如何实现文件增量同步——算法

问题：

如何增量同步文件，例如一个文本文件有10M，分别存放在A，B两个地方，现在两个文件是完全一样的，但是我马上要在A上对这个文件进行修改，B如何实现自动和A上的文件保持一致，并且网络的传输量最少。

 

应用场景：

这样的使用场景太多，这里随便列举几个

1.A机器为线上运营的机器，现在需要一台备份的机器B，当A发生宕机的时候，或者硬盘损坏等各种认为非人为原因导致数据不可用时，可以很快从B恢复

2.SVN这样的应用场景，不需要每次修改都向服务器发送并替换掉一个文件，而是只发送被修改的部分

3.手机客户端对一个文本修改，如果那个文本有2M，难道我每次更新都需要上传整个文件吗？每次2M，傻子才用! 

等等.... 

 

解决方案：

一.分而治之

计算机最重要的基本算法思路就是分而治之，在我们眼里，一个文件不是一个文件，而是一堆存储块，每个存储块可能20Byte大小，至于这个值具体多大，你可以自己设定,这里的20Byte仅提供参考。通过这样的方法，一个文件被分成了很多个块，我们只需要比对块是否相同就可以得出哪个部分做了相应修改。

 

二.快速校验

刚上面提到如何比对文件，当然这里肯定不会把文件的每个块上传去比对，那样做就没有意义了。快速比对这不禁让我想起了哈希规则，哈希表可以通过O（1）的复杂度查找某个key，为什么？  因为它通过计算hash值来初步验证key，一个key的hash值是唯一的。但是仅仅验证hash值是不可靠的，因为hash值有可能会冲突，所以在验证完hash值后，我们在进行key的比较来确定要找的值...

通过哈希的思路，我们可以使用类似的方法来实现文件增量同步，把每一个存储块，通过MD5计算其值，然后传递MD5值到服务器，让服务器比对MD5来确定有没有被修改，如若MD5值不相等，则判定这个文件块有被修改过

为什么是MD5？

1）能够将任意长度的字符串转换为128位定长字符串（MD5 16) 

2）MD5能够保证绝大部分情况下不同的值hash之后其hash值不一样，哈希冲突比较少

这样就可以了吗？

No,MD5的生成需要占用比较长的CPU时间，所以我们需要寻找一种更简洁的校验方式，这里选用Alder32 是一个比较通用的解决方案

 

  Adler-32是一种由Mark Adler在1995年发明的校验和算法。相对于CRC-32，Adler-32的速度更快，但可靠性略差。著名的开源压缩库zlib中就有使用Adler-32（Mark Adler也是zlib的作者之一）。

      Adler-32校验和由两个16位校验和A和B组成，可以用一个32位整数表示。A的值为所有输入的字节的和再加1，B的值为计算A的每一步所产生的结果的和。

      在开始计算Adler-32前，先将A初始化为1，B为0。计算得到的和再用65521取模（65521是小于2^16的最大素数）。A在低16为，B在高16位。

      假设有一个长度为n的输入序列D，其中的字节依次为D1、D2…Dn表示，则A和B可以表示为：

A = 1 + D1 + D2 + ... + Dn (mod 65521)

B = (1 + D1) + (1 + D1 + D2) + ... + (1 + D1 + D2 + ... + Dn) (mod 65521)

= n×D1 + (n-1)×D2 + (n-2)×D3 + ... + Dn + n (mod 65521)

Adler-32(D) = B × 65536 + A

Alder32有两个优点： 

1、计算非常快，比MD5快多了，成本小；

2、当我们有了从0-k长度的校验和后，计算出1-k或者2-k等其他校验和非常方便，只要少量运算即可。(k可以理解为上面的20Byte)

 

当然，它的缺点也很明显，就是碰撞率比MD5高多了，所以，我们客户端需要同时计算出Alder32校验和与MD5值，传给服务器，而服务器，为了节省CPU时间，第一步只生成Alder32进行校验，当值相等时，在进行MD5校验，这样服务器就节省了很大的开支。

Alder32算法实现：

 
 A =  1  + D1 + D2 + ... + Dn (mod  65521 )
 B = ( 1  + D1) + ( 1  + D1 + D2) + ... + ( 1  + D1 + D2 + ... + Dn) (mod  65521 )
   = n×D1 + (n− 1 )×D2 + (n− 2 )×D3 + ... + Dn + n (mod  65521 )

 Adler- 32 (D) = B ×  65536  + A

C实现版本

const  int  MOD_ADLER =  65521 ;
 
unsigned  long  adler32(unsigned  char  *data,  int  len)  /*  where data is the location of the data in physical memory and 
                                                       len is the length of the data in bytes  */
{
    unsigned  long  a =  1 , b =  0 ;
     int  index;
 
     /*  Process each byte of the data in order  */
     for  (index =  0 ; index < len; ++index)
    {
        a = (a + data[index]) % MOD_ADLER;
        b = (b + a) % MOD_ADLER;
    }
 
     return  (b <<  16 ) | a;
}

 

三.实现更改

因为已经找出来了文件不同的地方，所以只需要按需上传更改的部分到服务器，然后服务器做更改就可以了。 

 

 

实例分析： 

理论概述完毕，来点小例子子

客户端文件内容是： 

 taohuiissoman

而服务器的文件内容是：

itaohuiamsoman

 

首先，客户端开始分块并计算出MD5和Alder32值。

如上图，像taoh是一块，对taoh分别计算出MD5和alder32值。以此类推，最后一个n字母不足4位保留。于是，客户端把计算出的MD5和alder32按顺序发出，最后发出字符n。

 

服务器收到后，先把自己保存的File.2的内容按4字节划分。

划分出itao、huia、msom、an，当然，这些串的Alder32值肯定无法从File.1里划分出的：taoh、uiis、soma、n找出相同的。于是向后移一个字节，从t开始继续按4字节划分。

从taoh上找到了alder32相同的块，接着再比较MD5值，也相同！于是记下来，跳过taoh这4个字符，看uiam，又找不到File.1上相同的块了。继续向后跳1个字节从i开始看。还是没有找到Alder32相同，继续向后移，以此类推。

到了soma，又找到相同的块了。

 

重复上面的步骤，直到File.2文件结束。

 

通过这个简单的例子，可以设想一下其他任何的增删查改功能 

 

 

参考资料：http://cs.anu.edu.au/techreports/1996/TR-CS-96-05.pdf