基于賽博鏈的云端動力電池管理

【歡迎引用】 劉琦， 楊璐華， 王文濤， 等.基于賽博鏈的云端動力電池管理[J]. 汽車文摘，2022（XX）： X-XX.

【Cite this paper】 LIU Q， YANG L H， WANG W T， et al.Cloud Management of Power Batteries Based on CHAIN[J]. Automotive Digest （Chinese）， 2022（XX）： X-XX.

【摘要】電池管理系統有助于保持汽車動力電池的安全和優良特性，實現狀態估計、單體均衡、熱管理和故障診斷重要功能。傳統的車載設備已不能滿足先進電池管理系統對算力、通信的需求，提出基于賽博鏈（CHAIN）的云端電池管理系統，通過“端、邊、云、智”模式實現車云協同，利用分布式計算架構解決算力問題，可以提供基礎設施服務（IaaS）、開發平臺服務（PaaS）、軟件應用服務（SaaS）、數據資源服務（DaaS）4種服務類型。最后總結了該系統可能面臨的技術挑戰，并展望了其廣泛的應用場景。

關鍵詞：賽博鏈；電池管理系統；電池模型；車云協同；邊緣計算

中圖分類號：U469.72 文獻標志碼：A DOI： 10.19822/j.cnki.1671-6329.20220187

Cloud Management of Power Batteries Based on Cyber CHAIN

Liu Qi1， Yang Luhua2， Wang Wentao3， Yang Shichun3， Liu Xinhua3

（1. School of Aeronautic Science and Engineering， Beihang University， Beijing 100191; 2. Shen Yuan College， Beihang University， Beijing 100191; 3. School of Transportation Science and Engineering， Beihang University， Beijing 100191）

【Abstract】 Battery management system is conducive to maintaining excellent performances and safety of the vehicle power batteries， which is able to conduct functions of state estimation， energy equalization， thermal management and fault diagnosis. However， the traditional vehicle-end facility cannot meet the demands on hash rate and communication for advanced BMS. This paper proposes a cloud battery management system based on CHAIN （Cyber Hierarchy And Interactional Network）， which can realize vehicle-cloud cooperation through End-Edge-Cloud-Intelligence mode and solve the problems of hash rate in distributed computation framework. It has the ability to provide different service delivery modes， including Infrastructure as a Service （IaaS）， Platform as a Service （PaaS）， Software as a Service （SaaS） and Data as a Service （DaaS）. At last， several technical challenges and issues are concluded and an outlook on the multi-scenario applications of CHAIN is presented.

Key words： CHAIN， Battery management system， Battery model， Vehicle-cloud cooperation， Edge computing

0 引言

相較于在交通運輸中直接使用化石能源，以動力電池為載體的新型能源應用型式可以在推進綠色能源應用、降低碳排放、化解能源危機等方面發揮關鍵作用。鋰離子電池是現階段電動汽車中應用最廣泛的電池類型。與傳統鉛酸電池相比，鋰離子電池具有能量密度高、無記憶效應、循環壽命長的顯著優勢。然而，在使用與儲存過程中，鋰離子電池可靠性相對較低，容易發生短路或氣體泄漏，從而引發熱失控，限制了其進一步廣泛應用[1-3]。因此，通過智能高效的電池管理系統（Battery Management System，BMS）實現對電池全生命周期管理十分重要。電池管理技術主要經歷了3代，即無管理（僅監測電池端電壓進行充放電控制）、簡單管理（僅監測電池組外部參數）和高級管理（實現對電池系統動態監控）[4]。隨著傳感器、5G網絡、大數據技術的發展，電池管理技術也更加先進。一般認為先進電池管理系統具有電池建模、參數識別、狀態估計、熱管理、電池均衡、充電控制和故障診斷功能。然而傳統的機載電池管理系統計算能力有限，難以實現大規模數據處理，因此難以對電池的復雜狀態進行實時管理。分布式計算（如云計算和邊緣計算）可以解決車載端算力不足的問題[5]。楊世春等[6]提出下一代電池管理系統的先進框架——賽博鏈（Cyber Hierarchy And Interactional Network， Cyber CHAIN），采用“端、邊、云、智”層次結構，可為客戶（如電動汽車使用者、公司）提供定制化服務。

賽博鏈中，車載先進傳感器采集不同尺度車輛數據，包括電池狀態和駕駛模式。然后將數據發送到處理環節，由分布式計算系統（包括邊緣計算和云計算）對數據進行處理[7]。從大量數據中可以獲得電池系統多尺度模型參數，為電池多狀態（State of X，SOX）估計、熱管理和故障診斷奠定基礎。本文旨在分析賽博鏈框架關鍵組成部分及其技術挑戰，并對其未來發展進行展望。

1 BMS主要功能與實現方法

1.1 基于電池模型的BMS工作原理

電池模型可以比較準確地建立外部檢測量與電池內部狀態的映射關系，根據所研究尺度大小，可以分別在分子層級、形態學層級、電池層級、電池系統層級和生產裝配層級建立多尺度數學模型[8]。從微觀到宏觀的多尺度模型提供描述電池全生命周期的完整框架，對電池循環利用和迭代更新起到指導性作用。在電池層級方面，目前應用較為廣泛的是電化學模型（主要包括單粒子模型、準二維模型）、黑盒模型和等效電路模型[9]。電化學模型屬于基于物理的白盒模型，其顯著特征是計算量巨大，而黑盒模型則因其易于結合大數據作數據驅動運算而受到廣泛研究和快速發展，等效電路模型則是介于兩者之間的灰盒模型，兼有上述2方面的特征。

準確估計模型參數是確保模型有效性的關鍵。不同類型參數獲取方式不同，一種方法為直接進行多尺度觀測，通過原位或異位的傳感測量手段，可以得到電池的電極厚度和內阻信息[10]。另一種方法是基于梯度下降算法或者遺傳算法等方法對模型進行擬合得到目標參數，具體又可分為在線測量和離線測量，前者計算量較小但準確性不夠，而后者計算量大但準確度較高。

基于合適的電池模型，能夠對電池現有狀態做出定量估計，并利用電池特征和狀態參數實現BMS對動力電池的控制和管理。GB/T 38661—2020《電動汽車用電池管理系統技術條件》規定，電動汽車電池管理系統基本功能主要包括：監測或獲取電池數據、故障診斷、故障信息記錄及處理、自檢與預警、與其他控制器信息交互、實時通信、絕緣電阻監控、充放電高壓互鎖監控、過充放電/過流/過溫保護和電池荷電狀態（State of Charge，SOC）估算[11-12]。BMS的核心功能主要包括狀態估計、單體均衡、熱管理和故障診斷，以下將介紹各功能含義與核心算法[13]。

