重复数据删除.docx

重复数据删除(De-duplication) 1、Dedupe概述De-duplication，即重复数据删除，它是一种目前主流且非常热门的存储技术，可对存储容量进行有效优化。它通过删除数据集中重复的数据，只保留其中一份，从而消除冗余数据。如下图所示。这种技术可以很大程度上减少对物理存储空间的需求，从而满足日益增长的数据存储需求。Dedupe技术可以带许多实际的利益，主要包括以下诸多方面：(1) 满足ROI(投资回报率，Return On Investment)/TCO(总持有成本，Total Cost of Ownership)需求；(2) 可以有效控制数据的急剧增长；(3) 增加有效存储空间，提高存储效率；(4) 节省存储总成本和管理成本；(5) 节省数据传输的网络带宽；(6) 节省空间、电力供应、冷却等运维成本。Dedupe技术目前大量应用于数据备份与归档系统，因为对数据进行多次备份后，存在大量重复数据，非常适合这种技术。事实上，dedupe技术可以用于很多场合，包括在线数据、近线数据、离线数据存储系统，可以在文件系统、卷管理器、NAS、SAN中实施。Dedupe也可以用于数据容灾、数据传输与同步，作为一种数据压缩技术可用于数据打包。Dedupe技术可以帮助众多应用降低数据存储量，节省网络带宽，提高存储效率、减小备份窗口，节省成本。Dedupe的衡量维度主要有两个，即重复数据删除率(deduplocation ratios)和性能。Dedupe性能取决于具体实现技术，而重复数据删除率则由数据自身的特征和应用模式所决定，影响因素如下表2所示。目前各存储厂商公布的重复数据删除率从20:1到500:1不等。高重复数据删除率低重复数据删除率数据由用户创建数据从自然世界获取数据低变化率数据高变化率引用数据、非活动数据活动数据低数据变化率应用高数据变化率应用完全数据备份增量数据备份数据长期保存数据短期保存大范围数据应用小范围数据应用持续数据业务处理普通数据业务处理小数据分块大数据分块变长数据分块定长数据分块数据内容可感知数据内容不可知时间数据消重空间数据消重2、Dedupe实现要点研发或应用Dedupe技术时应该考虑各种因素，因为这些因素会直接影响其性能和效果。(1) What：对何种数据进行消重？对时间数据还是空间数据进行消重，对全局数据还是局部数据进行消重？这是首先需要考虑的因素，这直接决定着Dedupe实现技术和数据消重率。随时间变化的数据，如周期性的备份、归档数据，比空间数据具有更高的消重率，Dedupe技术在备份归档领域中被广泛应用。不难想象，全局范围内的数据重复率比局部范围数据要高，会获得更高的数据消重率。(2) When：何时进行消重？数据消重时机分为两种情形：在线消重和离线消重。采用在线消重模式，数据写入存储系统同时执行消重，因此实际传输或写入的数据量较少，适合通过LAN或WAN进行数据处理的存储系统，如网络备份归档和异地容灾系统。由于它需要实时进行文件切分、数据指纹计算、Hash查找，对系统资料消耗大。离线消重模式，先将数据写入存储系统，然后利用适当的时间再进行消重处理。这种模式与前面一种刚好相反，它对系统资料消耗少，但写入了包含重复的数据，需要更多的额外存储空间来预先存储消重前数据。这种模式适合直连存储DAS和存储区域网络SAN存储架构，数据传输不占用网络带宽。另外，离线消重模式需要保证有足够的时间窗口来进行数据去重操作。总之，在何时进行消重，要根据实际存储应用场景来确定。(3) Where：在何处进行消重？数据消重可以在源端(Source)或者目标端(Target)进行。源端消重在数据源进行，传输的是已经消重后的数据，能够节省网络带宽，但会占用大量源端系统资源。目标端消重发生在目标端，数据在传输到目标端再进行消重，它不会占用源端系统资源，但占用大量网络带宽。目标端消重的优势在于它对应用程序透明，并具有良好的互操作性，不需要使用专门的API，现有应用软件不用作任何修改即可直接应用。(4) How：如何进行消重？重复数据删除技术包含许多技术实现细节，包括文件如何进行切分？数据块指纹如何计算？如何进行数据块检索？采用相同数据检测还是采用相似数据检测和差异编码技术？数据内容是否可以感知，是否需要对内容进行解析？这些都是Dedupe具体实现息息相关。本文主要研究相同数据检测技术，基于二进制文件进行消重处理，具有更广泛的适用性。3、Dedupe关键技术存储系统的重复数据删除过程一般是这样的：首先将数据文件分割成一组数据块，为每个数据块计算指纹，然后以指纹为关键字进行Hash查找，匹配则表示该数据块为重复数据块，仅存储数据块索引号，否则则表示该数据块是一个新的唯一块，对数据块进行存储并创建相关元信息。这样，一个物理文件在存储系统就对应一个逻辑表示，由一组FP组成的元数据。当进行读取文件时，先读取逻辑文件，然后根据FP序列，从存储系统中取出相应数据块，还原物理文件副本。从如上过程中可以看出，Dedupe的关键技术主要包括文件数据块切分、数据块指纹计算和数据块检索。(1) 文件数据块切分Dedupe按照消重的粒度可以分为文件级和数据块级。文件级的dedupe技术也称为单一实例存储(SIS, Single Instance Store)，数据块级的重复数据删除其消重粒度更小，可以达到4-24KB之间。显然，数据块级的可以提供更高的数据消重率，因此目前主流的dedupe产品都是数据块级的。数据分块算法主要有三种，即定长切分(fixed-size partition)、CDC切分(content-defined chunking)和滑动块(sliding block)切分。定长分块算法采用预先义好的块大小对文件进行切分，并进行弱校验值和md5强校验值。弱校验值主要是为了提升差异编码的性能，先计算弱校验值并进行hash查找，如果发现则计算md5强校验值并作进一步hash查找。由于弱校验值计算量要比md5小很多，因此可以有效提高编码性能。