据市场分析公司IDC的研究结果表明，2011年创造的信息数量达到1800EB，每年产生的数字信息量还在以60%的速度高速增长，到2020年，全球每年产生的数字信息将达到35ZB。迅速增长的数据量突显了重复数据删除技术(De-duplication)的重要性，它不仅能够减少了信息在物理存储空间的压力，而且大幅降低了数据传输的网络带宽占用。

在面对大数据时代的今天，重复数据删除技术再次成为热议的话题。首先，原始数据将被打散为数据块，并进行单一实例存储。如何保证数据块与指针正确，不造成数据丢失或误删除，显得非常重要，任何数据块的丢失都意味着很大一部分数据将无法找回。其次，如何保证重复数据删除的性能，过小的数据块使得重删比率会越高，但海量的数据块比对会影响运算性能；数据管理人员需要在两者之间找到合适的平衡点，同样是一场博弈，既要保证重复数据能够大量删除，又要选择能够接受的运算性能。

众志和达（英文SOUL），是中国信息存储、数据安全与应用领域领先的解决方案与服务提供商，拥有超过15年的中国本土市场经验和3000多家最终用户。

SOUL以满足云计算、大数据时代企业客户需求为目标，坚持自主创新，拥有基于自主知识产权的SoC(Storage-on-Chip芯片级存储)技术、SureSave智能化存储与保护管理、分布式存储与计算管理等核心技术，提供海量数据的存储、保护与云计算、大数据等应用解决方案，为现代IT应用提供高速、安全、可靠、弹性的基础架构，将数据与计算的价值充分发挥。

块级变长算法的高缩减比

SOUL开发的重复数据删除技术基于块级、变长模式，采用业界流行的HASH算法，以In-Line方式实现了在存储过程中实现重复数据删除功能。为防止重复数据删除运算降低总体I/O性能，所有重复数据删除运算均采用硬件实现。

基于块级去重的方式：

图一：基于块级去重方式

如图一所示，图中第一次备份为全备份，以后每次只备份变化量，并给每个数据块添加相应的指针。从形式上看，块级去重与文件级去重原理基本一致，但文件级去重比对的是不同文件，如果文件内容有变化，则被视为变化量进行保存；而基于数据块去重模式无论文件是否变化，只记录变化数据块，而文件内容变化后，其变化数据块部分被保存。

基于变长去重的方式：

在去重效果上看，块级去重远高于文件级去重，而块级去重则进一步涉及到变长与定长的问题。

定长是指数据块大小是固定的，一般固定值为12K—256K不等，对于定长而言，数据块越小，去重率越高。而变长的数据切割方式通过相应的块的长度，再加上相应的字母顺序，通过一个三维的算法进行切割。

图二：变长切割与定长切割的对比

如图二所示，如果文件进行改变，比如插一个“”在数据块中，变长切割模式就变成4、4、7三行一组，剩下的又按照“父”是有含义的一个字，切割方法没有变。最后扫描下来，只有首末行是变化的，需要备份首末行这一小小的变化量，即完成了变更，而数据量增加的仅仅是引号。

如果是定长则首行没有任何规律可言，完全按照固定大小进行数据切分，当添加引号时引起整个数据块变动，从而生成了新的数据块。从去重效果上看，变长的去重率要高于定长。

多重校验的高可靠性

重复数据删除技术的关键在于可靠性，由于数据存储时候被切块并对每个块进行单一实例存储，那么任何一个数据块丢失，或者指针错误都会造成一大部分数据永久无法找回。对于客户而言，是造成不可估计的损失，因此如何保证重复数据删除的可靠性显得至关重要。

SOUL的重复数据删除技术在每一步hash对比过程中都有CRC校验，保证了每一步对比中数据的正确性；而每一步对比过程都会定时与log进行同步。如果出现不同步现象，则该步骤将清空记录并重新引用log信息，再次执行比对工作；而log则定时与底层数据库同步，保证了数据与hash key的绝对一致性。为了防止非法关机造成的数据不同步，SOUL在hash对比的第一层设置了启动同步，无论是否非法关机，设备在启动后都会进行自检，并与log进行同步，进一步确保了数据准确性。

沙漏式对比机制的高效率

重复数据删除技术始终是在去重比例与性能之间找平衡，去重比例越高则必然性能衰减越大，其原因在于数据块在切块时候块越小，出现重复数据块的几率会越高；而块越小则意味着相同大小的数据被切割后，产生的数据块的数量越大，而数据块数量越大在hash key对比过程中耗时越长，使得性能衰减越大。因此即便采用等同的变长法则切块后，hash对比过程也同样决定着性能损耗的程度。

SOUL的重复数据删除技术在hash对比过程中采用了沙漏式的对比机制，该机制会在缓存中逐级筛选重复数据。最上层机制做最简单的粗略判定，丢掉绝大部分重复数据，将可能不重复的数据传递到第二层级；第二层做相对对比，判定hash是否已经包含于某个hash段组中，此时已经有99%的数据进行了dedupe，而剩下的1%的数据将传递到第三层；第三层将前面没有判定结果的hash与系统全部被使用过的hash进行对比，此处才开始真正对比hash，也就是是细节对比，第三层将过滤掉剩下数据中的99.99999%，最后剩下仍然无法判定的则会在hash库中逐一查找进行对比。

虽然对比过程变成了4步，但去重效率却大幅提升。通过实际去重测试，在打开重复数据删除之后，磁盘I/O是未开启重复数据删除的1.06%。磁盘I/O决定了一个系统的性能，更低的I/O不仅有效提高去重效率，也提升了磁盘的使用寿命。在采用多重对比后，其数据缩减比也大幅提升，实际测试数据缩减比可以超过30：1。

能够将磁盘I/O降低到以上程度主要是因为每一步运算是在内存中进行，并且都采用预读取机制，而每一步都将只判定自己可以判定的hash，任何无法判定的hash都交给后面处理，这样每一层数据筛选的效率将大幅提升，从而提升整体效率。

综上而言，SOUL采用多种优化机制，解决了高去重比例下性能衰减的问题，实测在系统性能衰减不足5%的情况下实现了超过30：1的数据缩减比。同时高效、多重的校验机制也彻底打消客户对重复数据删除可靠性的担心。

SOUL为大数据时代打造了安全可靠、高效灵活的数据管理与计算解决方案，以智能化、可拓展的开放式系统设计，辅助用户实现从传统IT应用向云计算、大数据应用的平滑迁移，从而更加快速开展数据资产的分析、挖掘、管理，并从中获取商业机会与竞争优势。