1.2 實現BMS功能的核心方法

BMS的4項功能如表1所示，下面將詳細介紹各功能特點。

1.2.1 狀態估計

狀態估計是BMS實現各項功能的基礎。針對不同場景不同需求，狀態估計包括SOC、健康狀態（State of Health，SOH）、功率狀態（State of Power，SOP）、能量狀態（State of Energy，SOE）、功能狀態（State of Function，SOF）、剩余壽命（Remaining Useful Life，RUL）。其中，SOC最為關鍵且相關研究最為充分，目前已發展出多種SOC測量方法，如安時積分法、基于模型的智能算法、數據驅動法，其余指標也均有相應估計策略。工程上經常對2個或2個以上指標進行聯合估計，例如利用卡爾曼濾波（Kalman Filter，KF）或改進型無跡卡爾曼濾波（Unscented Kalman Kilter，UKF）、聯合利用人工神經網絡（Artificial Neural Network，ANN）和雙卡爾曼濾波（Dual Extended Kalman Filter，DEKF）或粒子濾波器實施對SOC和SOH的聯合估計并保證較高精度[14-17]。文獻[18]提出了基于偽隨機二進制序列（Pseudo-Random Binary Sequence，PRBS）和DEKF的SOC和SOP聯合估計；文獻[19]則基于二階RC等效電路模型和UKF算法估計SOC，并在此基礎上結合多約束條件對SOP進行聯合估計。表1中列舉了國內外一些學者提出的狀態估計方法。

1.2.2 單體均衡

電池系統不斷充放電的循環中，電池性能衰減會導致其內阻、SOC等一系列參數呈現出不一致的特征[66]。電池間參數嚴重失衡會導致系統性能衰減加速和供電系統可用性降低，因而保持系統內各個單體電池均衡具有重要意義。單體均衡有耗散式和非耗散式2種模式，其中前者更常用于小型電池組。單體均衡算法的被平衡目標參數一般是電池電壓（常針對鉛酸電池）、SOC或電池容量，基于電池容量的平衡算法能更充分地利用系統內單體電池的剩余容量[13，67]。表1中列舉了一些單體均衡的方法和案例。

1.2.3 熱管理

單體電池和電池系統溫度分布是影響電池性能的關鍵因素，電池溫度過高容易直接引發火災事故，而電池溫度過低可能毀壞電池內部結構造成嚴重后果（例如低溫時充電可能加速鋰枝晶的生成，從而刺穿分隔層造成短路），因此動力電池的熱管理相應地分為2個方面[66]。一是不能讓電池溫度過高，由此發展出了多種辦法，如風冷、液冷、相變材料（Phase Change Material，PCM）冷卻、熱管冷卻；二是避免電池溫度過低，電池加熱技術可分為表面加熱和內部加熱[13，68]。表面加熱和冷卻的原理類似，在表面向電池提供熱量，而內部加熱常利用電流熱效應，是更加均勻高效的加熱方法。對于BMS而言，電池系統的熱管理需要在能耗和溫度調節效果之間取得平衡[69]。對此學界已有多項研究，相關成果見表1。

1.2.4 故障診斷

及時準確地對電路進行故障診斷、確保行車安全是BMS的重要任務。電池故障可分為由性能衰減緩慢造成和由突發事故突然造成2種類型。突發事故包括多種因素，如機械觸發、熱觸發、電路觸發[13]。從故障發生位置分類，故障可能發生在單體電池、傳感器、執行器和熱管理系統[70]。因為故障類型繁多（如不一致性、短路、熱失控、傳感器和連接組件故障），且故障類型往往相互耦合，所以故障診斷是一項挑戰性工作[71]。Hong等[72]提出了利用長短期記憶網絡（Long Short-Term Memory，LSTM），并基于電壓異常狀態提出了電池系統故障預測方法，首次將LSTM應用于電壓預測和故障預測。陳嵐等[73]將貝葉斯網絡應用于電池管理系統故障診斷，結果具有較高的區間正確率。更多故障診斷方法如表1所示。

1.3 BMS技術瓶頸與發展趨勢

隨著人工智能、大數據、物聯網等新興技術的不斷發展，BMS功能將會在智能化、模塊化、云端化的助力下得到全面提升，BMS有效性、安全性、通用性得到加強。但是，不同技術的融合發展不可避免地遇到新理論或技術瓶頸，問題和相應解決方案總結如下。

1.3.1 端側算力問題

搜集更詳細的電池信息、利用更細致復雜的電池模型和智能算法有助于BMS進行更加準確的狀態估計，從而更好地實現基于狀態估計的其他功能。目前較為主流的BMS均采用車載端計算，而車載端側的設備已不能滿足BMS快速增長的算力需求。較為主流的解決方案是通過車云協同來減輕車載端側計算負載，借助數據傳輸技術，通過云端和車載端的分工合作來完成BMS的大規模計算任務[74-75]。在具體實現方式上，“端、邊、云、智”是一種有發展前景的汽車動力電池管理架構[76]。

1.3.2 實時通信問題

實現分布式計算的前提條件之一是使海量數據得到即時、穩定地傳輸，要求通信網絡具有足夠低的延遲和批量處理能力，以滿足BMS對于計算速度和算力的要求[6]。5G、區塊鏈技術在工業領域有廣闊的應用前景，有望為BMS提供滿足需求的通信鏈路[77-78]。

1.3.3 系統安全問題

BMS安全分為信息安全和功能安全2方82b08941ad6a3004c09cae53f2a2b485面，2者相互耦合、共同作用。在功能安全領域已有多種標準，如ISO 26262、SAE J2980、UL 4600，但是這些標準并不能適應現階段各類BMS快速迭代更新和快速發展需求，因此適當的行業標準和相應的技術更新是保證BMS功能安全的必要條件[79]。信息安全是基于云的BMS必須要面對的重大問題，數據存儲、傳輸、處理、車云協同、車車協同環節均需防止信息泄露和非法利用。一方面要發展新的加、解密技術以實現更高水平的信息網絡防護；另一方面信息安全防火墻的全面構建離不開來自政府、行業、企業和產品研發多方面主體共同發力[80-81]。

