； 數據壓縮

中圖分類號：TP391 文獻標志碼：A

文章編號：1001-3695（2022）03-030-0821-05

doi：10.19734/j.issn.1001-3695.2021.09.0349

基金項目：科技部國家重點研發計劃資助項目（2019YFB1705702）

作者簡介：劉子杰（1996-），男，江蘇徐州人，碩士研究生，主要研究方向為系統辨識、工業互聯網；王凱（1973-），男，高級工程師，碩導，主要研究方向為工業物聯網；王亞剛（1967-），男（通信作者），教授，碩導，博導，主要研究方向為系統辨識、智能控制（ygwang@usst.edu.cn）；張帆（1997-），男，碩士研究生，主要研究方向為工業互聯網、系統辨識.

Design and implementation of end-to-end cloud collaborative data synchronization scheme for industrial Internet

Liu Zijie¹， Wang Kai^1，2， Wang Yagang^1?， Zhang Fan¹

（1.School of Optical-Electrical amp; Computer Engineering， University of Shanghai for Science amp; Technology， Shanghai 200093， China; 2.Shanghai Publishing amp; Printing College， Shanghai 200093， China）

Abstract：Traditional data update synchronization tends to update the entire file directly at a time or selectively update local changes. Although the latter method saves part of the communication bandwidth， but every time the file changes， no matter how much change is immediately updated， increasing the communication load， these two methods are not very good to meet the real-time requirements of the industrial Internet. Aiming at this problem， this paper proposed an end-to-end cloud collaborative data synchronization scheme for industrial Internet. In this scheme， it judged the threshold by calculating the difference file. If the value was within the threshold， the changed data blocks were encoded and compressed and uploaded to the corresponding cloud storage node for decompression storage. Otherwise， relevant information would be temporarily stored in the edge layer. Compared with RS encoding and Rsync differential algorithm， it can be seen that the proposed scheme improves the transmission efficiency of updated data， and improves the security through coding compression， and the overall performance is better than other methods.

Key words：edge calculation; cloud storage; differential synchronization algorithm; network coding; data compression

隨著工業物聯網的發展和興起，大數據^[1]時代的來臨，生產設備每天產生大量數據，其中將數據安全可靠的存儲及更新是一個重要的問題，引起了社會各界的廣泛關注。隨著云計算的出現，云存儲技術^[2]應運而生，因為其價格低廉、存儲能力強，所以受到了大量用戶的歡迎，越來越多的用戶傾向于將設備產生的數據同步到云上。傳統的云存儲主要面臨兩個方面的問題：一方面，可靠性問題，如果用戶直接將所有的數據上傳到云，則無法保證數據的完整性、隱私和可靠性；另一方面，更新效率問題，在一些實時性要求比較高的應用中，云和設備之間的通信延遲不可以超過其有界時延，若每次都更新整個文件將對實時性有很大的影響。最近幾年有很多學者在探究云存儲中數據的安全性、可靠性和隱私性的問題。例如基于UDP的Raptor代碼框架^[3]，可為高帶寬網絡提供可靠的數據傳輸；對密鑰生成系統中的級聯糾錯碼^[4]進行了性能分析；適用于再生編碼分布式存儲的輕量型隱私保護審計方案^[5]；基于廣義RDP碼的云存儲節點并發修復方案^[6]；一種基于零空間的網絡編碼云存儲完整性校驗方案^[7]，用來實現數據的驗證。但是很少討論到數據更新的問題，涉及到數據更新時大多數是更新整個文件。

針對上述問題，以及參考Linux系統操作中傳統的差分同步算法Rsync^[8]，本文提出了一個工業互聯網端邊云協同數據同步方案。該方案引入了邊緣計算和網絡編碼技術，既保證了數據存儲到云上的安全性及隱私性，也避免了云平臺的計算壓力過大。

