基于XOR 的TAR-CAU 數(shù)據(jù)更新方法

肖逸飛，周世杰

(電子科技大學(xué)信息與軟件工程學(xué)院 成都 611731)

糾刪碼(erasure codes)[1-2]是云存儲(chǔ)中一種較為先進(jìn)的數(shù)據(jù)容錯(cuò)技術(shù)，相較于傳統(tǒng)的多副本技術(shù)，采用糾刪碼提供數(shù)據(jù)冗余存儲(chǔ)，會(huì)極大地降低系統(tǒng)的存儲(chǔ)開銷。如QFS 文件系統(tǒng)(qunantcast file system)和MapReduce 框架的數(shù)據(jù)存儲(chǔ)后臺(tái)采用糾刪碼進(jìn)行冗余存儲(chǔ)，比原來的HDFS 采用多副本技術(shù)節(jié)省了50%的存儲(chǔ)空間[3]。然而，糾刪碼也引發(fā)了2 個(gè)新問題：數(shù)據(jù)修復(fù)[4]和數(shù)據(jù)更新[5]。在數(shù)據(jù)更新中，由于糾刪碼提供的冗余校驗(yàn)數(shù)據(jù)是多個(gè)原始數(shù)據(jù)的線性變換組合，因此，當(dāng)原始數(shù)據(jù)更新時(shí)，為了保證數(shù)據(jù)一致性，其校驗(yàn)數(shù)據(jù)也需要進(jìn)行更新(稱為校驗(yàn)更新)。根據(jù)文獻(xiàn)[6-7]提供的數(shù)據(jù)訪問記錄，可以得出以下兩個(gè)結(jié)論。

1) 更新非常普遍，在大約1.73 億次的寫請(qǐng)求中，超過91%的請(qǐng)求是更新數(shù)據(jù)；

2) 更新的數(shù)據(jù)量小，在所有的更新請(qǐng)求中，超過60%的更新小于4 KB。

數(shù)據(jù)中心由成千上萬個(gè)節(jié)點(diǎn)組成，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)非常復(fù)雜，數(shù)據(jù)中心的數(shù)據(jù)更新性能往往受到網(wǎng)絡(luò)的限制[8]，如何降低校驗(yàn)更新的網(wǎng)絡(luò)開銷是糾刪碼中亟待解決的問題。為了優(yōu)化網(wǎng)絡(luò)開銷，國(guó)內(nèi)外學(xué)者提出了很多數(shù)據(jù)更新方法。如PUM-P 算法是利用更新管理器(update manager)計(jì)算數(shù)據(jù)變化(delta 值)，并傳輸delta 值給相關(guān)的校驗(yàn)節(jié)點(diǎn)進(jìn)行更新[9]；PDN-P 算法摒棄更新管理器，直接通過數(shù)據(jù)節(jié)點(diǎn)計(jì)算并傳輸delta 值到相關(guān)的校驗(yàn)節(jié)點(diǎn)[9]；TUpdate 算法發(fā)現(xiàn)傳統(tǒng)的數(shù)據(jù)傳輸模型是星型結(jié)構(gòu)，不利于充分利用網(wǎng)絡(luò)帶寬，同時(shí)容易造成單點(diǎn)瓶頸，因此，將傳輸模型改為樹型結(jié)構(gòu)，增加網(wǎng)絡(luò)并行度[10]。文獻(xiàn)[8]提出CAU(cross-rack-aware updates)算法，將數(shù)據(jù)中心的各個(gè)存儲(chǔ)節(jié)點(diǎn)按照機(jī)架(rack)分組，為了減少機(jī)架之間的網(wǎng)絡(luò)開銷，提出了2 種可選的更新方式：

1)校驗(yàn)增量更新(parity-delta update)，當(dāng)數(shù)據(jù)機(jī)架(專用于存放數(shù)據(jù)節(jié)點(diǎn))的更新量大于校驗(yàn)機(jī)架(專用于存放校驗(yàn)節(jié)點(diǎn))的更新量時(shí)，選擇將同一機(jī)架中的所有delta 值都匯聚到一個(gè)數(shù)據(jù)節(jié)點(diǎn)(數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn))，再由數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)計(jì)算并轉(zhuǎn)發(fā)校驗(yàn)更新給各個(gè)相關(guān)的校驗(yàn)節(jié)點(diǎn)；

2)數(shù)據(jù)增量更新(data-delta update)，當(dāng)數(shù)據(jù)機(jī)架的更新量小于校驗(yàn)機(jī)架時(shí)，分別將各個(gè)數(shù)據(jù)節(jié)點(diǎn)的delta 值發(fā)送給同一個(gè)校驗(yàn)節(jié)點(diǎn)(校驗(yàn)轉(zhuǎn)發(fā)節(jié)點(diǎn))，再由校驗(yàn)轉(zhuǎn)發(fā)節(jié)點(diǎn)計(jì)算校驗(yàn)更新并轉(zhuǎn)發(fā)給其他校驗(yàn)節(jié)點(diǎn)[8]。

