CN108306869B - 一种基于云计算的网络协作学习系统 - Google Patents

Abstract

本申请提供了一种基于云计算的网络协作学习系统，包括：网络协作学习监控平台和多个多媒体教室，每个多媒体教室中包括一个多媒体教室服务器和环绕地设置多个摄像录音设备以及多个多媒体播放设备；各个多媒体教室服务器均与网络协作学习监控平台通信连接；网络协作学习监控平台用于对视频音频数据进行处理，从多个远程连接的多媒体教室的视频音频数据中跟踪并提取活动主角，并将提取的多个活动主角合并到一个多媒体中，然后输出到各个多媒体教室中的教室服务器；教室服务器用于将接收到的多媒体通过其所在多媒体教室中的多媒体播放设备进行播放；云网络，用于存储各种学习课件、上述所有视频音频数据和所述多媒体。

Description

一种基于云计算的网络协作学习系统

技术领域

本申请涉及网络通信，特别地，涉及一种基于云计算的网络协作学习系统。

背景技术

协作学习(CL)是20世纪70年代初兴起于美国，并在70年代中期至80年代中期取得实质性进展的一种教学理论与策略。协作学习是学生以小组形式参与、为达到共同的学习目标、在一定的激励机制下最大化个人和他人习得成果，而合作互助的一切相关行为。

所谓网络学习，就是指通过计算机网络进行的一种学习活动，它主要采用自主学习和协商学习的方式进行。相对传统学习活动而言，网络学习有以下三个特征：一是共享丰富的网络化学习资源。二是以个体的自主学习和协作学习为主要形式。三是突破了传统学习的时空限制。

随着人们对教育和学习内涵的理解不断深入，协作学习(Cooperative Learning，简称CL，也称合作学习)受到越来越广泛的重视，学会协作已成为21世纪教育的四大支柱之一。与此同时，计算机及网络技术迅速发展，在教育教学中的应用也引起了人们的普遍关注，计算机支持的协作学习(Computer Supported Cooperative Learning，简称CSCL)正是代表了这两种趋势的汇合点，即一种新的协作学习方式与普遍渗透于社会的计算机技术的汇合。

然而现有的网络协作学习要求学生都掌握一定的网络技巧，并且要求学生们都有较高的学习自觉性，否则无法在网络上形成协作学习，因此通常只能应用于有一定自主性和网络能力的成年人或者青少年，而很难应用于少儿或幼儿。

发明内容

本申请提供了一种基于云计算的网络协作学习系统，用于解决上述的问题。

本申请提供了一种基于云计算的网络协作学习系统，其特征是，包括：云网络、网络协作学习监控平台和多个多媒体教室，每个多媒体教室中包括一个多媒体教室服务器和环绕地设置多个摄像录音设备以及多个多媒体播放设备；

各个多媒体教室服务器均与网络协作学习监控平台通信连接；

各个摄像录音设备均包括控制单元和摄录单元，每个多媒体教室中的多个摄像录音设备通过其控制单元与其所在多媒体教室中的教室服务器构成一个本地网络，摄像录音设备的摄录单元用于摄录多媒体教室内学员的活动，采集到视频音频数据通过本地网络中的教室服务器发送至网络协作学习监控平台；

所述的网络协作学习监控平台用于对视频音频数据进行处理，从多个远程连接的多媒体教室的视频音频数据中跟踪并提取活动主角，并将提取的多个活动主角合并到一个多媒体中，然后输出到各个多媒体教室中的教室服务器；

教室服务器用于将接收到的多媒体通过其所在多媒体教室中的多媒体播放设备进行播放；

云网络，用于存储各种学习课件、上述所有视频音频数据和所述多媒体。

现有的网络协作学习要求学生都掌握一定的网络技巧，并且要求学生们都有较高的学习自觉性，否则无法在网络上形成协作学习，因此通常只能应用于有一定自主性和网络能力的成年人或者青少年，而很难应用于少儿或幼儿，而本发明因为环绕多媒体教室布置了多个摄像录音设备和多媒体播放设备，并且多个多媒体教室统一由后台的网络协作学习监控平台进行控制，从而能自动地将多个多媒体教室的学习形成网络写作，降低了用户的操作难度，并且允许用户在多媒体教室里自由活动，从而解决了上述现有技术中的问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本申请一个实施例的基于云计算的网络协作学习系统的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