1 模型建立

1.1 網絡編碼

網絡編碼^[9，10]主要由多種糾刪碼^[11]組成，例如里所碼^[12]（RS）、噴泉碼以及再生碼等。起初應用于通信方面，提高了網絡的利用率和吞吐量；后來隨著云存儲的興起，被應用到數據存儲方面，以此來提高云存儲的可靠性和安全性。以里所碼為例，編碼方法如下：先將需要編碼的文件劃分為大小相等的k個數據塊；再通過生成矩陣G對k個數據塊進行編碼產生n個編碼塊，其中ngt;k；任意選取其中k個不同的編碼塊即可恢復原文件。

1.2 差分同步

差分同步算法^{[8，13，14]}的主要思想是通過新舊文件對比，篩選出文件變化的部分，每次更新只上傳變化的部分，而非將整個文件上傳。該方法在處理大文件中局部更新的情況時，優勢更為明顯，通過減少數據更新時上傳的數據量來提高上傳效率，減少資源浪費。

1.3 邊緣層

剛開始邊緣計算^[15]并沒有明確的定義，在2016年定義邊緣計算^[16]是位于云和設備之間任何位置的計算。可以理解為它是從云計算^[17]中衍生出來的具有一定計算能力的中間計算層。因為邊緣計算是在云計算的基礎之上提出的，可以認為邊緣計算是一種更靠近設備或者數據源的特殊云計算。在一些云計算無法滿足用戶服務質量需求的情況下，可以將部分計算能力卸載到靠近設備的邊緣層，從而解決云計算不足的問題。本文加入邊緣層是因為邊緣層在云和設備之間可以充當緩沖服務器的作用，文件編碼和差分同步等技術都可以在該層上實現，增加用戶對云上數據操作的能力；而且邊緣層和本地設備之間是處于同一個無線局域網的，無線局域網的傳輸速率遠遠高于廣域網^[18]，加入邊緣層可以降低通信成本和延遲。因此，本文提出的數據同步架構加入了邊緣層，用來進行數據處理。

1.4 差分同步架構

本文在物聯網數據采集存儲及更新方面，提出了一種端邊云協同數據同步架構。該架構如圖1所示，一共由云服務器、邊緣層服務器和用戶及設備三部分組成。云服務器中根據需要包含多個數據存儲節點，經過邊緣層處理后產生的文件編碼塊依次存儲在云中的數據存儲節點中。邊緣層服務器主要包括文件層、編碼層、存儲層、管理器、數據庫。文件層主要負責邊緣層和用戶及設備的對接，對上層提供增、刪、改、查等接口，當文件需要更新時，主要負責計算新舊兩文件的差異部分；編碼層主要負責對文件進行切分和編碼處理，主要由編碼器、解碼器、配置文件等模塊組成；存儲層主要負責對產生變化的編碼塊進行壓縮，并將壓縮后的編碼塊存儲到云服務器上對應的存儲節點中，也可以根據用戶的需要，從存儲節點讀取對應的編碼塊；管理器主要是對數據文件的存儲、更新以及閾值設置進行管理，并將一些文件信息、編碼信息等存儲到數據庫中；數據庫主要是負責一些數據的存儲，例如存儲文件更新之前的最新版本，為了在更新時和更新文件比較計算差分文件。設備選用的是一款磁力攪拌器，該磁力攪拌器通過RS-485和網關（esp8266）相連，使其具有連網的功能，從而可以將一些參數信息上傳到邊緣層進行處理存儲。

本文提出的端邊云協同差分同步架構和傳統的差分同步有著明顯的區別。一方面，傳統的差分同步大多數是由端—云組成，數據的處理和存儲都在云上進行，會影響到云的性能以及數據傳輸過程中會出現安全性問題；另一方面，在本文提出的架構中，不是每次文件變化都需要立即更新編碼塊到云服務器的存儲節點中，而是通過管理器進行判斷文件更新部分是否超過閾值，若超過則立即更新到云存儲節點，若不超過則保持這個更新到下一次。為了避免長時間沒達到閾值無法更新，可以通過時間戳進行定期的強制同步。

2 方案設計

在介紹本文方案之前，先介紹一下常用的數據同步算法，如Rsync和RDC算法。因為它們只上傳變化的部分，所以可以提高傳輸效率并節省帶寬。但是Rsync和RDC算法不同，例如RDC在兩臺計算機上的計算量是對等的，而Rsync算法恰恰相反；Rsync為了重復數據發現而以計算量為代價，但RDC以較小的計算量迅速查找數據差異，因此重復數據發現不如Rsync；除此之外，Rsync和RDC所采用的分塊策略不同，分別為定長分塊和變長分塊。下面主要討論Rsync算法。

