我们考虑具有n个节点的大规模网络，其中拥有k个信息包（例如，已经以某种其他方式感知或收集了k个信息包）。 在网络节点非常的脆弱，因为有限的供能和环境差，它希望在整个网络中分布所获取的信息。因此，n个节点中的每一个存储一个（可能是编码的）数据包，原始的k个源数据包随后可以通过计算简单的方式从任何（1 +E）k节点中恢复，并且对于某些小small> 0。
提出两个分布式算法为了解决这个问题。
1、随机的walks
提出了一种使用带有陷阱的随机游走的解决方案。 为了获得所需的代码度分布，他们采用了Metropolis算法来指定随机游走的过渡概率。
2、喷泉码
我们开发了两种基于简单随机游动和Fountain代码的分布式算法来解决此问题。 与以前开发的所有方案不同，我们的解决方案是真正分布式的，也就是说，节点不知道网络中的n，k或连接性，除了在自己的邻居中，它们不维护任何路由表。 在第一种算法中，所有传感器都具有n和k的知识。 在第二种算法中，每个传感器通过随机游走传播估算这些参数。
我们对这两种算法的通信/传输和编码/解码复杂度进行了分析，并提供了广泛的仿真结果。
贡献：
1、两个新的算法，简单的随即游走和LT code，
跟谁比：
传统的提前知道n 和 k的情况。
这些算法更简单，更健壮，并且约束更少。
2、分析了传输、编码、解码。
3、实验结果
度分布的概率（从图片中可以看到根据不同的函数得到的的degree不同）
数据更新
考虑了数据更新的问题。
数据更新一般情况下是整个ec过程中比较难控制的变化量，一般会增加写放大、IO传输等。
如果我们假设存储节点保留接受数据包的ID，那么问题就变得简单了。 我们只是随机漫步，并检查即将到来的数据包的ID。 假设节点u跟踪其接受的数据包的所有ID。 如果即将收到的数据包的ID已包含在u的ID列表中，则u接受更新的消息。 否则，u将转发生存时间计数器递增的数据包。 如果此计数器达到阈值，则该数据包将被丢弃。 以下步骤描述了更新方案：
如果每个node都记录了一个数据包的id表
如果更新的数据包在这个id表里面，则这个node接受更新。
否则这个node转发数据包并增加time-to-live的计数。
如果计数达到了阈值，直接丢弃。
过程：
1、si节点准备一个分组
：新老的数据包、id和counter。
同样，si为第一个更新的数据包添加一个初始化为1的更新计数器令牌。
因此，我们假设将token设置为1时会发生以下步骤。（在ID表中没有找到的时候）
si随机的选择一个邻居节点u，并传递这个数据包k。
2、编码过程：
节点 u检查，如果这个数据包k是更新的还是第一次过来的包。 如果它是第一次数据包，则将按照LTCDS-I算法1所示接受，转发或丢弃它。如果packetsi是更新的数据包，则节点u将检查IDsi是否已包含在其接受列表中。如果是，则它将如下更新其值yu。
若果不是，他将添加这个更新的包，并给counter加1.
这个包在counter达到阈值的时候将会被丢弃。counter要足够大，为了能够查找到所有的老数据都更新。
（其不是直接等于节点数刚好？？？）
3、存储过程
如果所有节点都完成了其值yi的更新。 可以运行解码阶段来检索原始数据并更新信息。
现在，由于我们每次更新仅运行一次简单的随机游走，因此如果h是更新其值的节点数，则得到以下结果。
性能评估
测了两个值：
成功解码的概率
解码速率：解码率η是查询的节点数h和源数k之间的比率
图3：
| 图几 | X | y | 那几条线 |
|---|---|---|---|
| 3 | 解码率变化（1-2.5） | 成功解码概率 | 节点 n和原始数据k的不同组合（n=100、200 , k=10,20,40） |
| 4 | 解码率变化（1-2.5） | 成功解码概率 | 节点 n和原始数据k的不同组合(n=200、500、1000) |
| 5 | 参与的n（500-5000） | 成功解码概率 | 解码率的变化（1.4、1.7） |
| 6 | 系统参数c的变化（0-5，步长0.5） | 成功解码的概率 | 节点 n和原始数据k的不同组合(n=500，k=50；n=1000，k=100) |
| 7 | 解码速率（1-2.5） | 成功解码的概率 | 不同的方法不同的n和k |
| 8 | 解码速率（1-2.5） | 成功解码的概率 | 不同的方法不同的n和k中号 |
| 11 | 系统参数c（0-60，步长10） | 成功解码的概率 | 不同n不同k，届码率不同 |
结论：
与以前的解决方案相比，这些算法更简单，更健壮，并且约束更少，而以前的解决方案需要了解网络拓扑，节点的最大程度或知道n和k的值[4、6、9、10、11]。 我们计算了这些算法的计算编码和解码复杂度，并以数量较少的k个和n个节点模拟了它们的性能。 我们表明，如果一个节点仅计算访问时间和数据包间的时间，则可以成功地估计源的数量和节点的总数。
我们未来的工作将包括基于Raptor代码的传感器网络分布式网络存储算法。 我们还计划为本文中显示的结果提供理论结果和证明，其中有限的空间不是问题。 我们的n和k值估算算法很有希望，我们计划研究其他网络模型，其中该算法是有益的并且可以利用。