定长分块算法的优点是简单、性能高，但它对数据插入和删除非常敏感，处理十分低效，不能根据内容变化作调整和优化。Deduputil中FSP分块算法代码如下。cpp:collapse + expand sourceview plaincopyprint?1. /* 2. * fixed-sized file chunking 3. */ 4. static int file_chunk_fsp(int fd, int fd_ldata, int fd_bdata, unsigned int *pos, unsigned int *block_num, 5. block_id_t *metadata, hashtable *htable, char *last_block_buf, unsigned int *last_block_len) 6. 7. int ret = 0; 8. unsigned int rwsize; 9. unsigned char md5_checksum16 + 1 = 0; 10. char *buf = NULL; 11.12. buf = (char *)malloc(g_block_size); 13. if (buf = NULL) 14. 15. perror(malloc in file_chunk_fsp); 16. return errno; 17. 18.19. while (rwsize = read(fd, buf, g_block_size) 20. 21. /* if the last block */ 22. if (rwsize != g_block_size) 23. break; 24.25. /* calculate md5 */ 26. md5(buf, rwsize, md5_checksum); 27. if (0 != (ret = dedup_regfile_block_process(buf, rwsize, md5_checksum, fd_ldata, 28. fd_bdata, pos, block_num, metadata, htable) 29. 30. perror(dedup_regfile_block_process in file_chunk_fsp); 31. goto _FILE_CHUNK_FSP_EXIT; 32. 33. 34. *last_block_len = (rwsize 0) ? rwsize : 0; 35. if (*last_block_len) memcpy(last_block_buf, buf, *last_block_len); 36.37. _FILE_CHUNK_FSP_EXIT: 38. if (buf) free(buf); 39. return ret; 40. CDC(content-defined chunking)算法是一种变长分块算法，它应用数据指纹(如Rabin指纹)将文件分割成长度大小不等的分块策略。与定长分块算法不同，它是基于文件内容进行数据块切分的，因此数据块大小是可变化的。算法执行过程中，CDC使用一个固定大小(如48字节)的滑动窗口对文件数据计算数据指纹。如果指纹满足某个条件，如当它的值模特定的整数等于预先设定的数时，则把窗口位置作为块的边界。CDC算法可能会出现病态现象，即指纹条件不能满足，块边界不能确定，导致数据块过大。实现中可以对数据块的大小进行限定，设定上下限，解决这种问题。CDC算法对文件内容变化不敏感，插入或删除数据只会影响到检少的数据块，其余数据块不受影响。CDC算法也是有缺陷的，数据块大小的确定比较困难，粒度太细则开销太大，粒度过粗则dedup效果不佳。如何两者之间权衡折衷，这是一个难点。Deduputil中CDC分块算法代码如下。cpp:collapse + expand sourceview plaincopyprint?1. /* 2. * content-defined chunking: 3. * 1. BLOCK_MIN_SIZE = block_size = BLOCK_MAX_SIZE 4. * 2. hash(block) % d = r 5. */ 6. static int file_chunk_cdc(int fd, int fd_ldata, int fd_bdata, unsigned int *pos, unsigned int *block_num, 7. block_id_t *metadata, hashtable *htable, char *last_block_buf, unsigned int *last_block_len) 8. 9. char bufBUF_MAX_SIZE = 0; 10. char block_bufBLOCK_MAX_SIZE = 0; 11. char win_bufBLOCK_WIN_SIZE + 1 = 0; 12. char adler_pre_char; 13. unsigned char md5_checksum16 + 1 = 0; 14. unsigned int bpos = 0; 15. unsigned int rwsize = 0; 16. unsigned int exp_rwsize = BUF_MAX_SIZE; 17. unsigned int head, tail; 18. unsigned int block_sz = 0, old_block_sz = 0; 19. unsigned int hkey = 0; 20. int ret = 0; 21.22. while(rwsize = read(fd, buf + bpos, exp_rwsize) 23. 