2.1 Rsync文件同步算法

Rsync是Linux系統中一個高效的文件同步算法。假如有Aedge、Bcloud兩臺計算機 ，計算機Aedge、Bcloud可以分別訪問fileDst和fileSrc文件，文件fileDst和fileSrc類似，只是有局部的變化。數據更新流程如下^[18]：

a）計算機Bcloud把文件fileSrc連續拆分為大小固定的數據塊D，拆分到最后一個數據塊的大小可能不足D Byte。

b）Bcloud計算每一個數據塊的校驗值，分別為一個128位的MD5校驗和一個32位的adler32，生成一個checksum列表。

c）Bcloud將checksum列表發送給Aedge。

d）Aedge通過搜索文件fileDst的所有大小為D的數據塊（偏移量視情況而定，不一定必須是D的倍數）來查找和文件fileSrc中具有相同弱校驗碼和強校驗碼的數據塊。這通過rolling checksum快速完成。

e）Aedge向Bcloud發送重構fileDst文件的命令，每一條命令對應文件fileSrc數據塊引用（匹配）或是文件fileDst數據塊（未匹配）。為了更好地理解，可結合圖2 Rsync算法同步過程。

該算法和傳統數據更新相比有著明顯優勢：一方面，上傳的數據量和傳統的相比大大減少；另一方面，通過使用強、弱校驗碼來提高計算效率。雖然強校驗碼消耗的資源比弱校驗碼消耗的多，但是強校驗碼的碰撞率比弱校驗碼低。所以，在判斷新舊數據塊是否匹配時，先比較弱校驗碼，如果有匹配的數據，再使用強校驗碼來進行比較。這種操作可以在提高比較效率的前提下，同時保證匹配的準確性。

2.2 差分同步方案

雖然Rsync同步算法和傳統數據更新相比有著明顯優勢，但是當數據發生細微變化時也需要立即更新，而且數據上傳過程中不對數據進行任何處理，這將增加云端的負載和資源損耗以及破壞了數據的隱私性。針對上述問題，本文提出了一個基于網絡編碼的差分數據更新方案。該方案主要包括差分數據、閾值判斷、數據編碼、數據壓縮、數據更新五部分，上述部分都是在本文提出的差分同步架構中的邊緣層實現的。具體方案實現步驟如圖3所示。

2.2.1 數據編碼

用戶產生的數據在上傳到云端存儲節點之前，需要先在邊緣層中進行編碼處理，編碼處理的主要步驟如下：

a）文件切分。將源文件file切分成n個大小相等的文件塊，即F=[f₁，f₂，…，fn]。

b）構造生成矩陣GM。生成矩陣需要達到其任意n×n子矩陣的秩為n的條件，為了簡化計算，生成矩陣的上半部分為n×n的單位矩陣，下半部分為m×n的范德蒙德矩陣，其中m為生成冗余塊的個數，即存儲節點的個數為n+m。

c）生成編碼塊。通過生成矩陣將n個文件塊編碼成n+m個編碼塊，記做C=[c₁，c₂，…，cn，…，cn+m]^T，編碼過程為

具體編碼操作如圖4所示。

該編碼方法和里所碼相似，遵循（n，k）特性，即先從n+m個編碼塊中隨機選取n個線性無關的編碼塊，構成C的真子集Cn；然后將這些編碼塊對應的生成矩陣行向量組成滿秩矩陣GM；最后可恢復源文件F。恢復過程如式（2）所示。

除此之外，當某個編碼塊D丟失或損壞時，也可恢復。首先取出編碼塊D對應的生成矩陣行向量M；然后根據式（3）計算出丟失或損壞的編碼塊。

2.2.2 差分數據

在基于網絡編碼的數據存儲設計中，因為源文件和編碼塊存在著千絲萬縷的聯系，源文件產生微小變化都會影響到云存儲節點中的編碼塊的更新。若要將變化的文件重新進行數據編碼，將會造成資源的消耗以及增加邊緣層的計算負載。針對該問題，本文提出了一種只上傳差分文件的更新方案，該方案可以節約資源損耗，減少通信開銷。