2 基于賽博鏈的云端電池管理系統架構

2.1 多尺度建模

電池模型是實現系統精確預測和最優實時控制的關鍵。為了全面準確地評估整車電池系統運行狀況，需要獲取多個層面的詳細信息，如分子、形態、電極、電解質、電池、系統、加工制造。通常需要多尺度模型來捕捉電池在不同尺度下的行為[82]。不同模型之間的參數識別所需計算能力和先進算法可能會有很大差異。車載設備能力有限的情況下，參數精度至關重要。具有大數據處理能力的云計算技術可以作為解決這一計算問題的方案。通過多尺度建模，一方面可以明確電池微觀機理與宏觀性能的關系，分析復雜的電化學機理和電-熱-機械的多因素耦合過程；另一方面，通過開發多尺度云數據模型，實現“材料-電池-材料”全電池壽命閉環循環，為產品設計、開發和制造提供系統迭代指導。

2.2 車云協同框架

為了實現對電池的高效監測和管理，需要對大量電池數據進行采集、傳輸、存儲和分析。這個過程需要強大的算力，而目前車載端難以實現。楊世春等[6]提出的賽博鏈，將材料的物理和電化學參數上傳到云端共享，實時進行模型計算，實現從原材料到產品的溯源。賽博鏈基于云平臺，建立閉環設計優化系統，通過同步調整參數，預測電池性能并提供優化管理方案。賽博鏈開發了“端、邊、云、智”的車云協同框架，由云到物的框架如圖1所示。該框架配合深度學習算法，可以實現傳統電池管理系統難以實現的復雜狀態監測、估計和優化功能，進而可實現電池的熱管理、充電控制、故障診斷功能，提升電池安全和性能。

2.2.1 端側

端側主要負責采集電池數據，通過高實時性算法，完成電池管理系統中基本的熱管理功能，保證電池體系正常運轉。電池的典型數據包括電池在正常工作狀態時的充放電時間、溫度、電流、電壓、位置和電池的通信地址。準確的電池數據是電池管理系統實現能量均衡、狀態估計、熱管理和故障診斷功能的基礎[83]。因此，采集數據的準確性和速度對基于賽博鏈的電池管理系統的性能有很大影響。目前，主要通過裝有電壓、電流和溫度傳感器的車載端電池管理系統采集電池數據。

隨著傳感器技術的不斷發展，未來將實現對各種電池數據的高精度采集，嵌入式傳感器、壓力傳感器、氣體傳感器、聲學傳感器等新型傳感器將提供豐富且準確的電池運行狀態新信息，例如電池所承受的機械應力、聲阻抗等，顯著提高故障診斷準確性，進一步促進電池管理系統發展[84]。

2.2.2 邊緣計算

邊緣側為數據傳輸的過渡節點，對數據進行過濾處理，上傳到云端，也負責部分計算任務[85]。電池管理系統要實現對電池狀態的實時估計，對電池故障進行快速響應，對數據的實時處理尤為重要。雖然云中心提供了巨大的計算能力，但數據傳輸耗時和網絡延遲，響應速度較低。利用邊緣節點對數據進行預處理與過濾，可以減少中間數據傳輸過程，保證數據快速處理，在電池實時監測和狀態估計過程中起重要作用[86-87]。邊緣節點由Web服務器、數據庫服務器、緩存服務器和微數據中心組成。

邊緣計算用于對電池采集到的數據進行預處理和過濾，如數據同步、本地計算、數據更新、數據緩存等[88]。在邊緣節點上進行數據處理，可以大大減少發送到云的數據量，從而降低網絡流量負載和云計算中心的能耗[89-90]。邊緣計算的另一個關鍵功能是對存儲在節點中的電池數據進行加密，可以提高數據私密性，保證數據安全性。

2.2.3 云計算

由于邊緣設備存儲和計算能力有限，一般不可能進行復雜數據處理。而云計算是一種特殊形式的分布式計算，通過引用效用模型來遠程提供可伸縮和可測量的資源，具有幾乎無限的存儲和處理能力，可以實現物聯網設備的可擴展性和實時數據分析[91]。通過深度學習高復雜度、高性能的數據驅動算法，將計算結果下發到邊緣側，邊緣側再通知端側，或者直接下發端側。云連接的電池管理系統可以實現多種功能，主要包括狀態估計、壽命預測、熱管理和安全預警。基于云的電池管理系統可以設置各種應用程序接口（Application Programming Interface，API）與Python等語言連接，實現功能升級。

云計算有多種分類方法。按所有權分為私有云、公有云和混合云；按提供商分為單一提供商、多提供商。云計算比邊緣計算費用更低、更安全，是存儲電池系統大量歷史數據的最佳選擇[92]。

2.2.4 智慧決策

智慧決策無實體，貫穿于整個車云協同，是電池管理系統各種功能的整合和虛擬載體。與傳統電池管理系統簡單的單側電池管理不同，基于端邊云架構的電池管理系統能更好地獲取電池的實時狀態，通過高實時性、高精度算法，實現對電池智慧管理。在實現對電池狀態估計過程中，車載端通過電流、電壓傳感器采集電池的電流、電壓數據，并將原始數據上傳到邊緣側。邊緣側負責一部分數據的運算任務，并對數據進行預處理，將數據發送到云端。云端通過高精度算法對數據進行處理，得到電池SOC、SOH參數，做出相應決策，并將決策結果下發至邊緣側與端側。端側做出反應，例如調節電池的電壓、電流，實現對電池狀態估計與管理。這種被稱為監控-分析-計劃-執行（MAPE-K）循環的控制模式被認為是自動化和自適應控制中最有前景的路徑之一[93-94]。

2.3 多服務模式

目前，不同電池廠商開發的電池管理系統基本上都是獨立、自主和分散的系統，導致多個傳感器收集的大量數據利用效率低下。為了徹底解決該問題，賽博鏈框架提供了集基礎設施、軟件平臺、應用和數據資源于一體的分層綜合服務。圖2所示為賽博鏈多服務模式，具體包括基礎設施服務（Infrastructure as a Service，IaaS）、開發平臺服務（Platform as a Service，PaaS）、軟件應用服務（Software as a Service，SaaS）和數據資源服務（Data as a Service，DaaS）。

