用于存储管理的方法、电子设备和计算机程序产品与流程

1.本公开的实施例总体涉及存储管理，具体涉及用于存储管理的方法、电子设备和计算机程序产品。


背景技术：

2.随着存储技术的发展，存储装置的空间变得越来越大，同时价格变得越来越便宜。然而，数据的增长是如此迅猛，导致了满足存储需求的严峻挑战。为了减少存储空间的消耗，需要对存储装置(诸如，存储服务器和云存储等)执行重复数据删除。传统的重复数据删除过程分为四个阶段：分块、生成签名、索引化、以及写入元数据和数据块。然而，这四个阶段的执行非常耗时。此外，分块阶段和生成签名阶段还将占用大量处理资源。


技术实现要素：

3.本公开的实施例提供了用于存储管理的方法、电子设备和计算机程序产品。
4.在本公开的第一方面，提供了一种用于存储管理的方法。该方法包括：基于待存储的对象，生成待存储的目标数据流，目标数据流包括对象的至少一部分；确定目标数据流和已经被存储到存储装置中的至少一个已存储数据流是否匹配，目标数据流和至少一个已存储数据流的大小取决于各自的内容；以及如果目标数据流与至少一个已存储数据流都不匹配，将目标数据流存储到存储装置中。
5.在本公开的第二方面，提供了一种电子设备。该设备包括至少一个处理单元和至少一个存储器。至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。该指令当由至少一个处理单元执行时使得设备执行动作，该动作包括：基于待存储的对象，生成待存储的目标数据流，目标数据流包括对象的至少一部分；确定目标数据流和已经被存储到存储装置中的至少一个已存储数据流是否匹配，目标数据流和至少一个已存储数据流的大小取决于各自的内容；以及如果目标数据流与至少一个已存储数据流都不匹配，将目标数据流存储到存储装置中。
6.在本公开的第三方面，提供了一种计算机程序产品。计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行时使机器实现根据本公开的第一方面所描述的方法的任意步骤。
7.提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。
附图说明
8.通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
9.图1示出了本公开的一些实施例能够在其中实现的存储管理环境的示例的示意图；
10.图2示出了根据本公开的一些实施例的用于存储管理的方法的流程图；
11.图3示出了根据本公开的一些实施例的生成目标数据流的方法的流程图；
12.图4示出了根据本公开的一些实施例的数据流信息的示例的示意图；
13.图5示出了根据本公开的一些实施例的数据块信息的示例的示意图；
14.图6示出了使用专用处理资源和通用处理资源的性能对比的示例的示意图；以及
15.图7示出了可以用来实施本公开内容的实施例的示例设备的示意性框图。
16.在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
17.下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
18.在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
19.如上所述，由于传统的重复数据删除过程中的四个阶段非常耗时，尤其是分块阶段和生成签名阶段将占用大量处理资源。因此，传统的存储系统通常采用固定分块大小来进行重复数据删除。
20.此外，在写入数据块之前，需要查找元数据和索引来避免写入重复的数据。然而，由于数据块的元数据和索引太大而无法放入存储器(诸如，随机存取存储器(ram))中，因此将其存储到空间较大但速度较慢的存储装置中。这将显著影响存储系统的吞吐量。进一步地，由于查找索引非常耗时，因此每个数据块不能很大。
21.在采用分布式存储的情况下，在存储数据块时，每个数据块被分成预定数目的多个片段。例如，每个数据块可以被分成12+4个片段，即12个数据片段和4个校验片段。每个片段都被存储在跨分布式存储系统中的多个存储节点的不同磁盘上。
22.然而，传统的重复数据删除过程并未考虑数据的内容。如果使用固定分块大小来进行重复数据删除，则将显著降低空间利用率。例如，假设除了中间的若干个字母以外，一个对象的内容与另一个对象的内容相同。在这种情况下，即使这两个对象中大部分内容相同，由于按照固定大小进行分块，这两个对象被划分为的数据块的内容也可能完全不同。
23.具体地，假设一个对象为(abcdefghijklmnop)。在使用固定分块大小的情况下，其被分块为(abcd|efgh|ijkl|mnop)。此外，假设另一个对象为(abcdef22ghijklmnop)。在使用固定分块大小的情况下，其被分块为(abcd|ef22|ghij|klmn|op)。可见，针对这两个对象，除了第一个数据块以外，其他所有的数据块都无法匹配。由此，其他所有的数据块都要被存储，从而导致不必要的存储开销。
