王建輝，石宇良

（北京工業(yè)大學(xué) 軟件學(xué)院，北京 100022）

隨著現(xiàn)代化的飛速發(fā)展，傳統(tǒng)行業(yè)逐漸進(jìn)入自動(dòng)化辦公時(shí)代。人們工作和生活中需要的信息量猛增[1]，現(xiàn)有的硬件備份不能有效解決當(dāng)今動(dòng)不動(dòng)就達(dá)上PB的數(shù)據(jù)[2]。需要解決的問(wèn)題有：如何降低構(gòu)建大型備份系統(tǒng)的硬件成本，提高現(xiàn)有線性備份的磁帶庫(kù)恢復(fù)特定數(shù)據(jù)速度等。采用分布式存儲(chǔ)備份數(shù)據(jù)的優(yōu)點(diǎn)可以解決該問(wèn)題，避免傳統(tǒng)備份系統(tǒng)的一些缺點(diǎn)[3]。計(jì)算機(jī)行業(yè)最著名的分布式存儲(chǔ)系統(tǒng)即HDFS（Hadoop Distributed File System）。HDFS的最大優(yōu)點(diǎn)是可以輕松處理海量數(shù)據(jù)。

云備份服務(wù)是一個(gè)低成本高效率的方案，用來(lái)有效地對(duì)大型企業(yè)的數(shù)據(jù)備份提供保護(hù)。盡管云備份有著許多優(yōu)勢(shì)，但潛在的問(wèn)題一直存在。一個(gè)最主要問(wèn)題是云服務(wù)采用大規(guī)模的集群節(jié)點(diǎn)構(gòu)成，節(jié)點(diǎn)之間大量的數(shù)據(jù)傳輸備份等操作嚴(yán)重的消耗了有限的網(wǎng)絡(luò)帶寬，導(dǎo)致網(wǎng)絡(luò)瓶頸[4]。傳統(tǒng)存儲(chǔ)也存在HDFS所不具備的優(yōu)勢(shì)，最重要的一點(diǎn)即重復(fù)數(shù)據(jù)刪除技術(shù)，簡(jiǎn)稱重刪技術(shù)，它是將大量文件分塊，刪除相同的文件塊，只備份非重復(fù)數(shù)據(jù)，達(dá)到數(shù)據(jù)壓縮的效果[5]。

如果把重復(fù)數(shù)據(jù)刪除的技術(shù)應(yīng)用到HDFS上，將可以最大限度的發(fā)揮HDFS存儲(chǔ)能力。將更多的數(shù)據(jù)壓縮，充分利用網(wǎng)絡(luò)帶寬傳輸和存儲(chǔ)介質(zhì)空間。研究方法結(jié)合開源架構(gòu)的HDFS與OPEN DEDUP，設(shè)計(jì)實(shí)現(xiàn)了基于分布式存儲(chǔ)的支持?jǐn)?shù)據(jù)重刪技術(shù)的備份系統(tǒng)DDFS（Deduplication Distributed File System），該系統(tǒng)充分利用分布式系統(tǒng)的存儲(chǔ)能力，替代原有磁盤與磁帶的備份機(jī)制，滿足用戶的數(shù)據(jù)備份容災(zāi)。

1 結(jié)構(gòu)體系

傳統(tǒng)備份方案主要分為L(zhǎng)AN-Base和LAN-Free備份[6]。Lan-Base備份中的生產(chǎn)服務(wù)器與備份服務(wù)器之間采用以太網(wǎng)連接，其最大的缺點(diǎn)是備份時(shí)占用了生產(chǎn)服務(wù)器的網(wǎng)絡(luò)帶寬，影響線上實(shí)時(shí)業(yè)務(wù)的性能。LAN-Free備份克服LAN-Free的缺點(diǎn)，采用FC光纖線連接網(wǎng)絡(luò)設(shè)備，備份時(shí)不占用主業(yè)務(wù)帶寬，能夠有效地提高備份效率，但其缺點(diǎn)是硬件設(shè)備成本太高。

