SourceForge上发布dedup util

原文链接：http://blog.csdn.net/liuaigui/article/details/5641891

作者       ：刘爱贵，中科院博士，长期从事存储领域研发工作，分式存储资深理论研究与实践者，GlusterFS 技术专家，当前专注于Server SAN。

[dedup util]

dedup util是一款开源的轻量级文件打包工具，它基于块级的重复数据删除技术，可以有效缩减数据容量，节省用户存储空间。目前已经在Sourceforge上创建项目，并且源码正在不断更新中。该工具生成的数据包内部数据部局(layout)如下：

--------------------------------------------------
|  header  |  unique block data |  file metadata |
--------------------------------------------------

数据包由三部分组成：文件头(header)、唯一数据块集(unique block data)和逻辑文件元数据(file metadata)。其中，header为一个结构体，定义了数据块大小、唯一数据块数量、数据块ID大小、包中文件数量、元数据在包中的位置等元信息。文件头后紧接就存储着所有唯一的数据块，大小和数量由文件头中元信息指示。在数据块之后，就是数据包中文件的逻辑表示元数据，由多个实体组成，结构如下所示，一个实体表示一个文件。解包时根据文件的元数据，逐一提取数据块，还原出当初的物理文件。

 

逻辑文件的元数据表示：

-----------------------------------------------------------------
|  entry header  |  pathname  |  entry data  |  last block data |
-----------------------------------------------------------------

逻辑文件的实体头中记录着文件名长度、数据块数量、数据块ID大小和最后一个数据块大小等信息。紧接着是文件名数据，长度在实体头中定义。文件名数据之后，存储着一组唯一数据块的编号，编号与唯一数据块集中的数据块一一对应。最后存储着文件最后一个数据块，由于这个数据块大小通常比正常数据块小，重复概率非常小，因此单独保存。

 

更详细信息请参见 http://blog.csdn.net/liuben/archive/2010/01/09/5166538.aspx

 

dedup util目前处于pre-alpha开发阶段，支持文件打包、解包、追加文件、删除文件、罗列包中文件等功能。初步的测试结果显示，即使在不明确数据是否具备较高重复率的情况下，dedup技术也能较明显地减少数据包的数据量，产生的数据包比Tar工具的要小。

 

[源码]

项目URL: https://sourceforge.net/projects/deduputil

SVN代码库URL: https://deduputil.svn.sourceforge.net/svnroot/deduputil

 

[编译]

1.获取源码

  svn co https://deduputil.svn.sourceforge.net/svnroot/deduputil deduputil

 

2.安装libz-dev

  apt-get install libz-dev

  如果不支持apt-get，请采用其他途径安装。

 

3.编译安装

  ./gen.sh

  ./configure

  make

  make install

 

[命令行]

Usage: dedup [OP TION...] [FILE]...

dedup tool packages files with deduplicaton technique.

 

Examples:

  dedup -c foobar.ded foo bar    # Create foobar.ded from files foo and bar.

  dedup -a foobar.ded foo1 bar1  # Append files foo1 and bar1 into foobar.ded.

  dedup -r foobar.ded foo1 bar1  # Remove files foo1 and bar1 from foobar.ded.

  dedup -t foobar.ded            # List all files in foobar.ded.

  dedup -x foobar.ded            # Extract all files from foobar.ded.

 

Options:

  -c, --creat      create a new archive

  -x, --extract    extrace files from an archive

  -a, --append     append files to an archive

  -r, --remove     remove files from an archive

  -t, --list       list files in an archive

  -z, --compress   filter the archive through zlib compression

  -b, --block      block size for deduplication, default is 4096

  -H, --hashtable  hashtable backet number, default is 10240

  -d, --directory  change to directory, default is PWD

  -v, --verbose    print verbose messages

  -h, --help       give this help list

 

[运行平台]

目前仅在Linux平台开发测试，其他平台未作评测。

 

[TODO]

1. 数据块碰撞问题

  虽然MD5产生的碰撞的概率非常小，但仍然存在发生小概率事件的可能性。需要采用技术手段解决碰撞问题，这样才能保证数据安全，让用户放心使用。

 

2. 变长数据块

  目前是定长数据块的实现，技术上较为简单，变长数据块可能会获得更高的数据压缩率。

 

3. 相似文件识别

  如果两个文件只有很小的差别，比如在某处插入了若干字节，找出这些数据块并单独处理，可能会提高数据压缩率。

 

[作者]

刘爱贵，专注于存储技术，关注数据挖掘和分布式计算，[e-mail]

 

解决不同Linux平台上出现的问题：

SourceForge上发布dedup util 安装使用 ubuntu centos 版本 1.4.2

http://blog.csdn.net/xingkong_678/article/details/40452873

项目来自   刘爱贵博士的专栏   SourceForge上发布dedup util  点击打开链接

版本 1.4.2 

由于安装中出现了些问题,现将解决方法说明如下:

[dedup util]

dedup util是一款开源的轻量级文件打包工具，它基于块级的重复数据删除技术，可以有效缩减数据容量，节省用户存储空间。目前已经在Sourceforge上创建项目，并且源码正在不断更新中。