24.进一步地，分布式存储占用大量通用处理资源(诸如，中央处理器(cpu))。一方面通用处理资源的计算能力提高缓慢，而另一方面存储装置(诸如，闪存和相变存储器(pcm，phase change memory)等)的吞吐量持续增长。此外，诸如25g/40g网卡之类的高速网卡也需要更多的处理资源来处理数据分组和硬件中断。在这种情况下，难以使用充足的通用处理资源来进行分块和生成签名，从而使得分块和生成签名阶段非常耗时。
25.根据本公开的示例实施例，提出了一种用于存储管理的改进方案。在该方案中，基于待存储的对象，生成待存储的目标数据流，目标数据流包括对象的至少一部分；确定目标数据流和已经被存储到存储装置中的至少一个已存储数据流是否匹配，目标数据流和至少一个已存储数据流的大小取决于各自的内容；以及如果目标数据流与至少一个已存储数据流都不匹配，将目标数据流存储到存储装置中。
26.以此方式，本方案通过基于待存储的对象的内容来生成可变大小的数据流，可以实现具有内容感知能力的重复数据删除过程。例如，假设除了中间的若干个字母以外，一个对象的内容与另一个对象的内容相同。在这种情况下，虽然这两个对象中存在不同的中间字母，但是由于根据内容进行分块，这两个对象被划分为的其他数据块可能相同。
27.具体地，假设一个对象为(abcdefghijklmnop)，并且另一个对象为(abcdef22ghijklmnop)。由于根据内容进行分块，这两个对象分别被分块为(abcd|efgh|ijkl|mnop)和(abcd|ef22gh|ijkl|mnop)。可见，除了第二个数据块不能匹配以外，其他数据块都可以匹配。这种情况下，无需重复存储相同的其他数据块。因此，可以提高存储管理性能，并且降低存储成本。
28.在下文中，将结合图1-图7更详细地描述本方案的具体示例。图1示出了根据本公开的一些实施例的存储管理环境100的示例的示意图。存储管理环境100包括计算设备110和存储装置120。计算设备110可以是具有计算能力的任何设备，例如但不限于分布式计算系统、大型机、服务器、个人计算机、台式计算机、笔记本计算机、平板计算机、可穿戴设备等。存储装置120可以是具有存储能力的任何设备，诸如分布式存储系统、云存储、存储服务器、硬盘、闪存等。
29.对象130要被存储到存储装置120。为了减少存储装置120中的存储空间的消耗，需要对存储装置120执行重复数据删除。因此，在对象130被存储到存储装置120中之前，需要对对象130进行划分，并且生成包括对象的至少一部分的数据流(在下文中，称为“目标数据流140”)。对象的划分是基于对象的内容的。因此，可以取决于对象的内容而生成具有可变大小的数据流。
30.目标数据流140可以与已经被存储到存储装置120中的至少一个已存储对象的至少一个已存储数据流150进行比较。如果目标数据流140与已存储数据流150匹配，则证明存储装置120中已经存储有与目标数据流140相同的数据流，则目标数据流140无需被重复存储到存储装置120中。仅在目标数据流140与已存储数据流150都不匹配的情况下，才需要将目标数据流140存储到存储装置120中。
31.以此方式，本方案通过基于待存储的对象或目标数据流的内容来生成具有可变大小的数据流，可以实现具有内容感知能力的重复数据删除过程。因此，可以提高存储管理性能，并且降低存储成本。
32.以下将结合图2-图6对计算设备110进行的操作进行详细描述。图2示出了根据本
公开的一些实施例的用于存储管理的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的范围在此方面不受限制。为了便于理解，将参考图3-图6对方法200进行描述。
33.在210，计算设备110基于待存储的对象130，生成待存储的目标数据流140。目标数据流140包括对象130的至少一部分。目标数据流140的大小是取决于对象130的内容的，并且因此也可以被认为是取决于目标数据流的内容的。在这种情况下，基于对象130生成的目标数据流140的大小是可变的，而非固定的。
34.在某些实施例中，计算设备110可以通过如下方式来生成具有可变大小的数据流。具体地，计算设备110可以使用具有预定大小的滑动窗口来划分对象。当对象在滑动窗口内的部分的哈希值符合标准时，就确定一个划分边界，从而生成一个数据流。为此，可以预先定义与标准相关联的两个参数值，即第一预定参数值和第二预定参数值，其中第二预定参数值小于第一参数值。
35.具体地，在滑动窗口移动到对象中的一个位置时，可以将对象在滑动窗口内的部分的哈希值模除以第一预定参数值，从而得到模除结果。如果该模除结果与第二预定参数值匹配，则在该位置处的滑动窗口的边界可以被确定为对象的划分边界。这个过程将重复进行，直至整个对象都被划分为止。此外，对象被划分出的分块的大小还可以处于预定大小范围内。将分块的大小限制在最大和最小范围内可以避免破坏重复数据删除。
36.在下文中，将参考图3对生成目标数据流的方法的示例进行详细描述。在310，计算设备110可以确定对象130在具有预定大小的滑动窗口内的部分的哈希值。该哈希值可以通过任何合适的哈希算法或函数得到，诸如rabin指纹算法、md5、md6、sha-1等。