图1为本申请一个实施例的基于云计算的网络协作学习系统的结构示意图，包括：云网络60、网络协作学习监控平台10和多个多媒体教室50，每个多媒体教室50中包括一个多媒体教室服务器20和环绕地设置多个摄像录音设备30以及多个多媒体播放设备40；

各个多媒体教室服务器50均与网络协作学习监控平台10通信连接；

各个摄像录音设备30均包括控制单元和摄录单元，每个多媒体教室50中的多个摄像录音设备30通过其控制单元与其所在多媒体教室中的教室服务器20构成一个本地网络，摄像录音设备30的摄录单元用于摄录多媒体教室内学员的活动，采集到视频音频数据通过本地网络中的教室服务器20发送至网络协作学习监控平台；

所述的网络协作学习监控平台10用于对视频音频数据进行处理，从多个远程连接的多媒体教室50的视频音频数据中跟踪并提取活动主角，并将提取的多个活动主角合并到一个多媒体中，然后输出到各个多媒体教室50中的教室服务器20；

教室服务器20用于将接收到的多媒体通过其所在多媒体教室中的多媒体播放设备40进行播放；

云网络60，用于存储各种学习课件、上述所有视频音频数据和所述多媒体。

现有的网络协作学习要求学生都掌握一定的网络技巧，并且要求学生们都有较高的学习自觉性，否则无法在网络上形成协作学习，因此通常只能应用于有一定自主性和网络能力的成年人或者青少年，而很难应用于少儿或幼儿，而本发明因为环绕多媒体教室布置了多个摄像录音设备和多媒体播放设备，并且多个多媒体教室统一由后台的网络协作学习监控平台进行控制，从而能自动地将多个多媒体教室的学习形成网络写作，降低了用户的操作难度，并且允许用户在多媒体教室里自由活动，从而解决了上述现有技术中的问题。

优选的，该多媒体教室可以设置在学校、培训中心等公众场合，也可以直接设置家里的某间房间为多媒体教室。

该多媒体教室中是环绕地布置了多个摄像录音设备和多媒体播放设备，因此如果学习者是未成年人，甚至是不具有很强自控能力的少年儿童，即使他在多媒体教室里到处乱走动，他的活动也总是能被摄录下来，并且他总能收看到多媒体。

另外，因为多媒体教室里的教室服务器，多个摄像录音设备和多媒体播放设备构成了本地网，所以带宽能得到充分的保证，本地的多个设备之间能很好地通信协调。

另外，因为本地化布置了教室服务器，所以可以由足够强大的计算处理能力来控制本地的多个摄像录音设备和多媒体播放设备，因此就不需要学习者具备较高的计算机操作水平。

另外，因为设置了各个多媒体教室服务器均与网络协作学习监控平台通信连接，因此可以将分布在各个地方的网络学习者联系起来，形成了网络协作学习。

另外，因为网络协作学习监控平台用于对视频音频数据进行处理，从多个远程连接的多媒体教室的视频音频数据中跟踪并提取活动主角，并将提取的多个活动主角合并到一个多媒体中，因此网络协作学习的现场沉浸感更加逼真，可以让分布在各地的多名学习者仿佛就身处同一个教室中，有更好的网络协作学习体验。

优选的，教室服务器从多个摄像录音设备传来的多路视频音频数据中只选择一路上传给网络协作学习监控平台，并将接收到的多媒体只传给该路的摄像录音设备所对应的多媒体播放设备播放。

通过只选择一路数据进行上传，可以显著地节省带宽，从而能够更加实时地传送更加清晰优质的多媒体数据。

另外，只传给该路的摄像录音设备所对应的多媒体播放设备播放，也能避免环绕学习者前后左右所有的播放设备进行同时播放，反而给播放学习者带来了很大的干扰。

优选的，教室服务器选择一路具体包括：通过从多路视频音频数据中分析眼睛，以及声音的朝向，来确定活动主角所面对的那一路摄像录音设备。

本优选实施例选择活动主角所面对的那一路摄像录音设备，从而能采集到最优的学习者图像音频，这能使得其他学习者更好地与他进行交流。

另一方面，因为选择活动主角所面对的那一路摄像录音设备，所以在该多媒体教室里此时也是选择的该活动主角所面对的多媒体播放设备进行播放，这使得学习者能够更舒适地收看收听该多媒体。