該方案需要通過新、舊文件對比來計算差分文件，而后只更新差分文件對應的部分。為了區分文件的新、舊順序，為每一個文件制定一個版本號v，v越大意味著文件越新。假設云存儲節點存儲的編碼塊對應的舊源文件記為F^v=[f^v₁，f^v₂，…，f^vn]，用戶端需要更新的新源文件記為F^++v=[f^++v₁，f^++v₂，…，f^++vn]。為了避免在每次更新時去云存儲節點讀取待更新文件Fv，在邊緣層的數據庫中保存著每次更新后的最新文件。每次文件請求更新時就用現在的文件和數據庫中的文件進行比較，計算出差分文件后，再用現在的源文件去取代數據庫中之前的源文件。文件差分更新的具體步驟如下所示：

a）計算差分文件Δ^v，++v。Δ^v，++v代表著F^v和F^++v文件之間的差異，是兩文件之間進行異或操作之后的結果，即內容匹配的bit為0，內容不匹配的bit為1，計算過程如式（4）所示。

其中：Δ^v，++vi為第i個新、舊數據塊的差異性，計算過程為

b）計算差分文件編碼塊集合Δ^v，++vc。在知道生成矩陣GM和差分文件Δ^v，++v的前提下，可以直接計算出差分文件編碼塊集合，其和編碼塊集合大小一致，計算公式如式（6）所示。因為大部分編碼塊沒有變動，所以差分文件編碼塊集合中的很多編碼塊內的元素都取值為0，產生變化的編碼塊集合記為Δ^v，++vnc，其為差分文件編碼塊集合的子集。

c）計算新的文件編碼塊集合C^++v。在云存儲節點中存儲的待更新文件編碼塊集合C^v的基礎之上，結合差分文件編碼塊集合，即可得出最新的文件編碼塊集合，具體操作如式（7）所示。

d）根據上述公式將Δ^v，++vnc上傳到云，完成文件編碼塊的更新；另外，將存儲在邊緣層數據庫的源文件F^v用最新源文件F^++v替換。

2.2.3 閾值判斷

如果文件每次變動都要更新的話，會造成資源的浪費以及通信帶寬的增加。為了避免這種情況，引入了閾值的概念，閾值指的是文件最大或最小變化率。客戶可以根據自己的需要在邊緣層的管理器中設置閾值大小，即設置當文件變化多少時立即更新上云。變化率如式（8）所示。

將閾值設置為一個間隔[min，max]，其決定是否立即將變化的部分進行編碼壓縮并上傳到云。因為該方案針對的是設備參數文件的更新，設備參數文件大小在更新前后基本不變，變化的是文件中的數據，所以最極端情況是參數文件中的內容完全改變，即max取1時。如式（9）所示，如果變化率在這個間隔內，立即將Δ^v，++vnc進行壓縮上傳到云，將存儲在邊緣層數據庫的源文件F^v替換成最新源文件F^++v；否則不立即更新，而是將相關信息保存在邊緣層，邊緣層將保持這個同步直到下一次。閾值的間隔可以根據需要調整，本文將間隔設置為[0.3，1]，表示當文件發生30%及以上變化時，立刻將變化的編碼塊上傳到云。

假設每次修改后超過閾值的概率為p。經過q次修改和同步后，Rsync更新的次數為q，本文方案的請求次數為∑qi=1f（p）。通過上述分析，本文方案理論上比Rsync更有效，而且請求時間和上傳到云存儲節點的數據量都比Rsync小。

2.2.4 差分文件壓縮

大多數文件變化都是在局部位置，更新范圍比較小，絕大多數文件塊是沒有變動的，因此差分文件Δ^v，++v中的大部分元素都為0。即使只上傳變化的編碼塊到云，其中仍有可能出現許多重復的部分，增加更新帶寬。為了解決上述問題，使用行程編碼對變化編碼塊中的數據進行壓縮處理。

