重復數據刪除技術分析及分類

重復數據刪除也稱為智能壓縮或單一實例存儲，是一種可自動搜索重復數據，將相同數據只保留唯一的一個副本，并使用指向單一副本的指針替換掉其他重復副本，以達到消除冗余數據、降低存儲容量需求的存儲技術。

本文首先從不同角度介紹重復數據刪除技術的分類，然后分別介紹相同數據重復數據刪除技術和相似數據重復數據刪除技術，并介紹重復數據消除的性能提升方法，最后分析重復數據技術的應用場景。

1 重復數據刪除技術的分類

1.1 基于重復內容識別方法的分類

(1)基于散列識別

該方法通過數據的散列值來判斷是否是重復數據。對于每個新數據塊都生成一個散列，如果數據塊的散列與存儲設備上散列索引中的一個散列匹配，就表明該數據塊是一個重復的數據塊。Data Domain、飛康、昆騰的DXi系列設備都是采用SHA-1、MD-5等類似的散列算法來進行重復數據刪除。

基于散列的方法存在內置的可擴展性問題。為了快速識別一個數據塊是否已經被存儲，這種基于散列的方法會在內存中擁有散列索引。隨著數據塊數量增加，該索引也隨之增長。一旦索引增長超過了設備在內存中保存它所支持的容量，性能會急速下降，同時磁盤搜索會比內存搜索更慢。因此，目前大部分基于散列的系統都是獨立的，可以保持存儲數據所需的內存量與磁盤空間量的平衡。這樣的設計使得散列表就永遠不會變得太大。

(2)基于內容識別

該方法采用內嵌在數據中的文件系統的元數據識別文件，與其數據存儲庫中的其他版本進行逐字節地比較，找到該版本與第一個已存儲版本的不同之處并為這些不同的數據創建一個增量文件。這種方法可以避免散列沖突，但是需要使用支持該功能的應用設備以便設備可以提取元數據。

(3)基于ProtecTier VTL的技術

這種方法像基于散列的方法產品那樣將數據分成塊，并且采用自有算法決定給定的數據塊是否與其他數據塊的相似，然后與相似塊中的數據進行逐字節的比較，以判斷該數據塊是否已經被存儲。

1.2 基于去重粒度的分類

(1)全文件層次的重復數據刪除

以整個文件為單位來檢測和刪除重復數據，計算整個文件的哈希值，然后根據文件哈希值查找存儲系統中是否存在相同的文件。這種方法的好處是在普通硬件條件下計算速度非常快；這種方法的缺點是即使不同文件存在很多相同的數據，也無法刪除文件中的重復數據。

(2)文件塊消冗

將一個文件按不同的方式劃分成數據塊，以數據塊為單位進行檢測。該方法的優點是計算速度快、對數據變化較敏感。

(3)字節級消冗