优选的，一个本地网络中的多个控制单元中的一个控制单元构成群主，群主负责收集和融合各个控制单元所发来的视频音频数据以及自身采集的视频音频数据，并将融合后的视频音频数据发送至本地网络中的教室服务器。

本优选实施例提供了一种全自动的本地组网方案，从而不需要学习者具备较高的计算机网络水平，能够更广泛地推广应用到家庭环境中。

优选的，所述本地网络进行群主竞选，具体包括：

在每一轮的群主竞选中，任意控制单元按照下列公式确定自身竞选为群主的概率：

式中，P_i表示控制单元i竞选为群主的概率，N_i0表示控制单元i的邻居节点中耗尽能量的节点数目，N_i是控制单元i的邻居节点数目，l_i是控制单元i每轮采集并发送的视频音频数据报的长度，M_e表示发送接收电路的能耗，π是自由空间信道模型的功率放大常数，R_i是控制单元i的通信半径，M_c是融合1bit的视频音频数据报所需耗费的能量，d_io是控制单元i到基站的距离；邻居节点是位于控制单元通信范围内的其他控制单元，本地网络内视频音频数据传输采用自由空间信道模型；

控制单元i随机选择一个真小数，如果选择的数字小于P_i，则控制单元i当选是临时群主；

若一个临时群主的剩余能量大于其所有的邻居临时群主，则成为真正的群主，否则放弃群主竞选。

优选的，离教室服务器为多跳距离的群主选择离教室服务器更近的群主作为自己的路由节点以转发自身融合的视频音频数据，具体包括：

群主将距离基站更近的邻居控制单元作为自己的临时路由节点，存入集合I；

群主计算集合I中各临时路由节点的能量代价值：

式中，d_μv为群主μ与该第v个临时路由节点之间的距离，M_v表示集合I中第v个临时路由节点的能量代价值，d_vo表示该第v个临时路由节点与教室服务器之间的距离，S_v为集合Ω中第v个临时路由节点所在簇的控制单元数目；

按照能量代价值由小到大的顺序对临时路由节点进行排序，选择前1/2的临时路由节点作为最终路由节点候选者，并存入集合I＇；

群主从集合I＇中选择当前剩余能量最多的控制单元作为自己最终的路由节点。

以上优选实施例给出了非常高效的组网方案，经过发明人大量的实验测试，在各种复杂恶劣的无线干扰环境中，都取得了非常好的组网效果，在家用环境中，组网成功率达到了100％，并且无线通信带宽也基本能做到网络设备无线物理性能的满负荷。

优选的，控制单元通过从多路视频音频数据中分析眼睛分割出场景中的活动主角。

通过大量试验，发现分析眼睛来确定图片场景中的活动主角是非常高效的，而且现有技术中(例如数码相机)已经有了比较好的分析眼睛的技术方案，可以予以采用，使得本领域人员可以实现本实施例。

优选的，分割出场景中的活动主角包括：

在视频图像序列中，选定发生变化的像素为运动像素，剩余像素为背景像素；

从运动像素中确定活动主角像素。

通过大量试验，发现分析运动图像来确定图片场景中的活动主角也是非常高效的，因为活动主角相对于背景图案，通常活动主角是运动的，而背景图案是静止的。

优选的，选定发生变化的像素为运动像素包括：

设P_i(x,y)和B(x,y)分别表示视频序列的第i帧图像和当前的背景图像，则第i帧图像的运动像素为：S_i(x,y)为第i帧图像的运动像素，G_i为预设阈值，1为判定为是，0为判定为否。

优选的，从运动像素中确定活动主角像素包括：

判定条件为：f_i(UY_l,i|VX₂)f_i(VX₂)＞f_i(UY_l,i|VX₁)f_i(VX₁)；

令UY_l,i＝(r_l,i,θ_l,i)表示第i帧图像运动像素中第l个像素极坐标形式的运动向量，UY_l,i属于活动主角像素OX的条件概率f(OX|UY_l,i)为：