行程編碼^[20]的基本思路是將重復的信息用長度和重復的信息單元來表示，容易開發和實現，壓縮和解壓速度都很快，可以幫助重復率高的信息降低更新帶寬。根據差分編碼塊的特點，本文對行程編碼進行改進，設計了一種新的行程編碼方案。該設計中考慮了連續重復數據和連續非重復數據兩種數據類型的處理。壓縮碼主要由1 Byte大小的重復次數和重復字節組成。為了區分重復次數代表的是哪種數據類型，可以將重復次數的最高位設置成標志位，低七位表示后面所跟數據的長度。當標志位為1時，表示后面跟的是連續重復數據的次數；為0時，表示后面跟的是連續不重復數據的長度。一個數據重復2次，壓縮前后所占空間不變，所以將連續重復次數超過2次的判定為連續重復數據。壓縮碼的格式如圖5所示。

另外，因為該設計中的最高位為標志位，所以能夠表示的連續重復數據的最大重復次數為MAX=127。針對重復次數超過了MAX的情況，規定如果重復次數的值為FF則下一個字節仍用來記錄重復次數；若連續重復數據的重復次數恰巧為MAX，則在重復次數后面的字節添加一個0x00 Byte。對于連續非重復數據的長度大于或等于MAX的情況，處理方法和連續重復數據的處理方法類似，這里不再贅述。

為了更好地理解行程編碼的工作原理，圖6描述了行程編碼對一個大小為500 Byte的差分編碼塊的壓縮過程。經過行程編碼處理過后得到了21 Byte的壓縮碼，大大節省了通信帶寬。

2.2.5 數據更新方案

綜上所述，文件同步的一般步驟為

a）在邊緣層進行文件切分，計算新、舊文件之間的差分文件。

b）計算閾值，判斷是否需要立即同步。若需要則對差分文件進行編碼壓縮上傳，若不需要則保持這個同步直到下一次更新。

c）使用生成矩陣GM，將差分文件轉換成差分編碼塊。

d）為了縮小上傳數據所占的通信帶寬，使用行程編碼對變化的編碼塊進行壓縮。

e）邊緣層將存在變化的編碼塊壓縮后發送到云端。

f）云端將收到的變化編碼塊解壓存儲到對應的存儲節點。

g）變化編碼塊與舊編碼塊進行運算，即生成新的編碼塊，同步完成。

3 測試與仿真

隨著工業物聯網的發展，萬物互聯變得很常見，其中數據安全同步變得越來越重要，怎么快速高效地更新數據也成為重中之重。本文基于網絡編碼設計了一個工業物聯網設備數據同步方案，并對該方案進行了仿真測試，測試主要包括設備測試和性能測試。

3.1 設備測試

該方案的設備端選用的是一款磁力攪拌器，但是該攪拌器無法連網。為了克服連網問題，設備通過RS-485連接了一個esp8266通信模塊來充當網關，通過網關將設備的數據發送到同一局域網內的邊緣層，經過相關處理，最終存儲在云存儲節點中。設備具體連接^[21]如圖7所示。為了驗證網關和攪拌器是否能正常通信，以及采集到的數據能否通過網關上傳到邊緣層，將正在運行的esp8266通過串口連接到電腦上，使用串口調試助手觀察網關的數據上傳情況。通過圖8可知，網關和攪拌器連接無誤并能準確上傳數據到邊緣層。