本文的主要目標(biāo)是對(duì)數(shù)據(jù)更新的網(wǎng)絡(luò)傳輸進(jìn)行優(yōu)化，基于CAU 算法的思想，提出了改進(jìn)算法—TAR-CAU，該算法針對(duì)更新數(shù)據(jù)量普遍較小的現(xiàn)象，借鑒tar 打包原理，提出將同一個(gè)節(jié)點(diǎn)中的多個(gè)更新數(shù)據(jù)打包成一個(gè)塊，再利用CAU 算法更新，從而減少網(wǎng)絡(luò)往返時(shí)間，降低發(fā)送端與接收端的更新處理頻率，提高數(shù)據(jù)更新的效率。

本文的主要研究工作有以下3 點(diǎn)。

1) 基于CAU 算法，提出了TAR-CAU 算法。該算法基于XOR 進(jìn)行數(shù)據(jù)更新，同時(shí)，利用更新數(shù)據(jù)量小的特點(diǎn)，將多個(gè)更新打包傳輸，從而減少網(wǎng)絡(luò)往返次數(shù)，提高數(shù)據(jù)更新效率。

2) 實(shí)現(xiàn)原型系統(tǒng)。本文基于Go 語言在Ubuntu 18.04 平臺(tái)實(shí)現(xiàn)了TAR-CAU 原型系統(tǒng)，該系統(tǒng)包含中央控制器、算法調(diào)度器和節(jié)點(diǎn)代理的統(tǒng)一調(diào)度框架，不僅可以穩(wěn)定運(yùn)行TAR-CAU 算法，同時(shí)，可以方便擴(kuò)展并運(yùn)行其他數(shù)據(jù)更新算法。

3) 驗(yàn)證算法的有效性。本文基于仿真實(shí)驗(yàn)和本地集群實(shí)驗(yàn)，利用微軟劍橋研究院和哈佛NSR 提供的真實(shí)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，與CAU 算法進(jìn)行了對(duì)比，從實(shí)驗(yàn)的結(jié)果來看，本文提出的算法能夠有效提高數(shù)據(jù)更新吞吐量。

1 相關(guān)工作

1.1 糾刪碼概述

糾刪碼也稱為糾錯(cuò)碼，它將原始數(shù)據(jù)編碼為數(shù)據(jù)量更大的編碼數(shù)據(jù)，并能利用編碼后的部分?jǐn)?shù)據(jù)恢復(fù)出原始數(shù)據(jù)。糾刪碼一般需要指定n和k兩個(gè)參數(shù)，用k份數(shù)據(jù)進(jìn)行編碼，產(chǎn)生n份數(shù)據(jù)。RS 編碼是最經(jīng)典的一種糾刪碼[1]，圖1 為一個(gè)典型的RS(5, 3)的云存儲(chǔ)系統(tǒng)(n=5,k=3)，其中有3 個(gè)數(shù)據(jù)節(jié)點(diǎn)和2 個(gè)校驗(yàn)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)中的數(shù)據(jù)都按照大小固定的塊存儲(chǔ)(塊大小一般為1～64 MB)，編碼后的數(shù)據(jù)塊與校驗(yàn)塊組成一個(gè)條帶(stripe)，大多數(shù)數(shù)據(jù)更新算法都是按照條帶順序一條一條進(jìn)行更新。圖1 展示了一個(gè)條帶信息，其中，di,j表示數(shù)據(jù)塊，pi,j表示校驗(yàn)塊，同一條帶中屬于同一節(jié)點(diǎn)的數(shù)據(jù)塊或校驗(yàn)塊稱為條塊(strip)[11]。

圖1 RS(5, 3)云存儲(chǔ)系統(tǒng)

1.2 數(shù)據(jù)更新

糾刪碼的數(shù)據(jù)更新主要有基于RS 的更新和基于XOR 的更新。

1)基于RS 的更新。基于RS 的更新主要利用范德蒙德矩陣或柯基矩陣生成校驗(yàn)數(shù)據(jù)[3]，圖2 為圖1 的編碼過程，其中，

圖2 RS (5, 3)編碼過程

編碼時(shí)，利用生成矩陣(generator matrix)左乘各個(gè)數(shù)據(jù)節(jié)點(diǎn)的數(shù)據(jù)向量 (d0,d1,d0)，生成碼字(d0,d1,d0,p0,p1)， 其中，p0和p1為校驗(yàn)塊，表示為：

