基于Hadoop分布式系統(tǒng)的重復(fù)數(shù)據(jù)檢測技術(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。云計算憑借其強大的分布式計算能力以及低成本高可靠性的優(yōu)勢，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，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)是一種熱門的存儲技術(shù)，可對存儲容量進(jìn)行優(yōu)化，很大程度上減少對物理存儲空間的浪費，從而滿足日益增長的數(shù)據(jù)存儲需求。因此，云計算和重復(fù)數(shù)據(jù)刪除技術(shù)的結(jié)合將會是一個雙贏的解決方案。
　　

2、針對以上問題，本文分析了當(dāng)前云計算平臺Hadoop和重復(fù)數(shù)據(jù)刪除技術(shù)的特點后，利用Hadoop分布式平臺來管理海量數(shù)據(jù)。同時，針對Hadoop系統(tǒng)中存在的大量重復(fù)數(shù)據(jù)，本文提出來一種基于重復(fù)數(shù)據(jù)刪除技術(shù)的去重檢測技術(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)運算上的優(yōu)勢，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，并單獨對該算法進(jìn)行詳細(xì)的軟件設(shè)計和實現(xiàn)，實驗性能比傳統(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，設(shè)計了交通數(shù)據(jù)的分布式數(shù)據(jù)存儲模型，其中詳細(xì)給出了主表和反向表的設(shè)計，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)對車聯(lián)網(wǎng)歸