37.计算设备110可以基于哈希值，确定目标数据流140的边界。在某些实施例中，在320，计算设备110可以将哈希值模除以第一预定参数值，以得到模除结果。
38.在330，计算设备110可以确定模除结果是否与第二预定参数值匹配。如果模除结果与第二预定参数值匹配，则在340，计算设备110可以基于滑动窗口的窗口边界来确定目标数据流140的边界。由此，在350，计算设备110可以利用该边界划分对象130，以生成目标数据流140。
39.否则，如果模除结果与第二预定参数值不匹配，则在360，计算设备110可以移动滑动窗口以包括对象130的后续部分。在370，可以基于经移动的滑动窗口的窗口边界来来确定目标数据流140的边界。由此，在380，计算设备110可以利用该边界划分对象130，以生成目标数据流140。
40.例如，假设对象130为(abcdefghijklmnop)，并且滑动窗口的大小为一个字符的大小。此外，还假设在字符d、h、l这三个位置处，滑动窗口内的部分(即字符d、h、l)的哈希值模除以第一预定参数值的模除结果等于第二预定参数值。在这种情况下，对象130被划分为四个分块(abcd|efgh|ijkl|mnop)，从而生成四个数据流(“abcd”、“efgh”、“ijkl”和“mnop”)。
41.作为另一示例，假设对象130为(abcdef22ghijklmnop)，并且滑动窗口的大小为一个字符的大小。此外，还假设在字符d、h、l这三个位置处，滑动窗口内的部分(即字符d、h、l)的哈希值模除以第一预定参数值的模除结果等于第二预定参数值。在这种情况下，对象130被划分为四个分块(abcd|ef22gh|ijkl|mnop)，从而生成四个数据流(“abcd”、“ef22gh”、“ijkl”和“mnop”)。
42.应当理解，滑动窗口的大小可以被设置为任何合适的大小，并且滑动窗口移动的距离也可以被设置为任何合适的距离。例如，滑动窗口的大小可以被设置为三个字符，同时移动的距离可以被设置为每次移动一个字符。
43.从上述两个示例可见，对于具有少量区别的不同对象，根据对象的内容所生成的可变大小的数据流可以大部分匹配。事实上，除了第二个数据块不能匹配以外，其他数据块都可以匹配。
44.返回参考图2，在220，计算设备110确定目标数据流140和已经被存储到存储装置中的至少一个已存储数据流150是否匹配。如上所述，目标数据流140和已存储数据流150都是基于数据流的内容生成的，因此目标数据流和已存储数据流150的大小取决于各自的内容。
45.在某些实施例中，已存储数据流150与已存储对象相关联。在这种情况下，为了确定目标数据流140和这些已存储数据流150是否匹配，计算设备110可以获取已存储对象的相应数据流信息。已存储对象的相应数据流信息包括已存储数据流150的标识。数据流的标识表示可以唯一地识别数据流的任何适当信息。
46.图4示出了根据本公开的一些实施例的数据流信息400的示例的示意图。如图4所示，数据流信息400包括对象标识410和数据流标识420。对于标识为“对象1”的已存储对象，其生成了三个数据流，这些数据流的标识分别为“数据流1”、“数据流2”和“数据流3”。类似地，对于对象标识为“对象2”的已存储对象，其生成了三个数据流，这些数据流的标识分别为“数据流4”、“数据流2”和“数据流5”。应当理解，数据流信息400还可以被更新。虽然未示出，但是对象130所生成的数据流的标识也可以被存储到数据流信息400中，以供未来的待存储对象使用。
47.此外，计算设备110可以比较目标数据流140的标识与每个已存储数据流150的标识，以确定目标数据流140和已存储数据流150是否匹配。假设基于对象130生成了四个数据流。四个数据流中的任一数据流都可以被视为目标数据流。四个数据流的标识分别为“数据流1”、“数据流5”、“数据流6”和“数据流7”。例如，标识为“数据流1”的目标数据流与标识为“数据流1”的已存储数据流匹配。标识为“数据流5”的目标数据流与标识为“数据流5”的已存储数据流匹配。而标识为“数据流6”和“数据流7”的目标数据流并不与任何已存储数据流匹配。
48.如果目标数据流140与已存储数据流150匹配，则计算设备110无需将目标数据流140重复存储到存储装置120中作为数据块，从而实现了重复数据删除。
49.否则，如果目标数据流140与已存储数据流150都不匹配，则在230，计算设备110将目标数据流140存储到存储装置120中。在某些实施例中，计算设备110可以确定存储装置120中用于存储目标数据流140的地址，并且基于该地址，将目标数据流140存储到存储装置120中作为数据块。由于目标数据流的大小是可变的，因此数据块的大小也是可变的。
50.此外，为了访问数据流，计算设备110还可以基于数据流被存储为数据块的地址，生成用于访问数据流的数据块信息。图5示出了根据本公开的一些实施例的数据块信息500的示例的示意图。