24. /* last chunk */ 25. if (rwsize + bpos + block_sz) BLOCK_MIN_SIZE) 26. break; 27.28. head = 0; 29. tail = bpos + rwsize; 30. /* avoid unnecessary computation and comparsion */ 31. if (block_sz (BLOCK_MIN_SIZE - BLOCK_WIN_SIZE) ? 35. BLOCK_MIN_SIZE - BLOCK_WIN_SIZE : block_sz + tail -head; 36. memcpy(block_buf + old_block_sz, buf + head, block_sz - old_block_sz); 37. head += (block_sz - old_block_sz); 38. 39.40. while (head + BLOCK_WIN_SIZE) = BLOCK_MIN_SIZE) 63. 64. md5(block_buf, block_sz, md5_checksum); 65. if (0 != (ret = dedup_regfile_block_process(block_buf, block_sz, 66. md5_checksum, fd_ldata, fd_bdata, pos, block_num, metadata, htable) 67. 68. perror(dedup_reggile_block_process in file_chunk_cdc); 69. goto _FILE_CHUNK_CDC_EXIT; 70. 71. block_sz = 0; 72. 73. 74. else 75. 76. block_bufblock_sz+ = bufhead+; 77. /* get an abnormal chunk */ 78. if (block_sz = BLOCK_MAX_SIZE) 79. 80. md5(block_buf, block_sz, md5_checksum); 81. if (0 != (ret = dedup_regfile_block_process(block_buf, block_sz, 82. md5_checksum, fd_ldata, fd_bdata, pos, block_num, metadata, htable) 83. 84. perror(dedup_reggile_block_process in file_chunk_cdc); 85. goto _FILE_CHUNK_CDC_EXIT; 86. 87. block_sz = 0; 88. 89. 90.91. /* avoid unnecessary computation and comparsion */ 92. if (block_sz = 0) 93. 94. block_sz = (tail - head) (BLOCK_MIN_SIZE - BLOCK_WIN_SIZE) ? 95. BLOCK_MIN_SIZE - BLOCK_WIN_SIZE : tail - head; 96. memcpy(block_buf, buf + head, block_sz); 97. head = (tail - head) (BLOCK_MIN_SIZE - BLOCK_WIN_SIZE) ? 98. head + (BLOCK_MIN_SIZE - BLOCK_WIN_SIZE) : tail; 99. 100.101. adler_pre_char = bufhead -1; 102. 103.104. /* read expected data from file to full up buf */ 105. bpos = tail - head; 106. exp_rwsize = BUF_MAX_SIZE - bpos; 107. adler_pre_char = bufhead -1; 108. memmove(buf, buf + head, bpos); 109. 110. /* last chunk */ 111. *last_block_len = (rwsize + bpos + block_sz) = 0) ? rwsize + bpos + block_sz : 0; 112. if (*last_block_len 0) 113. 114. memcpy(last_block_buf, block_buf, block_sz); 115. memcpy(last_block_buf + block_sz, buf, rwsize + bpos); 116. 117.118. _FILE_CHUNK_CDC_EXIT: 119. return ret; 120. 滑动块(sliding block)算法结合了定长切分和CDC切分的优点，块大小固定。它对定长数据块先计算弱校验值，如果匹配则再计算md5强校验值，两者都匹配则认为是一个数据块边界。该数据块前面的数据碎片也是一个数据块，它是不定长的。如果滑动窗口移过一个块大小的距离仍无法匹配，则也认定为一个数据块边界。滑动块算法对插入和删除问题处理非常高效，并且能够检测到比CDC更多的冗余数据，它的不足是容易产生数据碎片。Deduputil中SB分块算法代码如下。cpp:collapse + expand sourceview plaincopyprint?1. /* 2. * slideing block chunking, performance is a big issue due to too many hash lookup. 3. */ 4. static int file_chunk_sb(int fd, int fd_ldata, int fd_bdata, unsigned int *pos, unsigned int *block_num, 5. block_id_t *metadata, hashtable *htable, char *last_block_buf, unsigned int *last_block_len) 6. 