為了滿足原有網(wǎng)絡(luò)不改變的情況下，大大降低增加存儲(chǔ)設(shè)備的成本，采用HDFS良好的節(jié)點(diǎn)擴(kuò)展性與重刪技術(shù)的結(jié)合。如圖1所示。

圖1 DDFS系統(tǒng)結(jié)構(gòu)圖Fig.1 DDFS System structure

DDFS系統(tǒng)采由3部分組成：備份客戶端，備份服務(wù)器，HDFS服務(wù)器。備份客戶端主要放在需要備份的服務(wù)器上，如：生產(chǎn)服務(wù)器，備份源端等。其主要作用是接受用戶備份請(qǐng)求，收集備份數(shù)據(jù)，與備份服務(wù)器建立通訊，傳輸備份文件。備份服務(wù)器用來(lái)處理來(lái)自客戶端的數(shù)據(jù)，并對(duì)文件重刪操作、加密、壓縮等操作，最后上傳HDFS分布式存儲(chǔ)，歸檔數(shù)據(jù)。可以認(rèn)為備份服務(wù)器是中轉(zhuǎn)數(shù)據(jù)流的重要橋梁。HDFS服務(wù)器用于存放由備份服務(wù)器處理后的數(shù)據(jù)。由于HDFS有著高容錯(cuò)、極高可擴(kuò)展性，副本備份策略、高并發(fā)處理數(shù)據(jù)的能力等，極易作為海量數(shù)據(jù)的存儲(chǔ)地。DDFS框架備份/恢復(fù)流程如圖2所示。

圖2 DDFS備份/恢復(fù)結(jié)構(gòu)圖Fig.2 DDFS Backup/Recovery structure

DDFS采用三層架構(gòu)的優(yōu)點(diǎn)：

1）備份服務(wù)器采用標(biāo)準(zhǔn)LAN-Free架構(gòu)，可以無(wú)縫地與現(xiàn)有備份環(huán)境相容，便于擴(kuò)展。

2）備份服務(wù)器的存儲(chǔ)介質(zhì)采用Raid0的方案，利用Raid0磁盤陣列的高并發(fā)讀寫的優(yōu)勢(shì)，提高備份/恢復(fù)速度。

3）備份服務(wù)器加入數(shù)據(jù)重刪技術(shù)，并與壓縮結(jié)合，大大降低了備份數(shù)據(jù)的大小，從而減少網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量與存儲(chǔ)硬盤的成本。

4）數(shù)據(jù)存儲(chǔ)介質(zhì)端采用HDFS分布式文件系統(tǒng)，利用HDFS自帶的文件備份系統(tǒng)，克服了Raid0陣列的不支持?jǐn)?shù)據(jù)備份的劣勢(shì)。

5）DDFS全部采用開源架構(gòu)，便于愛好者研究與優(yōu)化。

2 系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

2.1 客戶端模塊設(shè)計(jì)

備份客戶端主要功能：接受備份請(qǐng)求、搜集備份數(shù)據(jù)、數(shù)據(jù)發(fā)送，獲取備份信息和恢復(fù)數(shù)據(jù)。核心設(shè)計(jì)思想是讓客戶端與服務(wù)器進(jìn)行通訊，傳輸數(shù)據(jù)。

2.2服務(wù)端模塊設(shè)計(jì)

備份服務(wù)器端主要對(duì)數(shù)據(jù)進(jìn)行重刪，壓縮，備份，恢復(fù)等操作，是整個(gè)備份系統(tǒng)的核心。采用開源存儲(chǔ)架構(gòu)Open Dedup進(jìn)行修改集成。整個(gè)服務(wù)器存儲(chǔ)介質(zhì)采用運(yùn)行硬盤IO極快的Raid0磁盤陣列。如圖3所示。

圖3 備份服務(wù)器模塊結(jié)構(gòu)圖Fig.3 Backup server module structure

2.2.1 文件索引

采用開源架構(gòu)Lucene建立文件索引。Lucene是Apache開源機(jī)構(gòu)提供的一個(gè)檢索工具包，可以建立高效的文件索引，便于以及其快的速度從大量文件中查詢信息。在備份系統(tǒng)中高效的索引意味著可以快速查詢出是否有備份了相同的文件，減少重刪的時(shí)間。由于Lecene中存在Field（域）的概念，對(duì)于每一個(gè)備份文件信息，采用表1中的數(shù)據(jù)類型存儲(chǔ)。