51.如图5所示，数据块信息500包括数据流标识510和数据块地址520。标识为“数据流
1”的数据流对应的数据块的地址为“地址1”。标识为“数据流2”的数据流对应的数据块的地址为“地址2”。以此类推。应当理解，数据块信息500还可以被更新。虽然未示出，但是与对象130所生成的数据流“6”和数据流“7”对应的数据块的地址也可以被存储到数据块信息500中，以供寻址与数据流“6”和数据流“7”对应的数据块。
52.进一步地，如今，专用处理资源的能力越来越强。诸如图形处理单元(gpu)的专用处理资源已发展成为具有高度并行性和强大计算能力的多核处理器。为此，可以在重复数据删除过程中使用专用处理资源来加速诸如md5或sha-1等哈希函数的处理。也就是说，可以使用专用处理资源来辅助诸如中央处理器(cpu)的通用处理资源。例如将gpu作为cpu的协处理器，并且在gpu上执行哈希函数以提高计算吞吐量以及节省通用处理资源。在这种情况下，计算设备110可以利用专用处理资源生成目标数据流，而利用通用处理资源生成诸如数据块信息以及对象的数据流信息的元数据。
53.此外，为了减少在专用处理资源和通用处理资源之间复制存储器中的数据带来的开销。通用处理资源与专用处理资源可以共享诸如存储器的存储资源。这种情况下，在存储对象时，专用处理资源获取存储资源中的对象的地址(例如，获取指向对象的指针)。专用处理资源将对对象进行划分以生成一个或多个数据流，并且通知通用处理资源将这些数据流存储到存储装置120中作为数据块。此外，通用处理资源还可以生成数据块信息以及数据流信息。以此方式，可以显著提高计算吞吐量以及节省通用处理资源。
54.图6示出了使用专用处理资源和通用处理资源的性能对比的示例的示意图。如图6所示，在重复数据删除过程中，使用专用处理资源得到的性能显著超越使用通用处理资源得到的性能。
55.图7示出了可以用来实施本公开内容的实施例的示例设备700的示意性框图。例如，如图1所示的计算设备110可以由设备700来实施。如图所示，设备700包括中央处理单元(cpu)710，其可以根据存储在只读存储器(rom)720中的计算机程序指令或者从存储单元780加载到随机访问存储器(ram)730中的计算机程序指令，来执行各种适当的动作和处理。在ram 730中，还可存储设备700操作所需的各种程序和数据。cpu 710、rom 720以及ram 730通过总线740彼此相连。输入/输出(i/o)接口750也连接至总线740。
56.设备700中的多个部件连接至i/o接口750，包括：输入单元760，例如键盘、鼠标等；输出单元770，例如各种类型的显示器、扬声器等；存储单元780，例如磁盘、光盘等；以及通信单元790，例如网卡、调制解调器、无线通信收发机等。通信单元790允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
57.上文所描述的各个过程和处理，例如方法200和300，可由处理单元710执行。例如，在一些实施例中，方法200和300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元780。在一些实施例中，计算机程序的部分或者全部可以经由rom 720和/或通信单元790而被载入和/或安装到设备700上。当计算机程序被加载到ram 730并由cpu 710执行时，可以执行上文描述的方法200和300的一个或多个动作。
58.本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
59.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储
设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
60.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
61.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如java、smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
62.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
63.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
64.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的
指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
65.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
66.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。