3.2 性能測試

為了驗證所提方案的可行性以及算法的優勢，在不同的控制條件下把本文方案與Rsync算法以及RS編碼更新方案進行仿真比較，并對仿真結果進行分析。實驗拓撲如圖9所示。

3.2.1 文件大小與性能的關系

實驗主要通過單一變量控制來比較方案之間的性能好壞。在實驗中將數據塊n和冗余塊m的個數分別設置為6、2；文件的大小分別選擇20 MB、40 MB、60 MB、80 MB、100 MB、120 MB；每次對文件進行40%的更改。由于資金有限，設備只有一臺，其產生的數據所占內存過小，遠遠達不到要求的文件大小，所以可以通過添加冗余數據模擬運行設備，文件大小可以通過模擬設備數量控制。從圖10可以看出，更新過程中隨著文件的增大，帶寬的開銷也在逐漸增大，而且三種方案對比發現，本文方案開銷最小，Rsync算法次之，RS編碼方案最差。主要是因為RS方案直接將新文件編碼上傳到云存儲節點，而Rsync算法雖然只上傳改變的部分，但是與本文方案相比還是有點遜色。除上述情況之外，本節還探究了文件大小對三種方案更新時間的影響情況，如圖11所示。更新時間主要是由邊緣層處理時間、傳輸時間和云端處理時間三部分構成。其中由于本文方案在邊緣層需要對變化的部分編碼、壓縮，與其他方案相比耗時較多，但其傳輸時間可以大大節省，所以更新時間優于其他兩種方案。

3.2.2 更新比例對性能的影響

本文還討論了文件更新比例對文件更新時間以及通信開銷的影響。該實驗選擇一個20 MB大小的文件，該文件主要記錄多臺攪拌器的參數信息，通過不斷改變模擬攪拌器的參數信息來控制文件的更新比例，實驗結果如圖12所示。從折線圖可以看出，RS編碼方案由于文件每次變化都是更新整個文件，所以隨著更新比例增加更新時間波動不大；Rsync算法每次只更新變化的部分，所以更新時間比RS編碼方案少，但隨著更新比例的增加更新時間也在增大；本文方案由于對變化的部分進行壓縮上傳，以及設置閾值超過30%時才立即更新到云，所以在文件更新比例30%之前，更新時間較小，而且總體比較，在文件更新比例較小時本文方法可以節省很多時間。

更新比例和通信開銷的關系如圖13所示。因為RS編碼方案不是差分更新，每次更新都要上傳整個文件，所以其通信開銷較大而且和更新比例無關。本文方案和Rsync算法相比，由于在只上傳變化部分編碼塊的基礎上再進行壓縮處理，所以本文方案能夠極大地節省帶寬，減輕網絡壓力；另外，受閾值判斷影響在文件更新比例30%之前，本文方案的通信開銷很小。

本文方案主要結合了前兩種方案的優勢，不但在文件更新時進行編碼處理可以保證數據的隱私性和安全性，還可以從云存儲節點中任意取出n個編碼塊并結合其對應的生成向量恢復原始文件的內容；另外只上傳文件變化的部分，節約了資源。

4 結束語

隨著工業物聯網的快速發展，數據同步變得越來越重要。考慮到數據安全及更新問題，本文在端—云協同的基礎之上，提出了一種工業互聯網端邊云協同數據同步方案。該方案通過計算差分文件、閾值判斷和壓縮傳輸，降低了更新過程的通信開銷和更新時間；另外，對傳統行程編碼進行改進，使其具有更好的壓縮效果；大部分操作均是在邊緣層進行處理，大大減輕了云端的壓力。通過和其他方案的對比實驗證明，本文方案是可行的，既保證了數據安全，又提升了傳輸效率，性能整體優于其他方法。除此之外，本文方案為工業生產設備產生的數據存儲提供了更好的保障，例如在工廠生產中，可以通過本文方案將設備的實時狀態數據保質保量地更新到云存儲器，以便遠程監控。如果使用傳統的更新方法，可能會遇到數據安全以及不必要資源損耗的問題。

參考文獻：

[1]Hashem I A T. The rise of “big data” on cloud computing： review and open research issues[J].Information Systems，2015，47：98-115.

[2]Ju Jiehui， Wu Jiyi， Fu Jianqing， et al. A survey on cloud storage[J].Journal of Computers，2011，6（8）：1764-1771.

[3]Mtibaa A， Good C， Misra S， et al. RC-UDP： on raptor coding over UDP for reliable high-bandwidth data transport[C]//Proc of IEEE International Conference on Communications.Piscataway，NJ：IEEE Press，2018：1-6.

[4]Wang Yufan， Peng Linning， Fu Hua， et al. Performance analysis of concatenated error correction code in secret key generation system[C]//Proc of the 19th IEEE International Conference on Communication Technology.Piscataway，NJ：IEEE Press，2019：270-275.