當(dāng)數(shù)據(jù)i更新時(shí)，用替換di， 或在數(shù)據(jù)節(jié)點(diǎn)i中計(jì)算delta 值(⊕di)，然后將delta 值傳輸給pi所在的校驗(yàn)節(jié)點(diǎn)，最后計(jì)算出最新的校驗(yàn)數(shù)據(jù)。本文參考的CAU 算法就是基于RS 的數(shù)據(jù)更新。

2)基于XOR 的更新。從式(1)可以看出，基于RS 的更新會(huì)產(chǎn)生大量的乘法運(yùn)算(αj,idi)，消耗CPU 資源。因此，可以利用有限域(galois field)將所有的乘法和加法運(yùn)算轉(zhuǎn)化為XOR 運(yùn)算[12-13]。

如圖3 所示，利用 G F(23)的矩陣表示法可以將柯基矩陣轉(zhuǎn)換為位矩陣(binary distribution matrix,BDM)， GF(23)表示所有數(shù)據(jù)均用3 位2 進(jìn)制數(shù)表示，數(shù)據(jù)范圍為0～7。

圖3 基于XOR 的編碼

圖中，深色表示1，白色表示0，這樣，所有的校驗(yàn)數(shù)據(jù)都可僅用XOR 公式表示：

基于XOR 的數(shù)據(jù)更新方法僅依賴簡(jiǎn)單的XOR 運(yùn)算，CPU 可以直接執(zhí)行XOR 操作，相比于乘法運(yùn)算，XOR 運(yùn)算效率更高，因此，數(shù)據(jù)更新效率也更高。同時(shí)，根據(jù)文獻(xiàn)[3]研究表明，基于異或的編碼方式更適合采用現(xiàn)代CPU 的SIMD技術(shù)執(zhí)行并行加速計(jì)算。如采用AVX2 指令，可同時(shí)進(jìn)行256 位異或運(yùn)算。本文在一臺(tái)配有4 核2.2 GHz Intel CPU、16 GB DDR3 內(nèi) 存、1 TB SSD 存儲(chǔ)的Mac 操作系統(tǒng)環(huán)境中進(jìn)行測(cè)試，發(fā)現(xiàn)采用AVX2 指令、基于XOR 進(jìn)行數(shù)據(jù)更新，更新1 MB 的數(shù)據(jù)僅需20 ms，而采用基于RS 的數(shù)據(jù)更新，需要300 ms。因此，與CAU 不同，本文選擇基于XOR 進(jìn)行數(shù)據(jù)更新。

2 基于XOR 的TAR-CAU 算法

CAU 算法的核心思想可以用圖4 表示，如前所述，CAU 按照節(jié)點(diǎn)所在的機(jī)架進(jìn)行分組，其中，Ri和Rj分別表示數(shù)據(jù)節(jié)點(diǎn)機(jī)架和校驗(yàn)節(jié)點(diǎn)機(jī)架，CAU 并不是實(shí)時(shí)處理每一個(gè)更新請(qǐng)求，而是設(shè)置了一個(gè)批處理閾值(如100)，當(dāng)請(qǐng)求數(shù)量超過該閾值時(shí)，分條帶批量處理更新請(qǐng)求。當(dāng)同一條帶中，Ri的數(shù)據(jù)更新量小于Rj的校驗(yàn)數(shù)據(jù)更新量時(shí)，采用data update 方法，即分別將數(shù)據(jù)節(jié)點(diǎn)的delta值發(fā)送給某一校驗(yàn)轉(zhuǎn)發(fā)節(jié)點(diǎn)，再由校驗(yàn)轉(zhuǎn)發(fā)節(jié)點(diǎn)通過式(1)計(jì)算校驗(yàn)更新并傳輸給相關(guān)的校驗(yàn)節(jié)點(diǎn)，如圖4a 所示；相反，當(dāng)Ri的數(shù)據(jù)更新量大于Rj的校驗(yàn)數(shù)據(jù)更新量時(shí)，采用parity update 方法，即匯總所有的delta 值到數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)，再由數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)利用式(1)計(jì)算校驗(yàn)更新并傳輸給相關(guān)的校驗(yàn)節(jié)點(diǎn)，如圖4b 所示。

圖4 CAU 的2 種更新方法

相比于傳統(tǒng)的星型數(shù)據(jù)更新方式(各個(gè)數(shù)據(jù)節(jié)點(diǎn)各自將數(shù)據(jù)傳輸給相關(guān)的校驗(yàn)節(jié)點(diǎn))，CAU 利用匯聚節(jié)點(diǎn)的轉(zhuǎn)發(fā)，確實(shí)可以減少網(wǎng)絡(luò)開銷，尤其是跨機(jī)架的網(wǎng)絡(luò)開銷。然而，數(shù)據(jù)更新性能可以進(jìn)一步優(yōu)化。