表示图像EU_i-1被检测为活动主角的像素数目，A_i-1表示EU_i-1被检测为运动像素的总数目，BX为背景图像像素。

优选地，云网络包括：

初始化模块，用于构建矩阵其中，其中，w_i为人为设定的第i种指标参数的权重值,_ij表示矩阵V中的第i行第j列元素，其中，m是指云网络中储存数据的节点数量，CPU容量x₁、磁盘空间x₂、带宽x₃、CPU占用率x₄、磁盘空间占用率x₅、宽带占用率x₆，x_ij为第j个节点的第i个指标参数；

负载模块，用于设置负载参数d_j:

其中，

s_j＝max(v_1j,v_2j,…,v_6j),t_j＝min(v_1j,v_2j,…,v_6j),1≤j≤m；

节点质量模块，用于构建矩阵其中，获取设定时间长度内每个节点向外传送数据时的丢包率h_j以及在同样设定时间长度内每个节点的失效次数ε_j，；

安全矩阵模块，用于构建矩阵 其中从每个节点的安全日志中获取设定时间长度内的被非法攻击次数b_j，1≤j≤m，π为人为设定的控制常数，并计算矩阵G的值|G|；

第一副本模块，用于将待储存的数据分为大小相同的N个，并人为设置该待储存数据的重要度参数f，按下式计算该待储存数据需要的副本初始数量其中p_j为由系统检测到的节点j的在线率,1≤j≤m；

初始分配模块，用于将m个节点按照计算得到的|G|值从小到大进行排序，并将n₀个副本依次初步储存于排序最前的n₀个节点中，每个节点储存一个副本；

动态调整模块，用于设置副本的动态数量n：

其中， Z为云网络中所有文件的数量，Z_i为第i个文件从初步保存后往后时间长度T内的访问次数，1≤i≤Z，V_k为第k个上述待储存数据的副本从初步保存后往后时间长度T内的被访问次数，1≤k≤n₀，L_j为云网络中第j个节点从初步保存后往后时间长度T内的网络流量，1≤j≤m，Q_y为第y个上述待储存数据的副本从初步保存后往后时间长度T内的网络流量，1≤y≤n₀，λ₁、λ₂、λ₃分别为人为设定的联合安全系数、访问系数和流量系数；

排序更新模块，用于设定节点丢包率阈值K1、节点失效次数阈值K2和节点失效累计时间K3，如果从副本初步保存后往后时间长度T内的第j个节点的丢包率h_j、失效次数ε_j以及失效累计时间t_j满足：h_j≥K1或ε_j≥K2或t_j≥K3，则将节点j剔除出|G|值的排序行列中，剔除后重新按照|G|值对节点进行排序；

副本数量更新模块，用于计算得到副本动态数量n后，将n个副本依次储存于|G|排序最前的n个节点中，每个节点储存一个副本；按照以上方式，每隔一个时间长度T对副本的数量和放置进行更新。

对于网络协作学习而言，由于用户量大，而且大范围异地分布，并且还有大量的多媒体数据和各种课件，所以这么巨大的数据如何高效得对所有用户共享，这对存储技术提出了很高的要求。

在本优选实施例中，提供了一个优选的云存储方案，能够根据云网络中节点的负荷均匀性和节点的传送丢包率、失效次数和安全性进行综合排序，合理选择储存的节点，这就克服了以往节点选择依据单一的问题。

另外，本优选实施例根据待存储文件的重要程度来选择初始副本量，正常运行中能够根据副本的访问次数、节点的网路流量以及节点的安全系数来动态地调节副本的数量，并动态地按照传送丢包率、失效次数、失效累计时间进行节点的重新排序，在避免了不必要的存储空间浪费的同时又能很好地保证文件的安全可靠，且运行计算量小，能很好地避免云网络由于数据存储导致的数据拥挤。

