基于Hadoop分布式系統(tǒng)的重復(fù)數(shù)據(jù)檢測(cè)技術(shù)研究與應(yīng)用.pdf

1、隨著信息技術(shù)的快速發(fā)展，云計(jì)算和重復(fù)數(shù)據(jù)刪除技術(shù)也得到了迅速的發(fā)展。云計(jì)算憑借其強(qiáng)大的分布式計(jì)算能力以及低成本高可靠性的優(yōu)勢(shì)，在海量數(shù)據(jù)處理方面占據(jù)主導(dǎo)地位，但是Hadoop系統(tǒng)中數(shù)據(jù)進(jìn)行歸檔時(shí)，存在大量重復(fù)數(shù)據(jù)，影響系統(tǒng)的處理效率。重復(fù)數(shù)據(jù)刪除技術(shù)是一種熱門的存儲(chǔ)技術(shù)，可對(duì)存儲(chǔ)容量進(jìn)行優(yōu)化，很大程度上減少對(duì)物理存儲(chǔ)空間的浪費(fèi)，從而滿足日益增長(zhǎng)的數(shù)據(jù)存儲(chǔ)需求。因此，云計(jì)算和重復(fù)數(shù)據(jù)刪除技術(shù)的結(jié)合將會(huì)是一個(gè)雙贏的解決方案。
　　

2、針對(duì)以上問(wèn)題，本文分析了當(dāng)前云計(jì)算平臺(tái)Hadoop和重復(fù)數(shù)據(jù)刪除技術(shù)的特點(diǎn)后，利用Hadoop分布式平臺(tái)來(lái)管理海量數(shù)據(jù)。同時(shí)，針對(duì)Hadoop系統(tǒng)中存在的大量重復(fù)數(shù)據(jù)，本文提出來(lái)一種基于重復(fù)數(shù)據(jù)刪除技術(shù)的去重檢測(cè)技術(shù)，利用指紋算法BLAKE生成數(shù)據(jù)塊指紋，采用基于數(shù)據(jù)塊級(jí)的刪除粒度，使用In-line方式有效刪除重復(fù)數(shù)據(jù)。
　　 哈希SHA-3算法憑借其在數(shù)據(jù)運(yùn)算上的優(yōu)勢(shì)，得到業(yè)界的認(rèn)可，本文首次采用SHA-3候選算法BLAKE

3、作為重復(fù)數(shù)據(jù)檢測(cè)技術(shù)中的指紋函數(shù)，取代了原始的重復(fù)數(shù)據(jù)指紋算法MD5，進(jìn)行重復(fù)數(shù)據(jù)指紋的生成和指紋匹配，并單獨(dú)對(duì)該算法進(jìn)行詳細(xì)的軟件設(shè)計(jì)和實(shí)現(xiàn)，實(shí)驗(yàn)性能比傳統(tǒng)指紋算法MD5有了很大的提高。
　　 最后將本文的研究應(yīng)用到車聯(lián)網(wǎng)中，利用Hadoop存儲(chǔ)管理大規(guī)模車聯(lián)網(wǎng)數(shù)據(jù)。根據(jù)HBase數(shù)據(jù)模型的特點(diǎn)，設(shè)計(jì)了交通數(shù)據(jù)的分布式數(shù)據(jù)存儲(chǔ)模型，其中詳細(xì)給出了主表和反向表的設(shè)計(jì)，一定程度上滿足用戶的條件查詢。并利用重復(fù)數(shù)據(jù)刪除技術(shù)對(duì)車聯(lián)網(wǎng)歸