2.3.1 基礎設施服務（IaaS）

IaaS提供有關計算、存儲、安全和其他基礎設施服務，讓客戶能夠控制操作系統，供用戶開發定制化電池管理系統，以滿足特定應用需求，允許用戶對資源進行分配控制，同時接管系統維護的職責[88]。

IaaS的基本結構是數據資源池，可以在數據池中當前數據和歷史數據庫的支持下進行數據融合、數據迭代和邊緣計算。通過5G和其他通信技術定期將傳感器采集到的電池多尺度數據上傳到賽博鏈平臺，實現數據資源池的更新迭代?？蓴U展和可定制的IaaS也可以支持“隨走隨付”模式，從而節約使用費用。然而，IaaS也帶來了一些潛在的安全風險[95]。

任何非法訪問敏感資料或操縱數據庫的行為都可能造成重大財產損失，甚至嚴重事故。因此，安全是云計算技術的關鍵問題，尤其是作為其他服務層基礎的IaaS[6]。

2.3.2 開發平臺服務（PaaS）

PaaS可以為用戶提供隨時可用的環境以運行軟件或其他應用程序。便于用戶在電池管理系統設計過程中調用所需功能，提供大數據分析、物聯網平臺、決策樹算法驅動的人工智能平臺、邏輯回歸、強化學習模塊化服務，使車輛電子設備和高級控制服務之間的連接成為可能[96]。

PaaS模型允許不同企業用戶協同開發應用程序，平臺可以將不同品牌車輛的數據集成在一起進行統一分析，擴大可訪問數據范圍，為智能算法提供大量訓練數據，提高算法性能[97]。

2.3.3 軟件應用服務（SaaS）

SaaS允許潛在用戶在任何時間、任何地點、任何設備經過授權訪問，建立電池多尺度模型，直接為企業用戶提供軟件應用服務。安全性是SaaS不可忽視的問題。權限層用戶的認證和API網關是SaaS的關鍵，任何錯誤都可能導致對云服務器的錯誤訪問或非法訪問，從而導致BMS決策錯誤或隱私信息泄露。

2.3.4 數據資源服務（DaaS）

DaaS將傳感器采集到的車輛電池數據集成儲存在云中，以API的形式對數據進行供給、管理和增值處理，為用戶提供數據資源服務。例如，電池全生命周期管理中，基于電池狀態數據，進行電池狀態的優化管理，實現實時數據同步，提升電池性能，延長電池壽命[98]。然而，隱私與安全是阻礙DaaS發展的一大挑戰，文獻[99]中提出了一種實現DaaS服務的隱私感知組合方法，允許指定服務隱私要求和策略，并驗證了其與組合中涉及服務的兼容性，為解決DaaS隱私問題提供了可行方案。

3 挑戰和應用

3.1 現存的挑戰

基于賽博鏈的電池管理系統與生命財產安全密切相關，主要面臨傳感器精度、精準建模和信息安全相關問題的挑戰。

3.1.1 傳感器精度

納米級微材料和宏觀性能的感知需要具有高采樣精度和精細模型的傳感器，以生成多維、多狀態、多因素層次數據，這是評估電池系統運行狀態的基礎，也是診斷某些電池缺陷的基礎。而目前車載端傳感器采集數據精度不足，缺乏關于高精檢測方法和工具的深入研究。

3.1.2 精準建模

精準的電池模型是電池管理系統實現準確預測與安全管理的基礎。實時建模時，需要具體分析復雜的電化學機理和電-熱-機械多因素耦合過程，以獲得電池微觀機理與宏觀性能映射關系的精確圖像。然而，目前還缺乏可實施的模型來精確地模擬和理解電化學反應過程。

3.1.3 信息安全

賽博鏈的“端、邊、云、智”BMS框架中，每個步驟都涉及到大量數據傳輸與計算處理，存在信息安全風險。由于智能車載系統的復雜性和產品的不斷迭代，目前缺乏一套普遍認可的信息安全標準和法規。賽博鏈必然需要面對各種信息安全風險帶來的更加嚴峻的考驗和艱巨的挑戰。

3.2 擴展應用場景

基于賽博鏈的BMS系統可以較好地實現系統各項功能，為用戶提供個性化服務。同時，由于動力電池管理領域與其他工業應用場景下需要解決的問題存在共同之處，因此基于賽博鏈的、更廣義的云端管理系統可以超越動力電池管理領域而廣泛遷移應用，這是由于其跨平臺性好、模塊化程度高、計算能力和通信能力強的特點決定的。在現代工業領域，眾多應用場景都具有多尺度結構特征且適于建立數字孿生模型，主要包括智能材料研發、智能制造支持、智慧醫療應用、智能能源管理、智慧交通協同領域，則基于賽博鏈的車云協同框架將很好地發揮其功能優勢。

4 結束語

本文提出了一種基于賽博鏈框架的電池全生命周期管理功能。賽博鏈框架通過對電池數據、人工智能算法和電池多尺度云數據模型集成，可以對產品研發與制造體系進行系統性的優化迭代指導。同時，賽博鏈框架采集的數據類型涵蓋了從電池材料、單體、模組、系統到整車級別，以及從微觀到宏觀的多尺度信息，而且還包括電池溫度、電流、電壓數據，電動汽車有望在多種復雜情況下實現全面的精細化監控管理。

賽博鏈框架獨特的分層、交互的“端、邊、云、智”BMS框架可以解決車載端算力不足的問題，根據不同應用場景承擔不同計算任務，隨著下一代通信技術的突破性發展，具有廣闊的發展前景。整個系統可以為有不同需求和不同管理權限用戶提供個性化服務，包括IaaS、PaaS、SaaS和DaaS服務模型。除此之外，賽博鏈框架具有廣泛兼容性和可移植性，適用于多種應用場景，具有很好的發展前景。然而，基于賽博鏈的電池管理系統仍面臨一些問題和挑戰，未來相關技術發展將為解決這些問題提供更多的解決方案。

參 考 文 獻

[1] 王其鈺， 王朔， 張杰男， 等. 鋰離子電池失效分析概述[J].儲能科學與技術， 2017， 6（5）： 1008-1025.

[2] HASIB SHAHID A， ISLAM S， CHAKRABORTTY RIPON K， et al. A Comprehensive Review of Available Battery Datasets， RUL Prediction Approaches， and Advanced Battery Management[J]. IEEE Access， 2021， （99）：1-1.