[5]劉光軍，郭網媚，熊金波，等.適用于再生編碼分布式存儲的輕量型隱私保護審計方案[J].通信學報，2021，42（7）：220-230.（Liu Guangjun， Guo Wangmei， Xiong Jinbo， et al. A lightweight privacy protection audit scheme for regenerated encoded distributed storage[J].Journal on Communications，2021，42（7）：220-230.）

[6]Xie Guojun， Shen Jiquan， Yang Huanhuan. Generalized RDP code based concurrent repair scheme in cloud storage nodes[J].Information，2019，10（1）：article No.20.

[7]王偉平，張俊峰，王建新.基于零空間的網絡編碼云存儲完整性校驗方案[J].清華大學學報：自然科學版，2016，56（1）：83-88，96.（Wang Weiping， Zhang Junfeng， Wang Jianxin. Integrity verification scheme of network coded cloud storage based on 1 space[J].Journal of Tsinghua University：Natural Science，2016，56（1）：83-88，96.）

[8]Wang Tian， Zhou Jiyuan， Liu Anfeng， et al. Fog-based computing and storage offloading for data synchronization in IoT[J].IEEE Internet of Things Journal，2018，6（3）：4272-4282.

[9]吳昊，賴成喆，范九倫，等.云環境下基于安全網絡編碼的數據更新算法[J].通信學報，2017，38（5）：121-127.（Wu Hao， Lai Chengzhe， Fan Jiulun， et al. Data updating algorithm based on secure network coding in cloud environment[J].Journal of Communications，2017，38（5）：121-127.）

[10]王龍江，陳越，嚴新成，等.網絡編碼云存儲系統差分數據更新方案[J].通信學報，2017，38（3）：154-164.（Wang Longjiang， Chen Yue， Yan Xincheng， et al. Differential data updating scheme for network coded cloud storage system[J].Journal of Communications，2017，38（3）：154-164.）

[11]Li Jun， Li Baochun. Erasure coding for cloud storage systems： a survey[J].Tsinghua Science amp; Technology，2013，18（3）：259-272.

[12]Reed I S， Solomon G. Polynomial codes over certain finite fields[J].Journal of the Society for Industrial amp; Applied Mathematics，1960，8（2）：300-304.

[13]Zhang Deyu， Chen Zhigang， Awad M K， et al. Utility-optimal resource management and allocation algorithm for energy harvesting cognitive radio sensor networks[J].IEEE Journal on Selected Areas in Communications，2016，34（12）：3552-3565.

[14]Zhang Deyu， Shen Ruyin， Ren Ju， et al. Delay-optimal proactive service framework for block-stream as a service[J].IEEE Wireless Communication Letters，2018，7（4）：598-601.

[15]王其朝，金光淑，李慶，等.工業邊緣計算研究現狀與展望[J].信息與控制，2021，50（3）：257-274.（Wang Qichao， Jin Guangshu， Li Qing，et al. Research status and prospect of industrial edge computing[J].Information and Control，2012，50（3）：257-274.）

[16]Shi Weisong， Cao Jie， Zhang Quan， et al. Edge computing： vision and challenges[J].IEEE Internet of Things Journal，2016，3（5）：637-646.

[17]Lee J. A view of cloud computing[J].International Journal of Networked and Distributed Computing，2013，1（1）：2-8.

[18]Huang Mingfeng， Liu Anfeng， Xiong N N， et al. A low-latency communication scheme for mobile wireless sensor control systems[J].IEEE Trans on Systems Man amp; Cybernetics Systems，2019，49（2）：317-332.

[19]Tridgell A， MacKerras P.The Rsync algorithm[R].[S.l.]：Austra-lian National University，1996.

[20]Zhang Jiawei， Sun Dawei. Improvement of data compression technology for power dispatching based on run length encoding[J].Procedia Computer Science，2021，183：526-532.

[21]沈林濤，王凱.基于物聯網技術的實驗設備監控系統設計與實現[J].軟件導刊，2021，20（2）：119-123.（Shen Lintao， Wang Kai. Design and implementation of experimental equipment monitoring system based on Internet of Things technology[J].Software Guide，2021，20（2）：119-123.）