表1 文件索引結(jié)構(gòu)Tab.1 File index structure

塊存儲(chǔ)位置和快長(zhǎng)度：用來(lái)將一個(gè)文件拆分成的多個(gè)文件塊并合并成一個(gè)大文件，保存塊位置和塊長(zhǎng)度便于文件恢復(fù)。由于備份計(jì)算Hash值時(shí)需要把一個(gè)文件分成很多小文件塊，這樣帶來(lái)的是備份了大量的小文件塊，對(duì)于本來(lái)就性能差的硬盤IO來(lái)說(shuō)是不可以接受的。因此，將大量小文件合成一個(gè)大文件，并記錄每個(gè)文件的起始位置和長(zhǎng)度，便于恢復(fù)。既滿足降低了文件IO與傳輸壓力，又方便文件恢復(fù)時(shí)的查找。經(jīng)在普通個(gè)人電腦測(cè)試Lucene建立1 500個(gè)文件索引僅需要 2 s，查詢只有 5 μs。

2.2.2 重刪

重刪技術(shù)現(xiàn)主要用于數(shù)據(jù)備份領(lǐng)域。簡(jiǎn)單地說(shuō)，首先把文件分塊，檢驗(yàn)每塊是否相同。如果數(shù)據(jù)是第一次備份，文件會(huì)被存儲(chǔ)在存儲(chǔ)介質(zhì)里[7]。如果不是，重刪技術(shù)只對(duì)前未被存儲(chǔ)的文件塊進(jìn)行保存[8]。如果需要備份的文件塊與已備份的文件塊相同，則不備份此塊，而用指針指向重復(fù)的數(shù)據(jù)，記錄備份信息，便于恢復(fù)。重刪主要應(yīng)用在客戶端或者服務(wù)器端，各有優(yōu)缺點(diǎn)。為了備份框架清晰，減少備份環(huán)境網(wǎng)絡(luò)帶寬占用，采用客戶端重刪的方法。

Open Dedup框架支持定長(zhǎng)模塊切，每個(gè)分塊長(zhǎng)度設(shè)定可以從4k到128k。重刪效果與分塊長(zhǎng)度成反比，分塊越少，文件去重效果越好。同時(shí)，較小的文件切分塊會(huì)需要更大的內(nèi)存支持。分塊長(zhǎng)度可以按照實(shí)際應(yīng)用來(lái)調(diào)節(jié)，對(duì)于備份系統(tǒng)中的文件主要類型不同的應(yīng)用，實(shí)際長(zhǎng)度不同。備份采用兩個(gè)方案：一個(gè)方案是采用文件系統(tǒng)過(guò)濾技術(shù)，檢查和只備份修在一個(gè)周期內(nèi)改過(guò)的文件。另一個(gè)是采用重刪技術(shù)，將一個(gè)備份文件切分成大量的小文件塊，用來(lái)Hash計(jì)算每個(gè)文件塊的唯一指紋，對(duì)比并刪除重復(fù)的文件塊來(lái)達(dá)到重刪的目的。

文件塊的Hash值計(jì)算采用Rabin指紋算法（Rabin fingerprint）進(jìn)行文件分塊，計(jì)算每個(gè)文件塊的Hash。同時(shí)與已經(jīng)存儲(chǔ)到備份介質(zhì)中的數(shù)據(jù)的Hash值進(jìn)行比對(duì)，如果不相同則把文件塊保存，如相同則在原有文件塊對(duì)應(yīng)的信息“是否被占用”中累加1，對(duì)新文件建立索引，并將文件備份路徑的指針指向已備份的文件。如圖4所示。