[3] LU L G， HAN X B， LI J Q， et al. A Review on the Key Issues for Lithium-ion Battery management in Electric Vehicles[J]. Journal of Power Sources，2013，226（6）： 17.

[4] DAI H， JIANG B， HU X， et al. Advanced Battery Management Strategies for A Sustainable Energy Future： Multilayer Design Concepts and Research Trends[J/OL]. Renewable and Sustainable Energy Reviews，（2020-10-29）[2022-07-24]. https：//doi.org/10.1016/j.rser.2020.110480.

[5] HOSSAIN LIPU M S， HANNAN M A， KARIM T F， et al. Intelligent Algorithms and Control Strategies for Battery Management System in Electric Vehicles： Progress， Challenges and Future Outlook[J]. Journal of Cleaner Production，2021，292（prepublish）： 126044.

[6] YANG S， HE R， ZHANG Z， et al. CHAIN： Cyber Hierarchy and Interactional Network Enabling Digital Solution for Battery Full-Lifespan Management[J].Matter，2020，3（1）： 27-41.

[7] Ma B ，Yu H ，Yang L ， et al.Toward a Function Realization of Multi-scale Modeling for Lithium-ion Battery Based on CHAIN Framework[J].Rare Metals，2023，42（02）：368-386.

[8] 馮劉中， 張雅文， 張舟. 電動汽車BMS系統架構與發展趨勢[C]//2021中國汽車工程學會年會論文集（2）， 2021： 276-281.

[9] 盧婷， 楊文強. 鋰離子電池全生命周期內評估參數及評估方法綜述[J]. 儲能科學與技術， 2020， 9（3）： 657-669.

[10] GAO X L， LIU X H， XIE W L， et al. Multiscale Observation of Li Plating for Lithium-ion Batteries[J/OL]. Rare Metals.（2021-05-15）[2022-07-22]. https：//doi.org/10.1007/s12598-021-01730-3.

[11] GB/ T38661-2020， 電動汽車用電池管理系統技術條件[S]. 中國： 國家標準化管理委員會， 2020.

[12] 王彩娟， 朱相歡， 田宏錦， 等. 解析電動汽車電池管理系統新國標GB/T 38661-2020[J]. 電池工業， 2021， 25（3）：160-164.

[13] SHEN M C， GAO Q. A Review on Battery Management System From the Modeling Efforts to Its Multiplications and Integration[J/OL]. International Journal of Energy Research. （2019-04-10）[2022-07-22]. https：//www.semanticscholar.org/paper/A-review-on-battery-management-system-from-the-to-Shen-Gao/c29d6189d175880697184d331944072fead75854.

[14] TOPAN P A， RAMADAN M N， FATHONI G， et al. State of Charge （SOC） and State of Health （SOH） Estimation on Lithium Polymer Battery via Kalman Filter[C/OL]//Proceedings of 2016 2nd International Conference on Science and Technology-Computer， New Delhi：Springer，2016[2022-07-22]. https：//ieeexplore.ieee.org/document/7877354.

[15] ANDRE D， APPEL C， SOCZKA-GUTH T， et al. Advanced Mathematical Methods of SOC and SOH Estimation for Lithium-ion Batteries[J/OL]. Journal of Power Sources， （2013-06-15）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES14010600307448&DbName=GARJ2013.

[16] BAI G X， WANG P F. A Self-cognizant Dynamic System Approach for Battery State of Health Estimation[C/OL]//2014 International Conference on Prognostics and Health Management，2014： 1-10[2022-07-22].https：//www.semanticscholar.org/paper/A-self-cognizant-dynamic-system-approach-for-state-Bai-Wang/51584928582a24b580e8475bd4f4f49b8c22b426.

[17] ZHANG X， WANG Y J， LIU C， et al. A Novel Approach of Battery Pack State of Health Estimation Using Artificial Intelligence Optimization Algorithm[J/OL]. Journal of Power Sources.（2018-02-01）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES210557800340084F409C747E588BB16C&DbName=GARJ2018.

[18] NEJAD S， GLADWIN D T. Online Battery State of Power Prediction Using PRBS and Extended Kalman Filter[J/OL]. IEEE Transactions on Industrial Electronics.（2020-05-01）[2022-07-22].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=XJAZ09F05842CD512E29A8A786CF73298716&DbName=GARJ2020.

[19] 張宵洋， 張振福， 毛順永， 等. 鋰電池SOC與持續峰值SOP的聯合估計[J/OL]. 控制工程.（2020-11-17）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=JZDF202207014&DbName=DKFX2022.

[20] 邢麗坤， 詹明睿， 郭敏， 等. 基于FFMILS-MIUKF算法的鋰電池SOC估計[J/OL]. 電子測量技術. （2022-07-26）[2022-07-28].http：//kns.cnki.net/kcms/detail/11.2175.TN.20220725.1815.030.html.

[21] LI C J， CHEN Z W， CUI J， et al. The Lithium-ion Battery State-of-Charge Estimation Using Random Forest Regression[C/OL]//Proceedings of 2014 Prognostics and System Health Management Conference（PHM 2014）， IEEE， 2014： 336-339[2022-07-22]. https：//ieeexplore.ieee.org/document/6988190.

[22] 羅雪松， 朱茂桃. 一種GA-DKF的鋰離子電池SOC估計[J].重慶理工大學學報（自然科學）， 2022， 36（3）： 63-71.

[23] 李旭東， 張向文. 基于主成分分析與WOA-Elman的鋰離子電池SOH估計方法[J/OL]. 儲能科學與技術. （2022-07-25）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=CNKX202212029&DbName=CJFQ2022.

[24] 武驥，方雷超，劉興濤，等.基于特征優化和隨機森林算法的鋰離子電池SOH估計[J/OL].機械工程學報.（2022-06-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/11.2187.TH.20220613.1735.004.html.

[25] 柴建勇， 侯恩廣， 李岳煬. 基于雙卡爾曼濾波的梯次利用電池SOP估算研究[J]. 電源技術，2021， 45（6）： 732-735.

[26] 徐志杰. 基于無跡卡爾曼濾波器的三元鋰電池SOC與SOP估計算法研究[D]. 成都： 西南交通大學，2021.

[27] TANG X P， YAO K， LIU B Y， et al. Long-term Battery Voltage， Power， and Surface Temperature Prediction Using a Model-based Extreme Learning Machine[J/OL]. Energies.（2018-01-03）[2022-07-28]. https：//www.mdpi.com/1996-1073/11/1/86

[28] XAVIER M A， KAWAKITA A， TRIMBOLI M S. An LPV-MPC Inspired Battery SOP Estimation Algorithm Using a Coupled Electro-Thermal Model[J]. 2021， 5（1）： 4421-4426.

