كيف يقلّل تقسيم البيانات المحدَّد بالمحتوى من البيانات المكرّرة في النسخ الاحتياطية؟

يُحسّن التقسيم المحدد بالمحتوى إزالةَ التكرار في النسخ الاحتياطية عبر اختيار حدود المقاطع استنادًا إلى محتوى الملف، مما يتيح إعادة استخدام المناطق غير المتغيرة بعد عمليات الإدراج أو الحذف.

غالبًا ما تحتوي النسخ الاحتياطية التزايدية على ملفات كبيرة لم تتغير في معظمها بين الإصدارات، مثل صور الأقراص الافتراضية، وأرشيفات البريد، وقواعد البيانات المنسوخة كملفات، وحِزم المشاريع، ومكتبات الوسائط المُصدّرة. إذا بدأ كل مقطع عند إزاحة بايت ثابتة، فقد يؤدي إدراج ترويسة صغيرة بالقرب من البداية إلى إزاحة كل حد لاحق، رغم تطابق البايتات اللاحقة. يجعل التقسيم المحدد بالمحتوى التجزئة تتبع أنماط البايتات المحلية بدلًا من المواقع المطلقة، لذلك يمكن للنسخة الاحتياطية إعادة المزامنة مع المقاطع القديمة بعد المنطقة المتغيرة.

قد تحوّل الحدود ثابتة الحجم تعديلًا صغيرًا واحدًا إلى العديد من المقاطع الجديدة

يقطع المُقسّم ثابت الحجم الملف عند مواضع مثل كل 1 MiB، بغض النظر عن محتوى البايتات. عند إدراج بايتات بالقرب من البداية، يصبح مسارا البيانات القديم والجديد مزاحين عن بعضهما، لذلك يحتوي كل مقطع ثابت لاحق على مزيج مختلف من البايتات، حتى لو ظل معظم المحتوى الأساسي دون تغيير.

طُوّر التقسيم المحدد بالمحتوى لإزالة التكرار لأن نقاط القطع المستمدة من المحتوى تكتشف التكرار الذي قد تفوّته الإزاحات الثابتة بعد التعديلات المحلية. ولا تتمثل الفائدة في أن CDC يتنبأ بالملفات المتشابهة، بل في أنه يمنح نظام إزالة التكرار تقسيمًا يمكنه تحمّل تغيّر المواقع.

إذا استُبدل ملف كامل ببايتات غير مرتبطة، فلن تتمكن أي خوارزمية تقسيم من اختلاق محتوى مكرر. تكون فائدة CDC أكبر عندما تشترك الإصدارات في مناطق كبيرة من البايتات غير المتغيرة، لكن هذه المناطق تحركت بالنسبة إلى بداية الملف.

تبحث بصمة متحركة في تدفق البايتات عن نقاط قطع محلية

يحرّك CDC نافذةً عبر الإدخال ويحدّث بصمةً مع دخول البايتات إلى تلك النافذة وخروجها منها. يُعلن عن حد عندما تستوفي البصمة شرطًا مُعدًا مسبقًا، مع مراعاة قواعد الحد الأدنى والحد الأقصى لحجم المقطع لمنع ظهور مقاطع صغيرة جدًا أو كبيرة جدًا على نحو غير طبيعي.

يستخدم مُقسّم Borg بصمة محتوى متحركة، بحيث لا تتطلب كلفة تقييم حد المرشح التالي تجزئة النافذة بأكملها من البداية. وبما أن البصمة تعتمد على البايتات القريبة، يمكن للتسلسل المحلي نفسه أن يفعّل القطع نفسه حتى عندما تتغير إزاحته المطلقة داخل الملف.

لذلك تُعد البصمة المتحركة آليةً للعثور على الحدود، وليست الهوية النهائية لبيانات النسخ الاحتياطي المخزنة. وسيؤدي التعامل مع هذين النوعين من التجزئة على أنهما متبادلان إلى إضعاف شرح الموضع الذي يقرر فيه نظام إزالة التكرار إعادة الاستخدام فعليًا.

كما تؤثر أحجام المقاطع الدنيا والقصوى والمتوسطة في عملية البحث عن الحدود. فهي تتحكم في تكرار دراسة نقاط القطع المرشحة ومقدار البيانات الوصفية التي يجب على المستودع إدارتها.

يعيد CDC المزامنة بعد التعديل بدلًا من البقاء مزاحًا إلى الأبد

بعد الإدراج أو الحذف، ترى النافذة المتحركة في البداية بايتات مختلفة، فتنتج حدود مقاطع مختلفة حول موضع التعديل. وعندما تنتقل بالكامل إلى منطقة غير متغيرة طويلة بما يكفي، يمكنها مواجهة أنماط المحتوى المحلية نفسها واستئناف القطع عند مواضع تتوافق مع الإصدار الأقدم.

