隨著存儲(chǔ)數(shù)據(jù)信息量的飛速增長，越來越多的人開始存儲(chǔ)數(shù)據(jù)的縮減方法。數(shù)據(jù)壓縮、單實(shí)例存儲(chǔ)和重復(fù)數(shù)據(jù)刪除等都是經(jīng)常使用的存儲(chǔ)數(shù)據(jù)縮減技術(shù)。

重復(fù)數(shù)據(jù)刪除往往是指消除冗余子文件。不同于壓縮，重復(fù)數(shù)據(jù)刪除對(duì)于數(shù)據(jù)本身并沒有改變，只是消除了相同的數(shù)據(jù)占用的存儲(chǔ)容量。重復(fù)數(shù)據(jù)刪除在減少存儲(chǔ)、降低網(wǎng)絡(luò)帶寬方面有著顯著的優(yōu)勢(shì)，并對(duì)擴(kuò)展性有所幫助。

舉個(gè)簡單的例子：在專門為電信運(yùn)營商定制的呼叫詳單去重應(yīng)用程序中，我們就可以看到刪除重復(fù)數(shù)據(jù)的影子。同樣的，對(duì)于包含相同數(shù)據(jù)包的通信網(wǎng)絡(luò)，我們可以使用這種技術(shù)來進(jìn)行優(yōu)化。

在存儲(chǔ)架構(gòu)中，刪除重復(fù)數(shù)據(jù)的一些常用的方法包括：哈希、二進(jìn)制比較和增量差分。在HadoopSphere這篇文章中，將專注于如何利用MapReduce和HDFS來消除重復(fù)的數(shù)據(jù)。（下面列出的方法中包括一些學(xué)者的實(shí)驗(yàn)方法，因此把術(shù)語定義為策略比較合適）。

策略1：只使用HDFS和MapReduce

Owen O’Malley在一個(gè)論壇的帖子中建議使用以下方法：

讓你的歷史數(shù)據(jù)按照MD5值進(jìn)行排序。 運(yùn)行一個(gè)MapReduce的作業(yè)，將你的新數(shù)據(jù)按照MD5進(jìn)行排序。需要注意的是：你要做所有數(shù)據(jù)的整體排序，但因?yàn)镸D5是在整個(gè)密鑰空間中是均勻分布的，排序就變得很容易。

基本上，你挑選一個(gè)reduce作業(yè)的數(shù)量（如256），然后取MD5值的前N位數(shù)據(jù)來進(jìn)行你的reduce作業(yè)。由于這項(xiàng)作業(yè)只處理你的新數(shù)據(jù)，這是非�？斓�。 接下來你需要進(jìn)行一個(gè)map-side join，每一個(gè)合并的輸入分塊都包含一個(gè)MD5值的范圍。RecordReader讀取歷史的和新的數(shù)據(jù)集，并將它們按照一定方式合并。（你可以使用map-side join庫）。你的map將新數(shù)據(jù)和舊數(shù)據(jù)合并。這里僅僅是一個(gè)map作業(yè)，所以這也非常快。

當(dāng)然，如果新的數(shù)據(jù)足夠小，你可以在每一個(gè)map作業(yè)中將其讀入，并且保持新記錄（在RAM中做了排序）在合適的數(shù)量范圍內(nèi)，這樣就可以在RAM中執(zhí)行合并。這可以讓你避免為新數(shù)據(jù)進(jìn)行排序的步驟。類似于這種合并的優(yōu)化，正是Pig和Hive中對(duì)開發(fā)人員隱藏的大量細(xì)節(jié)部分。

策略2：使用HDFS和Hbase

在一篇名為“工程云系統(tǒng)中一種新穎的刪除重復(fù)數(shù)據(jù)技術(shù)”的論文中，Zhe Sun, Jun Shen, Jianming Young共同提出了一種使用HDFS和Hbase的方法，內(nèi)容如下：

• 使用MD5和SHA-1哈希函數(shù)計(jì)算文件的哈希值，然后將值傳遞給Hbase
• 將新的哈希值與現(xiàn)有的值域比較，如果新值已經(jīng)存在于Hbase去重復(fù)表中，HDFS會(huì)檢查鏈接的數(shù)量，如果數(shù)量不為零時(shí)，哈希值對(duì)應(yīng)的計(jì)數(shù)器將增加1。如果數(shù)量是零或哈希值在之前的去重復(fù)表中不存在，HDFS會(huì)要求客戶端上傳文件并更新文件的邏輯路徑。
• HDFS將存儲(chǔ)由用戶上傳的源文件，以及相應(yīng)的鏈接文件，這些鏈接文件是自動(dòng)生成的。鏈接文件中記錄了源文件的哈希值和源文件的邏輯路徑。

要注意使用這種方法中的一些關(guān)鍵點(diǎn)：

• 文件級(jí)的重復(fù)數(shù)據(jù)刪除需要保持索引數(shù)量盡可能小，這樣可以有高效的查找效率。
• MD5和SHA-1需要結(jié)合使用從而避免偶發(fā)性的碰撞。

策略3：使用HDFS，MapReduce和存儲(chǔ)控制器

由Netapp的工程師AshishKathpal、GauravMakkar以及Mathew John三人聯(lián)合，在一篇名為“在后期處理重復(fù)數(shù)據(jù)刪除的分布式重復(fù)檢測方式”的文章中，提出通過使用HadoopMapReduce的重復(fù)檢測機(jī)制來替代Netapp原有的重復(fù)檢測環(huán)節(jié)，文中提到的基于重復(fù)檢測的Hadoop工作流包含如下幾個(gè)環(huán)節(jié)：

• 將數(shù)據(jù)指紋（Fingerprint）由存儲(chǔ)控制器遷移到HDFS
• 生成數(shù)據(jù)指紋數(shù)據(jù)庫，并在HDFS上永久存儲(chǔ)該數(shù)據(jù)庫
• 使用MapReduce從數(shù)據(jù)指紋記錄集中篩選出重復(fù)記錄，并將去重復(fù)后的數(shù)據(jù)指紋表保存回存儲(chǔ)控制器。

數(shù)據(jù)指紋是指存儲(chǔ)系統(tǒng)中文件塊經(jīng)過計(jì)算后的哈希索引，通常來說數(shù)據(jù)指紋要比它代表的數(shù)據(jù)塊體積小的多，這樣就可以減少分布式檢測時(shí)網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量。

在不久的將來，云計(jì)算一定會(huì)徹底走入我們的生活，有興趣入行未來前沿產(chǎn)業(yè)的朋友，可以收藏云計(jì)算，及時(shí)獲取人工智能、大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)的前沿資訊和基礎(chǔ)知識(shí)，讓我們一起攜手，引領(lǐng)人工智能的未來！

標(biāo)簽： 大數(shù)據(jù) 數(shù)據(jù)庫 通信 網(wǎng)絡(luò) 云計(jì)算

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。