本发明的优选实施例提供了非常高效的算法来分析运动图像，发明人的大量实践证明了：

1、常规的服务器用作教师服务器就足以负荷上述优选实施例所要求的计算量；

2、上述优选实施例能否非常准确地识别到多媒体教室里的学习者，并能实时地跟踪他的运动。

需要说明的是，上述装置或系统实施例属于优选实施例，所涉及的单元和模块并不一定是本申请所必须的。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于本申请的装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请所提供的一种基于云计算的网络协作学习系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种基于云计算的网络协作学习系统，其特征是，包括：云网络、网络协作学习监控平台和多个多媒体教室，每个多媒体教室中包括一个多媒体教室服务器和环绕地设置多个摄像录音设备以及多个多媒体播放设备；

各个多媒体教室服务器均与网络协作学习监控平台通信连接；

各个摄像录音设备均包括控制单元和摄录单元，每个多媒体教室中的多个摄像录音设备通过其控制单元与其所在多媒体教室中的教室服务器构成一个本地网络，摄像录音设备的摄录单元用于摄录多媒体教室内学员的活动，采集到视频音频数据通过本地网络中的教室服务器发送至网络协作学习监控平台；

所述的网络协作学习监控平台用于对视频音频数据进行处理，从多个远程连接的多媒体教室的视频音频数据中跟踪并提取活动主角，并将提取的多个活动主角合并到一个多媒体中，然后输出到各个多媒体教室中的教室服务器；

教室服务器用于将接收到的多媒体通过其所在多媒体教室中的多媒体播放设备进行播放；

云网络，用于存储各种学习课件、上述所有视频音频数据和所述多媒体；

其中，教室服务器从多个摄像录音设备传来的多路视频音频数据中只选择一路上传给网络协作学习监控平台，并将接收到的多媒体只传给该路的摄像录音设备所对应的多媒体播放设备播放；

其中，教室服务器选择一路具体包括：通过从多路视频音频数据中分析眼睛，以及声音的朝向，来确定活动主角所面对的那一路摄像录音设备；

其中，一个本地网络中的多个控制单元中的一个控制单元构成群主，群主负责收集和融合各个控制单元所发来的视频音频数据以及自身采集的视频音频数据，并将融合后的视频音频数据发送至本地网络中的教室服务器；

其中，所述本地网络进行群主竞选，具体包括：

在每一轮的群主竞选中，任意控制单元按照下列公式确定自身竞选为群主的概率：

式中，P_i表示控制单元i竞选为群主的概率，N_i0表示控制单元i的邻居节点中耗尽能量的节点数目，N_i是控制单元i的邻居节点数目，l_i是控制单元i每轮采集并发送的视频音频数据的长度，M_e表示发送接收电路的能耗，π是自由空间信道模型的功率放大常数，R_i是控制单元i的通信半径，M_c是融合1bit的视频音频数据报所需耗费的能量，d_io是控制单元i到基站的距离；邻居节点是位于控制单元通信范围内的其他控制单元，本地网络内视频音频数据传输采用自由空间信道模型；

控制单元i随机选择一个真小数，如果选择的数字小于P_i，则控制单元i当选临时群主；

若一个临时群主的剩余能量大于其所有邻居节点中的临时群主，则成为真正的群主，否则放弃群主竞选。

2.根据权利要求1所述的基于云计算的网络协作学习系统，其特征是，离教室服务器为多跳距离的群主选择离教室服务器更近的群主作为自己的路由节点以转发自身融合的视频音频数据，具体包括：

群主将距离基站更近的邻居控制单元作为自己的临时路由节点，存入集合I；

群主计算集合I中各临时路由节点的能量代价值：

式中，d_μν为群主μ与第v个临时路由节点之间的距离，M_v表示集合I中第v个临时路由节点的能量代价值，d_vo表示该第v个临时路由节点与教室服务器之间的距离，S_v为集合Ω中第v个临时路由节点所在簇的控制单元数目；

按照能量代价值由小到大的顺序对临时路由节点进行排序，选择前1/2的临时路由节点作为最终路由节点候选者，并存入集合I′；

群主从集合I′中选择当前剩余能量最多的控制单元作为自己最终的路由节点。

3.根据权利要求2所述的基于云计算的网络协作学习系统，其特征是，控制单元通过从多路视频音频数据中分析眼睛以分割出场景中的活动主角基于云计算的网络协作学习系统，分割出场景中的活动主角包括：

