大數據是可重復數據刪除的_數據分析師

前不久本網站曾報道了Permabit和Isilon就大數據所展開的一場“論戰”，該“論戰”吸引了眾多目光，巴西的ESG分析師Ronaldo Yamashita在“觀戰”之后發表了自己的看法，他反對Isilon關于大數據不可壓縮的觀點，并作出了以下闡述：

我們所談論的“文本”大數據，如日志或者從不同的來源（如網絡、信貸機構、Facebook）收集的信息，它們都是高度可壓縮的。事實上，大多數數據倉庫產品都是基于column的壓縮，以達到較高的重復數據刪除比率和提高性能。畢竟，最快的I/O是你不必實現的I/O。

重復數據刪除數據的結果是提高緩存利用率，而降低磁盤I/O。重復數據刪除可用于任何規模的數據；只是目前大多數重復數據刪除產品還不能處理大容量的數據，但這并不意味著不能實現。

當我們從整體存儲角度來考慮，而不僅僅是從專業數據庫的角度考慮時，Rob Peglar對于元數據的擔憂就是有道理的。但也有許多的解決方法。

微軟曾在名為“ChunkStash”的技術研究中提出了一種減少重復數據刪除對RAM需求的方法。這種方法在RAM中僅為每個記錄分配2個字節。

而復制節點之間的元數據問題可由初創廠商Scality提供的方法來解決，它使用DHT（Distributed Hash Tables）來處理元數據的分布。這與P2P（端對端）系統處理PB級規模數據所使用的技術是一樣的。

從性能的角度來看，Scality并沒有Isilon高效，但它提供了一種可能解決該問題的方法。

NetApp采用的方法和Isilon的方法一樣“高性能”，而且是以更加簡單的方式來解決這個問題，它并沒有重復刪除元數據的復制。重復數據刪除在單個節點上實現，而集群更加智能于聚合同類型的文件。這對性能和重復數據刪除都更加有利。

而諸如Vertica和Greenplum的數據庫也得益于數據的位置。它們并不使用全局重復數據刪除，卻獲得了可觀的壓縮比。

由戴爾收購的壓縮/重復數據刪除廠商Ocarina曾展示過如何從意外的文件（比如圖像和視頻）獲得更好壓縮率的方法。該方法可以用于像石油和天然氣這樣的行業，它們的數據曾長期被認為是不可能達到良好的壓縮率。

許多其他廠商處理數據的方法可能會獲得更高的壓縮率。來自IBM的Jesse Jonas曾介紹了如何堆積數據的方法，這是一種非常不錯的數據精簡算法。

壓縮和重復數據刪除將在大數據中起到舉足輕重的作用；這一切都將關于與經濟。正如Steve Duplessie所指出的那樣，下一代存儲之爭將圍繞著經濟所展開。如果你的系統相比競爭供應商的系統需要更多數據級的存儲，那么你就難以去競爭。