云存储环境中数据因果一致性指的是,在对一个节点中的数据、依赖集进行更新的同时,必须确保也能够更新其他副本中的数据、依赖集,即使在分布式存储环境下,也可以满足高可用性和高性能需求。该约束只有在因果依赖性的影响可见时,才对用户事件的因果序有要求。目前安全形势日趋严峻,数据因果一致性面临的安全风险也逐渐受到更多重视。用户将数据存储在云端,云服务环境中难免会存在数据泄露、敏感数据篡改等风险,目前关于数据因果一致性的研究方案中鲜有考虑安全风险的成果。本文主要研究分布式数据因果一致性安全存储模型,完成的主要工作如下:(1)为用户的读写操作设计优化的因果一致性约束与安全验证机制为解决分布式存储中因果一致性约束造成较大性能开销的问题,本文基于混合逻辑时钟与数据中心稳定向量,结合哈希图(HashGraph)共识算法,提出了一种使用部分稳定向量和依赖集签名的因果一致性模型:CDH模型(Causal consistence using part Data center stable vector and Hash of dependency series)。在用户读写操作中为用户存取的数据设计校验值,并分别在服务端和客户端提供校验值验证机制。同时为了降低大规模分布式存储中数据同步的通信开销,使用副本部分稳定向量partDSV为数据的增量更新提供依赖集判别依据,最后开发性能测试接口,提供用户更新可见性延迟与吞吐量的统计,为数据因果一致性模型提供安全安全约束下的评估功能。(2)优化数据中心之间同步数据的方式借鉴哈希图共识机制的思想,数据中心之间随机与其余副本同步本地最新稳定状态与对应的数据依赖集安全校验签名HDS(hash of dependency series),分区之间共享数据中心最新状态,各个节点、分区将收到的HDS与本地更新后的的最新状态对应的HDS验证。数据中心与分区内部均更新状态后,所有数据中心即满足实现因果一致性约束,最后通过实验证明,CDH模型不仅提供了安全的因果一致性约束,副本间同步数据达成共识所需的时间明显降低。