圖4 文件重刪流程圖Fig.4 File deduplication flowchart

2.2.3 HDFS

采用HDFS作為最終數(shù)據(jù)存儲(chǔ)介質(zhì)，是因?yàn)镠DFS是采用了廉價(jià)的硬件環(huán)境，提供了高并發(fā)性，高擴(kuò)展性，高容錯(cuò)性的存儲(chǔ)平臺(tái)。

1）高吞吐量，由于HDFS采用分布式存儲(chǔ)，大量的節(jié)點(diǎn)組合成一個(gè)對(duì)外的存儲(chǔ)平臺(tái)，這就保證了其有著高并發(fā)讀性。由于數(shù)據(jù)分布在集群中的每個(gè)節(jié)點(diǎn)，當(dāng)讀取數(shù)據(jù)時(shí)，系統(tǒng)可以并發(fā)的從每個(gè)節(jié)點(diǎn)上分段并行讀取文件，大大增加了獲取文件的速度。數(shù)據(jù)備份系統(tǒng)一個(gè)重要指標(biāo)即是容災(zāi)速度。如果出現(xiàn)生產(chǎn)事故，需要數(shù)據(jù)還原，HDFS所提供的幾乎無(wú)上限吞吐量一定能滿足需求。

2）高擴(kuò)展性，由于采用廉價(jià)的硬件作為集群節(jié)點(diǎn)，所以當(dāng)需要擴(kuò)充存儲(chǔ)空間時(shí)只需要增加節(jié)點(diǎn)電腦數(shù)量即可。而且HDFS的提供不用重啟服務(wù)就可識(shí)別新加入的節(jié)點(diǎn)，并將其自動(dòng)擴(kuò)展到整個(gè)集群中。如果備份量下降，還可以將集群中的節(jié)點(diǎn)撤出，節(jié)約資源。

3）高容錯(cuò)性，由于硬盤存在故障率，雖然不高，但是一旦出了問(wèn)題，數(shù)據(jù)無(wú)法恢復(fù)將造成損失。HDFS有著數(shù)據(jù)備份副本策略。一旦數(shù)據(jù)上傳到集群上，數(shù)據(jù)就會(huì)自動(dòng)備份，并把數(shù)據(jù)分發(fā)到不同的物理位置的節(jié)點(diǎn)上[9]。其自帶的數(shù)據(jù)一致性校驗(yàn)可以確保文件數(shù)據(jù)不會(huì)損失。

3 性能測(cè)試

3.1 測(cè)試環(huán)境

由于備份客戶端性能需求較低，所以采用一臺(tái)筆記本電腦（CPU：I5M 雙核 2.67 GHz，內(nèi)存：2 GB，硬盤 5 400 轉(zhuǎn)/分）。備份服務(wù)器采用一臺(tái)臺(tái)式電腦 （CPU：I5 3470四核3.2 GHz，內(nèi)存：4 GB，硬盤7 200轉(zhuǎn)/分X2 Raid0）。HDFS集群采用3臺(tái)臺(tái)式電腦（CPU：I5 650雙核 3.2GGHz，內(nèi)存 2 GB，硬盤7 200 轉(zhuǎn)/分）。

測(cè)試數(shù)據(jù)采用ZIP壓縮包（1GB，1個(gè)文件）和大量文件（1GB，1500個(gè)），采用一次全量備份和一次微小改動(dòng)的增量備份進(jìn)行測(cè)試。HDFS備份策略默認(rèn)為3。

