去重系统的垃圾回收

用户一般会为备份数据设置一个retention time，过时的数据应该被回收再利用。数据去重复杂化了垃圾回收，因为每个数据块都可能被多个备份所引用。如何进行引用管理仍是很有挑战的问题。最近的一些论文讨论了这些问题，包括ATC’11的best paper，FAST’13，我想简单总结下它们的思想。

垃圾回收可以分为两阶段：第一阶段是标记可回收的数据块，称为标记阶段；第二阶段是回收数据块，称为回收阶段。回收阶段的设计与数据组织格式有关，比如大多数去重系统使用container组织数据，它们就需要一个合并稀疏容器的操作来回收空间。关于回收阶段的讨论目前还不多。现在的相关论文讨论的问题实际上都属于第一阶段，如何能高效地判断一个数据块不再被任何备份引用？

目前的这些工作可以分为两大类，包括在线（MSST’10和ATC’11）和离线（FAST’13）两种。离线方式指的是所有垃圾回收的操作都在系统空闲时（或者专门安排停机维护）进行；在线方式则会在系统运行时（备份过程中）就收集元数据，减轻垃圾回收的负担。

1. 引用计数法[1]

在指纹索引中增加一列“引用计数”。当一次备份引用了某个数据块，就将其引用计数增1；当一次备份被删除，所有被其引用的数据块的引用计数减1。当计数为0时，表明该数据块可以被回收。在垃圾回收时，直接查询引用计数为0数据块，回收。

这种方法的优点是非常简单，容易理解。然而，它增加了索引的开销；因为索引无法放在内存中，每次引用一个数据块都要更新磁盘上的引用计数，如果可以按顺序批量处理就还不成问题，但有些索引（比如DDFS）的访问是完全随机的；可靠性差，一旦出现错误（比如硬件错误），很难发现；出错后难以恢复，恢复计数需要遍历系统中所有的备份元数据（recipe），代价昂贵。

2.扫描标记法[2,3]

扫描标记法是完全离线的。垃圾回收时扫描所有recipe，记录下所有出现过的指纹，而那些只存在于指纹索引中的指纹（数据块）是可以被回收的。这种方法需要扫描一遍recipes，一遍指纹索引。

首先扫描recipe是非常耗时的，一个压缩率20倍的1PB存储系统（块长8KB，指纹20B），recipe大约可以达到50TB。其次，标记几乎需要将整个索引放到内存中，这几乎是不可能的。一些分区的索引方案（比如Extreme Binning）可以缓解内存问题，不过期间要多次读取索引分区，性能受损。

3. Bloom Filter[3]

扫描标记法消耗太多内存，可以用bloom filter减少内存开销。bloom filter是一个bit array，并需要准备n个不同的哈希函数。插入一个指纹时，用n个哈希函数计算出n个位置，并将bit array上对应bit标记为1；查询指纹时，计算出n个位置，若n个位置不全为1，说明指纹不存在，若全为1，则很可能存在。构造bloom filter需要扫描所有recipe，然而遍历指纹索引找出哪些指纹不在bloom filter中。

bloom filter存在false positive（全为1，但是并不存在）的问题。为了保证98%以上的准确性，每个指纹大约需要1个字节，内存开销是方法2的1/20。false positive会造成少量的无用数据块不能被回收，在大多数场景下不是问题。FAST’13提出的场景，sanitization，则不允许有false positive。

4. bit vector[3]

为了避免false positive，可以使用bit vector技术，每个bit代表一个数据块，而数据块的索引由其所属container的id和内部偏移决定。因此bit vector等于是用位图法标记存储系统所有数据块的使用情况。构造bit vector需要遍历所有recipe（可能还要读取container的元数据区确定偏移）；然后遍历指纹索引时，找出没有标记的指纹。

bit vector的内存开销比bloom filter低，无false positive。但是它需要获知每个数据块在container内部的偏移，要么增加recipe和指纹索引的存储开销，要么增加构造bit vector的时间（临时读取container的元数据区）。

5. Perfect Hash Vector[3]

在垃圾回收时，可以将存储系统中的指纹集看成静态集合。当我们知道集合的所有n个元素时，我们可以构造一个哈希函数，将所有元素映射为0~n-1之间的整数，并不产生冲突。这个函数就是完美哈希函数。这个算法的关键是如何在遍历recipe时构造完美哈希函数。有了哈希函数后，只需遍历指纹索引，找出不在哈希表中的指纹进行回收即可。

这种方法的内存开销比bit vector稍高，并且无需知晓偏移信息。

6. Grouped Mark-and-Sweep[2]

Guo等人把引用计数法和扫描标记法喷了一遍后，提出了GMS算法，这是扫描标记法的改良。为了方便垃圾回收，GMS在备份时就开始维护一些数据结构。具体地，每次备份都会产生很多bitmaps，每个bitmap对应一个container，bitmap标记了该次备份引用了container内的哪些数据块。每个container也就会有多个bitmaps，代表了多个备份对其中数据块的引用情况，合并这些bitmaps，就可以知道这个container内部有哪些块是无用的。

GMS是在线的。它避免了大规模的扫描操作，合并bitmaps是简单高效的；当某个bitmap损坏了，可以通过扫描对应的备份进行恢复。然而bitmaps会带来不菲的存储开销。对于压缩率为20倍的存储系统，每个数据块大约需要2.5B（20/8），因此1PB存储系统至少需要320GB。如果考虑碎片的问题，开销会翻倍。

小结

方法2~5是离线垃圾回收，它们都需要遍历recipe产生特定数据结构，然后遍历指纹索引确定哪些指纹可以被回收。它们的垃圾回收时间较长，期间不能进行备份等操作。

方法1和6是在线垃圾回收，它们都在备份时就维护了数据结构，因此垃圾回收时无需扫描recipe。但是需要额外的存储开销。

参考文献

[1] Wei et al. MAD2: A scalable high-throughput exact deduplication approach for network backup services. MSST’2010.

[2] Guo et al. Building a high-performance deduplication system. USENIX ATC’2011.

[3] Botelho et al. Memory Efficient Sanitization of a Deduplicated Storage System. FAST’2013.