[29] 李曉涵， 孫磊， 馬勇， 等. 基于Sage-Husa EKF算法的鋰離子電池能量狀態估計[J/OL]. 儲能科學與技術. （2022-06-29）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=CNKX20220627001&DbName=CAPJ2022.

[30] HE H W， ZHANG Y Z， XIONG R， et al. A Novel Gaussian Model Based Battery State Estimation Approach： State-of-Energy[J/OL]. Applied Energy.（2015-06-15）[2022-07-28]. http：//dx.doi.org/10.1016/j.apenergy. 2015. 04. 062.

[31] 范汝新， 張宵洋， 張振福， 等. 鋰電池能量狀態與功率狀態的聯合估計[J]. 電源技術， 2021， 45（10）： 1252-1255+1259.

[32] SHEN P， OUYANG M， LU L， et al. The co-estimation of State of Charge， State of Health， and State of Function for Lithium-ion Batteries in Electric Vehicles[J/OL]. IEEE Transactions on Vehicular Technology.（2018-01-01）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=XJAZ5E4559D6E3A2071CD07427735C1A3DAB&DbName=GARJ2018.

[33] 歐陽劍. 電動汽車用鋰離子動力電池SOC估算和SOF評估的研究[D]. 廣州： 華南理工大學， 2016.

[34] DONG G Z， HAN W J， WANG Y J. Dynamic Bayesian Network-Based Lithium-Ion Battery Health Prognosis for Electric Vehicles[J/OL]. IEEE Transactions on Industrial Electronics.（2021-11-01）[2022-07-28].https：//www.semanticscholar.org/paper/Dynamic-Bayesian-Network-Based-Lithium-Ion-Battery-Dong-Han/be54f3c98d717ea46b140783723658382e959782.

[35] 姚遠， 陳志聰， 吳麗君， 等. 采用GRU-MC混合算法的鋰離子電池RUL預測[J]. 福州大學學報（自然科學版），2022，50（2）： 169-174.

[36] NIU G X， WANG X， LIU E H， et al. Lebesgue Sampling Based Deep Belief Network for Lithium-Ion Battery Diagnosis and Prognosis[J/OL]. IEEE Transactions on Industrial Electronics.（2022-08-08）[2022-07-28].https：//ieeexplore.ieee.org/document/9531345.

[37] 唐婷， 袁慧梅. 基于改進ELM的鋰離子電池RUL預測[J]. 電池， 2021， 51（6）： 548-552.

[38] ZZHANG Y， XIONG R， HE H， et a. Long Short-term Memory Recurrent Neural Network for Remaining Useful Life prediction of lithium-ion batteries[J/OL]. IEEE Transactions on Vehicular Technology.（2018-07-07）[2022-07-28]. https：//ieeexplore.ieee.org/document/8289406.

[39] 朱浩， 趙策， 劉云峰， 等. 一種新型動力電池組能量均衡系統研究[J]. 電源技術， 2015， 39（11）： 2387-2390.

[40] 陳展， 周慶輝， 邱星慧， 等. 電動汽車動力電池均衡系統的設計和試驗[J]. 電源技術， 2017， 41（9）： 1358-1360+1373.

[41] 姚芳， 王曉鵬， 陳盛華， 等. 基于Buck-Boost準諧振電路的電池自適應分組均衡方案研究[J/OL]. 中國電機工程學報. （2021-12-24）[2022-07-28]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20211223.1854.016.html.

[42] 齊火箭， 張新瑞， 王嘉宏， 等. 動力鋰離子電池組均衡策略研究[J/OL]. 電源學報. （2022-02-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/12.1420.TM.20220215.0853.002.html.

[43] 魏業文， 解園琳， 李梅， 等. 改進的可重構均衡電路及控制策略研究[J]. 電源技術， 2022， 46（4）： 420-424.

[44] 馬春艷， 王慶龍， 張迪， 等. 基于SOC的串聯連接鋰電池能量均衡控制研究[J/OL]. 電源學報.（2022-02-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/12.1420.TM.20220215.1535.010.html.

[45] DUAN C， WANG C S， LI Z Z， et al. A Solar Power-Assisted Battery Balancing System for Electric vehicles[J/OL]. IEEE Transactions on Transportation Electrification.（2018-06-02）[2022-07-28]. https：//ieeexplore.ieee.org/document/8319452.

[46] TSENG K C， HUANG H S， CHENG C A. A Power Conversion Technique with Hierarchical Equalization Charging Topology for Lifepo4 Batteries[J/OL]. Micromachines， （2021-08-26）[2022-07-28]. https：//www.mdpi.com/2072-666X/12/9/1014.

[47] 李久超. 考慮SOC均衡的鋰離子電池組散熱結構研究[D]. 長春： 吉林大學， 2022.

[48] 劉威， 唐傳雨， 王天如， 等. 串聯電池組主動均衡拓撲及控制策略研究[J].電源學報.2022，20（3）：161-169.

[49] BIBIN C， DEVAN P K， SENTHIL KUMAR S， et al. Thermal Performance of Lithium-Ion Battery Pack Using Forced Air Circulation System[C/OL]//Materials Today： Proceedings. Amsterdam： ELSEVIER，2021： 3670-3676[2022-07-28]， DOI：10.1016/j.matpr.2021.01.823.

[50] WANG L， WANG L， YUE Y， et al. Research on Thermal Management System of Lithium Iron Phosphate Battery Based on Water Cooling System[C/OL]// ： Proceedings of the 3rd International Conference on Electrical and Information Technologies for Rail Transportation （EITRT） 2017. Springer： Singapore， 2018： 341-349[2022-07-28].https：//www.researchgate.net/publication/324117406_Research_on_Thermal_Management_System_of_Lithium_Iron_Phosphate_Battery_Based_on_Water_Cooling_System.

[51] 曾祥兵， 謝堃， 張偉， 等. 新型動力電池熱管理系統設計及性能研究[J]. 汽車工程， 2022， 44（4）： 476-481.

[52] 楊林. 純電動汽車動力電池熱管理系統設計及仿真優化[D]. 浙江大學， 2021.DOI：10.27461/d.cnki.gzjdx.2021.002459.