3.2 測(cè)試結(jié)果

測(cè)試主要針對(duì)不同數(shù)量文件的備份時(shí)間，備份文件重刪比進(jìn)行了著重對(duì)比。如表2所示。

表2 測(cè)試結(jié)果Tab.2 Measurement result

3.3 分析

由表2可知，對(duì)于已經(jīng)壓縮過(guò)的文件，如：ZIP，RAR等壓縮包，重刪效果不好，幾乎無(wú)法再次重刪。對(duì)于含有大量未壓縮文件的重刪效果很好，可以達(dá)到70%以上的重刪。對(duì)于增量備份可以只備份修改過(guò)的文件，大大增加了重刪效果。最終放在HDFS上的文件備份，在3個(gè)備份策略的情況下，備份2 GB（HDFS中為6 GB）文件、總的備份空間最好情況下可以節(jié)省到864 MB，節(jié)省率57%。備份服務(wù)器采用Raid0架構(gòu)的雙硬盤陣列，在備份速度上可以達(dá)到70 MB/s。經(jīng)測(cè)試如果采用單7 200轉(zhuǎn)/分的硬盤，備份速度將下降到37 MB/s?？梢宰C明在服務(wù)器端采用更高性能的硬盤IO，將提高整個(gè)備份效果。大量小文件在IO上消耗了大量時(shí)間，實(shí)際備份速度不如單個(gè)大文件快。由于采用1 000 M網(wǎng)絡(luò)帶寬，HDFS節(jié)點(diǎn)間網(wǎng)絡(luò)帶寬未占滿，瓶頸出現(xiàn)在備份服務(wù)器端。

4 結(jié) 論

綜上所述，介紹了基于重復(fù)數(shù)據(jù)刪除技術(shù)與HDFS存儲(chǔ)系統(tǒng)結(jié)合的DDFS應(yīng)用。傳統(tǒng)LAN-Free備份硬件投入高，HDFS存儲(chǔ)占用空間多。但在云備份時(shí)代，DDFS在備份效率和存儲(chǔ)占用率這兩個(gè)硬性指標(biāo)上有著不錯(cuò)的表現(xiàn)。借助HDFS分布式平臺(tái)的擴(kuò)展能力，重刪的數(shù)據(jù)壓縮能力，有效控制了數(shù)據(jù)備份的成本。同時(shí)存在像對(duì)特定文件重刪率低、重刪性能不高、文件分塊不科學(xué)、不支持?jǐn)帱c(diǎn)備份、快照等問(wèn)題，將成為DDFS下一步的研究對(duì)象。

[1]郭東，杜勇，胡亮.基于HDFS的云數(shù)據(jù)備份系統(tǒng)[J].吉林大學(xué)學(xué)報(bào)，2012，50（1）：101-105.GUO Dong，DU Yong，HU Liang.HDFS based cloud data backup system[J].Journal of Jilin University，2012，50 （1）:101-105.

[2]Rashid F，Miri A，Woungang I.A secure data deduplication framework for cloud environments[C].Department of Computer Science，2012，12：81-87.

[3]SUN Zhe，SHEN Jun，YANG Jian-ming.A novel approach to data deduplication overthe engineering-oriented cloud systems[J].Integrated Computer Aided Engineering，2013，20（1）：45-57.

[4]鄭勝利.容災(zāi)備份系統(tǒng)中備份服務(wù)器及系統(tǒng)安全機(jī)制的研究與實(shí)現(xiàn)[D].武漢：華中科技大學(xué)，2011.

[5]Chun-I Fan，HUANG Shi-yuan，Wen-che Hsu.Hybrid Data Deduplication in Cloud Environment[C].Department of Computer Science and Engineering，2012，12：174-177.

[6]王歡，李戰(zhàn)懷，張曉.支持連續(xù)數(shù)據(jù)保護(hù)的云備份系統(tǒng)架構(gòu)設(shè)計(jì)[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（1）：90-93.WANG Huan，LI Zhan-huai，ZHANG Xiao.Design of cloud backup system architecture supporting continuousdata protection [J].Computer Engineering and Applications，2012，48（1）:90-93.

[7]杜勇.基于HDFS的云數(shù)據(jù)備份系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) [D].吉林：吉林大學(xué)，2011.

[8]蘇艷森.分布式文件存儲(chǔ)平臺(tái)文件備份與恢復(fù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].杭州：浙江大學(xué)，2008.

[9]肖笑.基于BCC算法的多機(jī)系統(tǒng)PSS參數(shù)優(yōu)化設(shè)計(jì)[J].陜西電力，2012（12）：51-54.XIAO Xiao.Optimal design of multi-machine power system stabilizer parameters based on bacterial colony chemotaxis algorithm[J].Shaanxi Electric Power，2012（12）：51-54.