يشير Borg إلى أن الحدود المحددة بالمحتوى يمكن أن تظل ثابتةً بالنسبة إلى المحتوى غير المتغير حتى عند إدراج البايتات أو إزالتها في مواضع أخرى. وهذه المزامنة من جديد هي ما يحصر كثيرًا من التعديلات في عدد صغير من المقاطع الجديدة بدلًا من إبطال بقية الملف.

يقسم Restic الملفات بطريقة مماثلة إلى كتل كبيرة متغيرة الطول باستخدام بصمة منزلقة، بحيث يمكن إعادة الإشارة إلى الكتل الكبيرة غير المتغيرة ذات الطول المتغير عبر اللقطات. ولا يزال المستودع بحاجة إلى فهرس للتعرف على تلك الكتل المخزنة مسبقًا.

تعتمد مسافة إعادة المزامنة على معلمات التقسيم ونمط البايتات المتغيرة، لذلك لا يضمن CDC ظهور مقطع جديد واحد بالضبط لكل تعديل. وتتمثل ميزته في المحلية الإحصائية: إذ تقل احتمالية أن تؤدي التغييرات إلى إزاحة كل حد لاحق.

Featured

ZimaCube 2 سحابة شخصية منزلية NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

تحدد هوية المقطع القوية إعادة الاستخدام بعد اختيار الحد

لا يجيب العثور على حد إلا عن موضع انتهاء مقطع مرشح؛ إذ لا يزال يتعين على المستودع تحديد ما إذا كان محتوى المقطع الكامل موجودًا مسبقًا. ويستخدم هذا القرار الثاني معرّفًا قويًا للمحتوى أو تجزئةً موثقة على المقطع المكتمل، ثم يبحث عنه في فهرس المستودع.

يفصل Borg صراحةً بين تجزئة الحدود والهوية التشفيرية للمقطع المستخدمة معيارًا لإزالة التكرار. وبالمثل، يشير Restic إلى الكتل الكبيرة المخزنة باستخدام تجزئة قوية للمحتوى، بدلًا من اعتبار البصمة المتحركة دليلًا على تطابق مقطعين.

يوضح هذا التصميم المؤلف من مرحلتين مسار التخزين بوضوح: تختار التجزئة المتحركة التقسيم المرشح؛ وتحدد تجزئة المحتوى هوية المقطع الناتج؛ ثم يقرر بحث المستودع ما إذا كان سيخزنه أو يعيد استخدامه. ولا تتحقق وفورات إزالة التكرار إلا في المرحلتين الأخيرتين، رغم أن CDC يجعل بقاء هذه المطابقات بعد التعديلات أكثر احتمالًا بكثير.

يحدد حجم المقطع وتحويل البيانات الحد الفاصل بين الحسابات والوفورات

تعزل المقاطع الأصغر حجمًا التغييرات بدقة أكبر، لكنها تزيد عدد البصمات وإدخالات الفهرس وعمليات البحث وكائنات البيانات الوصفية ومراجع التخزين. أما المقاطع الأكبر فتخفض النفقات العامة للفهرسة، لكنها تسمح لتعديل صغير بإبطال وحدة أكبر من البيانات القابلة لإعادة الاستخدام.

يركز FastCDC على تقليل النفقات الحسابية للمعالج الناتجة عن التجزئة المتحركة مع الحفاظ على اكتشاف قوي للتكرار، موضحًا أن عملية التقسيم نفسها قد تصبح تكلفة مؤثرة قبل إزالة أي بايتات مكررة. وتوازن المعلمات الأفضل بين عمل التقسيم وحجم الفهرس ونمط التشابه في مجموعة النسخ الاحتياطية.

يمكن للتحويل قبل التقسيم أن يزيل أيضًا تشابه البايتات الذي يعتمد عليه CDC. فالتشفير باستخدام قيم nonce مختلفة، أو التنسيقات التي تعيد كتابة معظم الملف بعد تغيير منطقي صغير، أو بعض أساليب الضغط، قد تجعل إصدارين متشابهين منطقيًا يبدوان غير مرتبطين على مستوى البايتات.

يتناول تحليل ZimaSpace لـالنفقات العامة لفهرس إزالة التكرار الجانب الآخر من هذه المفاضلة: إذ تتطلب إعادة الاستخدام الأدق مزيدًا من البيانات الوصفية والذاكرة لتتبع الموجود مسبقًا. وتكون قيمة CDC حقيقية عندما تتجاوز مساحة التخزين المستردة تكلفة التقسيم والفهرسة الإضافية، وليس لمجرد أن المقاطع متغيرة الحجم تبدو أكثر تطورًا.