7. char bufBUF_MAX_SIZE = 0; 8. char win_bufBLOCK_MAX_SIZE + 1 = 0; 9. char block_bufBLOCK_MAX_SIZE = 0; 10. char adler_pre_char; 11. unsigned char md5_checksum16 + 1 = 0; 12. unsigned char md5_checksum116 + 1 = 0; 13. unsigned char crc_checksum16 = 0; 14. unsigned int bpos = 0; 15. unsigned int slide_sz = 0; 16. unsigned int rwsize = 0; 17. unsigned int exp_rwsize = BUF_MAX_SIZE; 18. unsigned int head, tail; 19. unsigned int hkey = 0; 20. unsigned int bflag = 0; 21. int ret = 0; 22.23. while(rwsize = read(fd, buf + bpos, exp_rwsize) 24. 25. /* last chunk */ 26. if (rwsize + bpos + slide_sz) g_block_size) 27. break; 28.29. head = 0; 30. tail = bpos + rwsize; 31. while (head + g_block_size) 0) ? rwsize + bpos + slide_sz : 0; 102. if (*last_block_len 0) 103. 104. memcpy(last_block_buf, block_buf, slide_sz); 105. memcpy(last_block_buf + slide_sz, buf, rwsize + bpos); 106. 107.108. _FILE_CHUNK_SB_EXIT: 109. lseek(fd, 0, SEEK_SET); 110. return ret; 111. (2) 数据块指纹计算数据指纹是数据块的本质特征，理想状态是每个唯一数据块具有唯一的数据指纹，不同的数据块具有不同的数据指纹。数据块本身往往较大，因此数据指纹的目标是期望以较小的数据表示(如16、32、64、128字节)来区别不同数据块。数据指纹通常是对数据块内容进行相关数学运算获得，从当前研究成果来看Hash函数比较接近与理想目标，比如MD5、SHA1、SHA-256、SHA-512、为one-Way、RabinHash等。另外，还有许多字符串Hash函数也可以用来计算数据块指纹。然而，遗憾的是这些指纹函数都存在碰撞问题，即不同数据块可能会产生相同的数据指纹。相对来说，MD5和SHA系列HASH函数具有非常低的碰撞发生概率，因此通常被采用作为指纹计算方法。其中，MD5和SHA1是128位的，SHA-X(X表示位数)具有更低的碰撞发生概率，但同时计算量也会大大增加。实际应用中，需要在性能和数据安全性方面作权衡。另外，还可以同时使用多种Hash算法来为数据块计算指纹。(3) 数据块检索对于大存储容量的Dedupe系统来说，数据块数量非常庞大，尤其是数据块粒度细的情况下。因此，在这样一个大的数据指纹库中检索，性能就会成为瓶颈。信息检索方法有很多种，如动态数组、数据库、RB/B/B+/B*树、Hashtable等。Hash查找因为其O(1)的查找性能而著称，被对查找性能要求高的应用所广泛采用，Dedupe技术中也采用它。Hashtable处于内存中，会消耗大量内存资源，在设计Dedupe前需要对内存需求作合理规划。根据数据块指纹长度、数据块数量(可以由存储容量和平均数据块大小估算)可以估算出内存需求量。散列表(Hashtable，也叫哈希表)，是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。散列表的查找过程基本上和造表过程相同，一些关键码可通过散列函数转换的地址直接找到，另一些关键码在散列函数得到的地址上产生了冲突，需要按处理冲突的方法进行查找。详细请参考散列表设计。4、Dedupe数据安全这里的数据安全包含两个层面的含义：一是数据块碰撞，二是数据可用性。这两种安全性对用户来说都是至关重要的，必须事先考虑。数据块指纹FP(FingerPrinter)通常使用Hash函数来计算获得，如MD5、SHA1、SHA-256、SHA-512等。从纯数学角度看，如果两个数据块指纹不同，则这两个数据块肯定不同。然而，如果两个数据块指纹相同，我们则不能断定这两个数据块是相同的。因为Hash函数会产生碰撞，山东大学的王小云教授所带领的团队已经找到快速产生碰撞的方法。但是，这种碰撞的概率是非常非常小的，小到甚至低于磁盘发生损坏的概率，因此通常近似认为：如果数据块指纹相同，则数据块相同。由于数据产生碰撞可能性的存在，Dedupe技术很少被用于关键数据存储的应用场合，一旦发生碰撞将产生巨大的经济损失。针对这种问题，目前主要有两种解决路径：一是对数据指纹相同的块进行字节级完全比较，它的难点在于数据块原始数据有时难以方便获得，另外性能会产生一定损失。本人开发的开源软件deduputil采用就是这种策略，详见deduputil数据块零碰撞算法。二是最大可能降低碰撞产生的概率，即采用更优的Hash函数（如SHA-512, SHA-1024），或者采用两种以上hash算法组合方式，这显然会对性能造成影响。本人在数据同步算法研究中采用的是该种方法，为每个数据块计算两个指