[53] 唐偉. 往復式循環液冷與平面熱管結合的動力電池熱管理系統熱均勻性研究[D].鎮江：江蘇大學，2020.

[54] 王振， 李保國. 電池熱管理系統散/加熱特性研究及保溫安全設計[J]. 包裝工程， 2022， 43（11）： 174-182.

[55] ZHANG Y F， HUANG J H， CAO M， et al. A Novel Flexible Phase Change Material With Well Thermal and Mechanical Properties for Lithium Batteries Application[J/OL]. Journal of Energy Storage.（2021-12-01）[2022-07-28]. https：//www.semanticscholar.org/paper/A-novel-flexible-phase-change-material-with-well-Zhang-Huang/5a0ea1ecaf92fbdc88ed0e0a09a744f16876fb14

[56] 王澤旭， 李冰辰， 許瑤， 等. 基于過冷相變材料熱開關的鋰離子電池熱管理系統[J]. 發電技術， 2022， 43（2）： 328-340.

[57] AL-ZAREER M， DINCER I， ROSEN M A. A Novel Phase Change Based Cooling System for Prismatic Lithium ion Batteries[J/OL]. International Journal of Refrigeration. 2018， 86. https：//www.sciencedirect.com/science/article/abs/pii/S0140700717305030.

[58] ZHANG ZQ， LI Y. Experimental Study of a Passive Thermal Management System Using Copper Foam-paraffin Composite for Lithium ion batteries[C/OL]//Energy Procedia. Songapore： Elsevier， 2017： 2403-2408[2022-07-28].https：//www.researchgate.net/publication/322837010_Experimental_study_of_a_passive_thermal_management_system_using_copper_foam-paraffin_composite_for_lithium_ion_batteries.

[59] 陳英亮. 電池單體不一致性診斷算法比較研究[D].長春：吉林大學，2022.

[60] 趙帥. 鋰離子動力電池內短路機理與診斷方法研究[D].長春：吉林大學，2022.

[61] JIANG L L， DENG Z W， TANG X L， et al. Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data[J/OL]. Energy.（2021-11-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES37AB8D429EC1A6F7E950B7D9381DA1E8&DbName=GARJ2021_1.

[62] GAO W， LI XY， MA M N，et al. Case Study of an Electric Vehicle Battery Thermal Runaway and Online Internal Short-Circuit Detection[J/OL]. IEEE Transactions on Power Electronics.（2021-03-01）[2022-07-28].https：//www.x-mol.com/paper/1320893399325446144？adv.

[63] QIAO D D， WANG X Y， LAI X， et al. Online Quantitative Diagnosis of Internal Short Circuit for Lithium-ion Batteries Using Incremental Capacity Method[J/OL]. Energy.（2022-03-15）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES0EF904E8+LSsIl3bU/d7q+OSJJ4CGQ==8A8FCA81F4A65E94F3B39BC5&DbName=GARJ2021_2.

[64] 李庭杰. 車用鋰離子動力電池組不一致性及連接故障診斷方法研究[D].武漢：華中科技大學，2020.

[65] LIN T T， CHEN Z Q， ZHENG C W， et al. Fault Diagnosis of Lithium-Ion Battery Pack Based on Hybrid System and Dual Extended Kalman Filter Algorithm[J/OL]. IEEE Transactions on Transportation Electrification.（2020-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=6072ED4A67D57EF9374BE38DF8F1A1C9&DbName=GARJ2020.

[66] HAN X， LU L， ZHENG Y， et al. A Review on the Key Issues of the Lithium Ion Battery Degradation Among the Whole Life cycle[J/OL]. eTransportation.（2019-02-28）[2022-07-28]. https：//doi.org/10.1016/j.etran.2019.100005.

[67] 鄭岳久. 車用鋰離子動力電池組的一致性研究[D].北京：清華大學，2014.

[68] WANG Q， JIANG B， LI B， et al. A Critical Review of Thermal Management Models and solutions of lithium-ion Batteries for the Development of Pure Electric Vehicles[J/OL]//Renewable and Sustainable Energy Reviews.（2016-10-15）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES61A586EFACBBA43582AF0FF509E5B32D&DbName=GARJ2016.

[69] 馬彥， 李佳怡， 馬乾， 等. 基于迭代動態規劃的動力電池組熱管理優化策略[J]. 汽車工程， 2022， 44（5）： 709-721.

[70] 楊靜， 林振康， 湯君， 等. 電池系統的故障特征以及多故障的診斷與識別[J/OL]. 化工學報. （2022-07-20）[2022-07-23].http：//kns.cnki.net/kcms/detail/11.1946.TQ.20220720.1028.004.html.

[71] 蘇偉， 鐘國彬， 沈佳妮， 等. 鋰離子電池故障診斷技術進展[J]. 儲能科學與技術， 2019， 8（2）： 225-236.

[72] HONG J C， WANG Z P， YAO Y T. Fault Prognosis of Battery System Based on Accurate Voltage Abnormity Prognosis Using Long Short-term Memory Neural Networks[J/OL]. Applied Energy.（2019-10-01）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES51278D1206AC3DA1A12068B4FBE0A664&DbName=GARJ2019

[73] 陳嵐， 范永清， 張謙， 等. 基于貝葉斯網絡的電池管理系統故障診斷方法[J]. 電源技術， 2016， 40（7）： 1396-1398+1415.

[74] 趙熙， 候亞虹， 汪貴平， 等. 基于云平臺的電池管理系統設計與實現[J]. 機械與a141c0fdffcc08316d48242f4673db71ecd0cb0846b821a984a819d0a2f377ed電子， 2019， 37（12）： 51-55.

[75] KIM T， MAKWANA D， ADHIKAREE A， et al. Cloud-Based Battery Condition Monitoring and Fault Diagnosis Platform for Large-scale Lithium-ion Battery Energy Storage Systems[J/OL]. Energies.（2018-01-04）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMD44B4021D25BF3D714C08A26A781D92E8&DbName=GARJ2018.

[76] 李啟銳. 面向云邊端協同的高性能移動邊緣計算理論與方法研究[D]. 廣州： 廣州大學， 2021.

[77] FLOREA B C， TARALUNGA D D. Blockchain IoT for Smart Electric Vehicles Battery Management[J/OL]. Sustainability （Switzerland）.（2020-05-13）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMDBDA491684E22BF90660D273B977A090E&DbName=GARJ2020.