 更详细信息请参见 http://blog.csdn.net/liuben/archive/2010/01/09/5166538.aspx

 dedup util目前处于pre-alpha开发阶段，支持文件打包、解包、追加文件、删除文件、罗列包中文件等功能。初步的测试结果显示，即使在不明确数据是否具备较高重复率的情况下，dedup技术也能较明显地减少数据包的数据量，产生的数据包比Tar工具的要小。

 [源码]

项目URL: https://sourceforge.net/projects/deduputil

SVN代码库URL: https://deduputil.svn.sourceforge.net/svnroot/deduputil

 [编译]

1.获取源码

  svn co https://deduputil.svn.sourceforge.net/svnroot/deduputil deduputil

 

2.安装libz-dev

ubuntu: apt-get install libz-dev   如果不支持apt-get，请采用其他途径安装。

centos:   yum install zlib-devel

 

3.编译安装

主要步骤:

./autogen.sh  sudo ./configure  sudo make  sudo make install 

演示如下:：

[jz@localhost deduputil-code-83]$ sudo ./autogen.sh   [sudo] password for jz:   ./autogen.sh: line 3: aclocal: command not found  ./autogen.sh: line 4: autoheader: command not found  ./autogen.sh: line 5: autoconf: command not found  ./autogen.sh: line 6: automake: command not found 

这种情况因缺编译环境:
ubuntu :
apt-get install automake
centos:
yum install automake 就可以了

[jz@localhost deduputil-code-83]$ ./autogen.sh [jz@localhost deduputil-code-83]$ sudo ./configurechecking for a BSD-compatible install... /usr/bin/install -cchecking whether build environment is sane... yes......config.status: creating config.hconfig.status: executing depfiles commands[jz@localhost deduputil-code-83]$ sudo  makemake  all-recursivemake[1]: Entering directory `/home/jz/deduputil-code-83'Making all in .make[2]: Entering directory `/home/jz/deduputil-code-83'make[2]: Leaving directory `/home/jz/deduputil-code-83'Making all in src......make[2]: Leaving directory `/home/jz/deduputil-code-83/src'make[1]: Leaving directory `/home/jz/deduputil-code-83'[jz@localhost deduputil-code-83]$ sudo make installMaking install in .......make[1]: Leaving directory `/home/jz/deduputil-code-83/src'

接下来验证:

[jz@localhost deduputil-code-83]$ dedup -hMain options (must only one):  -c, --creat      create a new archive  -x, --extract    extract files from an archive  -a, --append     append files to an archive  -r, --remove     remove files from an archive  -t, --list       list files in an archive  -s, --stat       show information about an archiveOther options:  -C, --chunk      chunk algorithms: FSP, CDC, SB, CDC as default                   FSP - fixed-size partition                   CDC - content-defined chunking                   SB - sliding block  -f, --hashfunc   set hash function for CDC file chunking, adler_hash as default                   hash functions list as followed:                    rabin_hash, RS_hash, JS_hash, PJW_hash, ELF_hash, AP_hash                   simple_hash, BKDR_hash, JDBM_hash, DJB_hash, CRC_hash, adler_hash  -z, --compress   filter the archive through zlib compression  -b, --block      block size for deduplication, 4096 as default  -H, --hashtable  hashtable bucket number, 10240 as default  -d, --directory  change to directory, PWD as default  -v, --verbose    print verbose messages  -V, --version    display version number  -h, --help       give this help list

 [命令行]Usage: dedup [OP TION...] [FILE]...dedup tool packages files with deduplicaton technique. Examples:  dedup -c foobar.ded foo bar    # Create foobar.ded from files foo and bar.  dedup -a foobar.ded foo1 bar1  # Append files foo1 and bar1 into foobar.ded.  dedup -r foobar.ded foo1 bar1  # Remove files foo1 and bar1 from foobar.ded.  dedup -t foobar.ded            # List all files in foobar.ded.  dedup -x foobar.ded            # Extract all files from foobar.ded. Options:  -c, --creat      create a new archive  -x, --extract    extrace files from an archive  -a, --append     append files to an archive  -r, --remove     remove files from an archive  -t, --list       list files in an archive  -z, --compress   filter the archive through zlib compression  -b, --block      block size for deduplication, default is 4096  -H, --hashtable  hashtable backet number, default is 10240  -d, --directory  change to directory, default is PWD  -v, --verbose    print verbose messages  -h, --help       give this help list

[运行平台]

目前仅在Linux平台开发测试，其他平台未作评测。

 

[TODO]

1. 数据块碰撞问题

  虽然MD5产生的碰撞的概率非常小，但仍然存在发生小概率事件的可能性。需要采用技术手段解决碰撞问题，这样才能保证数据安全，让用户放心使用。

2. 变长数据块

  目前是定长数据块的实现，技术上较为简单，变长数据块可能会获得更高的数据压缩率。

3. 相似文件识别

  如果两个文件只有很小的差别，比如在某处插入了若干字节，找出这些数据块并单独处理，可能会提高数据压缩率。

修改自:

http://blog.csdn.NET/liuaigui/article/details/5641891