在视频图像序列中，选定发生变化的像素为运动像素，剩余像素为背景像素；

从运动像素中确定活动主角像素。

4.根据权利要求3所述的基于云计算的网络协作学习系统，其特征在于，选定发生变化的像素为运动像素包括：

设P_i(x，y)和B(x，y)分别表示视频序列的第i帧图像和当前的背景图像，则第i帧图像的运动像素为：S_i(x，y)为第i帧图像的运动像素，G_i为预设阈值，1为判定为是，0为判定为否。

5.根据权利要求4所述的基于云计算的网络协作学习系统，其特征在于，从运动像素中确定活动主角像素包括：

判定条件为：f_i(UY_l，i|VX₂)f_i(VX₂)＞f_i(UY_l，i|VX₁)f_i(VX₁)；

令UY_l，i＝(r_l，i，θ_l，i)表示第i帧图像运动像素中第l个像素极坐标形式的运动向量，r_l，i是该向量的模，θ_l，i是该向量的方向角，UY_l，i属于活动主角像素OX的条件概率f(OX|UY_l，i)为：

CA_i-1表示图像EU_i-1被检测为活动主角的像素数目，A_i-1表示EU_i-1被检测为运动像素的总数目，BX为背景图像像素。

6.根据权利要求5所述的基于云计算的网络协作学习系统，其特征在于，所述云网络包括：

初始化模块，用于构建矩阵其中，其中，w_i为人为设定的第i种指标参数的权重值，v_ij表示矩阵V中的第i行第j列元素，其中，m是指云网络中储存数据的节点数量，CPU容量x₁、磁盘空间x₂、带宽x₃、CPU占用率x₄、磁盘空间占用率x₅、宽带占用率x₆，x_ij为第j个节点的第i个指标参数；

负载模块，用于设置负载参数d_j：

其中，

s_j＝max(v_1j，v_2j，...，v_6j)，t_j＝min(v_1j，v_2j，…，v_6j)，1≤j≤m；

节点质量模块，用于构建矩阵￠＝[h₁，h₂，...h_j，...，h_m)^T×(ε₁，ε₂，...，ε_j...，ε_m)]，其中，获取设定时间长度内每个节点向外传送数据时的丢包率h_j以及在同样设定时间长度内每个节点的失效次数ε_j；

安全矩阵模块，用于构建矩阵G＝ζ×[(d₁，d₂，...，d_m)^T×(b₁，b₂，...，b_m)]×￠，其中从每个节点的安全日志中获取设定时间长度内的被非法攻击次数b_j，1≤j≤m，ζ为人为设定的控制常数，并计算矩阵G的值|G|；

第一副本模块，用于将待储存的数据分为大小相同的N个，并人为设置该待储存数据的重要度参数f，按下式计算该待储存数据需要的副本初始数量其中p_j为由系统检测到的节点j的在线率，1≤j≤m；

初始分配模块，用于将m个节点按照计算得到的|G|值从小到大进行排序，并将n₀个副本依次初步储存于排序最前的n₀个节点中，每个节点储存一个副本；

动态调整模块，用于设置副本的动态数量n：

其中， Z为云网络中所有文件的数量，Z_i为第i个文件从初步保存后往后时间长度T内的访问次数，1≤i≤Z，V_k为第k个上述待储存数据的副本从初步保存后往后时间长度T内的被访问次数，1≤k≤n₀，L_j为云网络中第j个节点从初步保存后往后时间长度T内的网络流量，1≤j≤m，Q_y为第y个上述待储存数据的副本从初步保存后往后时间长度T内的网络流量，1≤y≤n₀，λ₁、λ₂、λ₃分别为人为设定的联合安全系数、访问系数和流量系数；

排序更新模块，用于设定节点丢包率阈值K1、节点失效次数阈值K2和节点失效累计时间K3，如果从副本初步保存后往后时间长度T内的第j个节点的丢包率h_j、失效次数ε_j以及失效累计时间t_j满足：h_j≥K1或ε_j≥K2或t_j≥K3，则将节点j剔除出|G|值的排序行列中，剔除后重新按照|G|值对节点进行排序；

副本数量更新模块，用于计算得到副本动态数量n后，将n个副本依次储存于|G|排序最前的n个节点中，每个节点储存一个副本；

上述模块，每隔一个时间长度T对副本的数量和放置进行更新。