重复数据删除

转载：http://zh.wikipedia.org/zh-cn/%E9%87%8D%E5%A4%8D%E6%95%B0%E6%8D%AE%E5%88%A0%E9%99%A4
重复数据删除（ 英语：data deduplication）是一种节约 数据存储空间的技术。在 计算机中存储了很多重复数据，这些数据占用了大量硬盘空间，利用重复数据删除技术，可以只存储一份数据。另外一项节约存储空间的技术是 数据压缩，数据压缩技术在比较小的范围内以比较小的粒度查找重复数据，粒度一般为几个比特到几个字节。而重复数据删除是在比较大的范围内查找大块的重复数据，一般重复数据块尺寸在1KB以上。 ^[1] 重复数据删除技术被广泛应用于 网络硬盘、 电子邮件、 磁盘备份介质设备等。

介绍

好处

• 节约硬盘空间 由于不必存储重复数据，因此大大节约的磁盘空间。
• 提升写入性能 数据写入存储设备的主要性能瓶颈在于硬盘，由于硬盘是机械设备，一般单块硬盘只能提供100MB/s左右的连续写性能。在线重复数据删除在数据存入硬盘之前就把重复的数据删除掉了，因此存入硬盘的数据量变小了，数据的写入性能也就提高了。例如：DataDomain重删备份介质设备就采用在线重删技术，因此数据写入性能较好。
• 节约网络带宽 对于使用了源端重删技术的应用来说，数据上传到存储设备之前，已经去掉了重复的数据块，因此重复的数据块不需要经过网络传输到存储介质，从而节约了网络带宽。例如：Dropbox就采用了源端重删技术，因此占用网络带宽很小，还有开源的数据同步工具rsync也采用了源端重删技术节约网络带宽。

分类

按数据处理时间重复数据删除可以被分为:

在线重删（Inline Deduplication）

指的是在数据存储到存储设备上的同时进行重复数据删除流程，在数据存储到硬盘之前，重复数据已经被去除掉了。

后重删(Post Deduplication)

指的是在写到存储设备的同时不进行重删处理，先把原始数据写到硬盘上，随后启动后台进程对这些原始数据进行重删处理。与在线重删相比较，后重删需要更高的硬盘性能，需要更多的硬盘数量。

按照数据处理粒度可以被分为：

• 文件级重删
• 块级别重删

按照数据块分块方法，可以分为：

• 变长分块重删
• 定长分块重删

按照数据处理位置，可以分为：

• 远端重删
• 目的端重删

参考文献

1. ^ "Understanding Data Deduplication" Druva, 2009. Retrieved 2013-2-13

外部链接