[78] AENUGU I R， BERE G， OCHOA J J， et al. Battery Data Management and Analytics Platform Using Blockchain Technology[C/OL]//2020 IEEE Transportation Electrification Conference and Expo（ITEC 2020）， 2020： 153-157[2022-07-28]. https：//www.researchgate.net/publication/343520712_Battery_Data_Management_and_Analytics_Platform_Using_Blockchain_Technology

[79] 付瑩瑩， 孫德龍， 王勝放， 等. 汽車功能安全發展趨勢[J].重型汽車， 2022（03）： 42-43.

[80] 賈先鋒， 王鵬程， 劉天宇. 基于智能網聯汽車車載網絡防護技術的研究[J]. 汽車實用技術， 2022， 47（1）：3 2-35.

[81] 劉金松， 杜宏生， 林毅. 中國汽車行業信息安全體系可信賴度評估機制研究[J]. 中國信息安全， 2022（5）： 79-81.

[82] ZHANG L S， GAO X L， LIU X H， et al. CHAIN： Unlocking Informatics-aided Design of Li Metal Anode from Materials to Applications[J/OL]//Rare Metals. （2022-05-15）[2022-07-28]. https：//kns.cnki.net/kns8/manage/export.html？displaymode=elearning.

[83] 陳琦龍， 孫建國， 陳凱，等. 純電動汽車電池管理系統國內外研究現狀和發展趨勢[J]. 現代車用動力， 2022（1）：7.

[84] RAMILLI R， CRESCENTINI M， Traverso P A. Sensors for Next-Generation Smart Batteries in Automotive： a Review[C]//2021 IEEE International Workshop on Metrology for Automotive （MetroAutomotive）. IEEE， 2021： 30-35.

[85] XIA S C， YAO Z X， LI Y， et al. Online Distributed Offloading and Computing Resource Management with Energy Harvesting for Heterogeneous MEC-enabled IoT[J]. IEEE Transactions on Wireless Communications， 2021， 20（10）： 6743-6757.

[86] ABNER M， WONG P K Y， CHENG J C P. Battery Lifespan Enhancement Strategies for Edge Computing-Enabled Wireless Bluetooth Mesh Sensor Network for Structural Health Monitoring[J]. Automation in Construction， 2022， 140（8）： 104355.

[87] YOUSAFZAI A， YAQOOB I， IMRAN M， et al. Process migration-based Computational Offloading Framework for IoT-supported Mobile Edge/cloud Computing[J]. IEEE internet of things journal， 2019， 7（5）： 4171-4182.

[88] PADIDEM P， LEE A. Studying Offloading Optimization for Energy-Latency Tradeoff with Collaborative Edge Computing[C]//2022 16th International Conference on Ubiquitous Information Management and Communication （IMCOM）. IEEE， 2022： 1-6.

[89] FAN Z Y， YANG W， TIAN K J. An Edge Computing Service Model Based on Information-centric Networking[C/OL]//Proceedings of the International Conference on Parallel and Distributed Systems - ICPADS. IEEE， 2019： 498-505[2022-07-28]. https：//ieeexplore.ieee.org/document/8975790.

[90] CHEN S C， LI Q J， ZHOU C， et al. Recent Advances in Collaborative Scheduling of Computing Tasks in an Edge Computing Paradigm[M/OL]//Sensors （Switzerland）. （2021-01-24）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMDAD5518B61618089D453FD49C8256B3E6&DbName=GARJ2021_1.

[91] KHAN A M， FREITAG F， RODRIGUES L. Current Trends and Future Directions in Community Edge Clouds[C/OL]//2015 IEEE 4th International Conference on Cloud Networking（CloudNet 2015）. IEEE， 2015：239-241.https：//ieeexplore.ieee.org/document/7335315.

[92] 袁梓涵.計算機大數據分析與云計算網絡技術應用研究[J].網絡安全技術與應用， 2022（5）： 81-82.

[93]2290c3fe47ea64b3f447620da417ed64 VIZCARRONDO J， AGUILAR J， EXPOSITO E， et al. MAPE-K as A Service-oriented Architecture[J/OL]. IEEE Latin America Transactions. （2017-06-02）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SFJG9BBC059A3B39D969963191E637FED9D4&DbName=GARJ2017.

[94] OUARETH S， BOULEHOUACHE S， MAZOUZI S. A Component-Based MAPE-K Control Loop Model for Self-adaptation[C/OL]//Proceedings ofInternational Conference on Pattern Analysis and Intelligent Systems（PAIS）. IEEE， 2018： 1-7[2022-07-28].https：//ieeexplore.ieee.org/document/8598529.

[95] CHAWKI E B， AHMED A， ZAKARIAE T. IaaS Cloud Model Security Issues on Behalf Cloud Provider and User Security Behaviors[J/OL]. Procedia Computer Science. （2018-08-13）[2022-07-28]. https：//doi.org/10.1016/j.procs.2018.07.180. DOI：10.1016/j.procs.2018.07.180.

[96] AL AMRI S M， GUAN L. Infrastructure as a Service： Exploring Network Access Control Challenges[J/OL]. Proceedings of 2016 SAI Computing Conference. （2016-09-01）[2022-07-28].https：//www.semanticscholar.org/paper/Infrastructure-as-a-service%3A-Exploring-network-Amri-Guan/d1bba86bfe23a8d255a6494ffa2210a241210020.

[97] CUNHA D， NEVES P， SOUSA P. PaaS manager： A platform-as-a-service Aggregation Framework[J/OL]. Computer Science and Information Systems. （2014-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.gqtU2l26xIvJbqimieWxgQ==aspx？FileName=5140988A8DD93D90D43DC3F6A5160548&DbName=GARJ2014.

[98] SILVA N， RIBEIRO E L F， CLARO D B. Daas Repository Through MIDAS Web Crawler[C/OL]//ACM International Conference Proceeding Series. New York： Association For Computing Machinery，2018： 1-8[2022-07-28]. https：//www.researchgate.net/publication/329331700_DaaS_Repository_through_MIDAS_Web_Crawler.

[99] TBAHRITI S E， GHEDIRA C， MEDJAHED B， et al. How To Enhance Privacy within DaaS Service Composition？[J/OL]. IEEE Systems Journal. （2013-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=NSTL08A6464603E3786A709D7A661145D024&DbName=GARJ2013.

（責任編輯 梵玲）