1) 采用打包更新。因?yàn)榇蟛糠值臄?shù)據(jù)更新量小(不超過4 KB)，而一般設(shè)置的塊大小為1～64 MB。因此，在同一個(gè)機(jī)架中，如果同一節(jié)點(diǎn)有多個(gè)數(shù)據(jù)塊進(jìn)行了更新，可以采用tar 打包模型進(jìn)行校驗(yàn)數(shù)據(jù)更新。

2) 基于XOR 進(jìn)行更新。如前文所述，基于RS 計(jì)算更新會(huì)產(chǎn)生大量的乘法運(yùn)算，對(duì)于CPU 資源開銷較大，鑒于此，本文采用基于XOR 的更新方法，在計(jì)算校驗(yàn)更新時(shí)，采用式(2)～式(7)，將有限域乘法與加法運(yùn)算都轉(zhuǎn)化為XOR 運(yùn)算。

如圖5 所示，在同一數(shù)據(jù)節(jié)點(diǎn)中，可能有多個(gè)數(shù)據(jù)塊被修改(比如 Node 0的0 號(hào)、6 號(hào)數(shù)據(jù)塊)，考慮到修改的數(shù)據(jù)量較小，本文采用tar 打包的方式，如圖6 所示，將同一個(gè)節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行打包，增加一個(gè)頭數(shù)據(jù)(用H 表示)，頭數(shù)據(jù)中記錄該塊所在的條帶編號(hào)、塊內(nèi)起始位置、修改數(shù)據(jù)大小等信息。

圖5 數(shù)據(jù)更新示例(CAU 模型)

圖6 TAR-CAU 模型

如此，同一個(gè)塊的大小可以容納至少200 個(gè)小更新(假設(shè)塊大小為1 MB)，從而可在處理一個(gè)條帶時(shí)，同時(shí)處理多個(gè)更新數(shù)據(jù)，然后按照CAU的傳輸模型進(jìn)行數(shù)據(jù)更新。

同時(shí)本文發(fā)現(xiàn)在進(jìn)行批處理更新時(shí)，同一個(gè)數(shù)據(jù)塊(如 Node 0的0 號(hào)數(shù)據(jù)塊)可能會(huì)被多次修改，但是每一次修改的位置和大小不一定相同。這就需要在進(jìn)行tar 壓縮時(shí)，對(duì)同一個(gè)數(shù)據(jù)塊的多次訪問進(jìn)行記錄和合并。如圖7 所示，假設(shè)數(shù)據(jù)塊大小為1 MB，在進(jìn)行批處理更新時(shí)，發(fā)現(xiàn)0 號(hào)塊有多次修改記錄，于是，本文將多次修改的數(shù)據(jù)進(jìn)行合并(XOR)，同時(shí)找出其中的最小和最大范圍(rangeL 和rangeR)，并將這2 個(gè)值轉(zhuǎn)化為塊內(nèi)起始位置和修改數(shù)據(jù)大小，記錄到H。

圖7 TAR-CAU 對(duì)同一塊多次訪問的合并處理

從圖7 可以看出，TAR-CAU 算法的優(yōu)化空間是blockSize-(rangeR-rangeL)，優(yōu)化代價(jià)是進(jìn)行了打包與解包處理，增加了CPU 開銷。因此，TARCAU 算法性能對(duì)于數(shù)據(jù)訪問有一定的依賴性，優(yōu)化效果與具體的數(shù)據(jù)訪問記錄有關(guān)。

3 實(shí)驗(yàn)

3.1 仿真實(shí)驗(yàn)

本文通過微軟劍橋研究院提供的真實(shí)數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，數(shù)據(jù)集記錄了來自微軟13 個(gè)服務(wù)器，179 塊磁盤中36 個(gè)分區(qū)一周內(nèi)的訪問日志，每條記錄包含訪問時(shí)間、請(qǐng)求地址、訪問數(shù)據(jù)大小等信息，本文隨機(jī)選擇了3 個(gè)數(shù)據(jù)集進(jìn)行仿真測(cè)試，仿真實(shí)驗(yàn)平臺(tái)采用Go 語言環(huán)境搭建，通過改變塊大小、節(jié)點(diǎn)數(shù)量等參數(shù)，以平均更新時(shí)間、吞吐量為指標(biāo)點(diǎn)，與CAU 算法、基本更新算法(簡(jiǎn)稱Base)進(jìn)行了比較。仿真環(huán)境如表1 所示。

表1 仿真環(huán)境

1) 平均更新時(shí)間

如圖8 所示，本文比較了3 個(gè)數(shù)據(jù)集的平均單塊更新時(shí)間，發(fā)現(xiàn)TAR-CAU 算法更新效率最高，平均更新時(shí)間為0.009 4 s，時(shí)間效率比BASE 提高54%，比CAU 提高30%。

圖8 平均更新時(shí)間(不同數(shù)據(jù)集)

2) 吞吐量

如圖9a 中，盡管本文提出的算法TAR-CAU需要在進(jìn)行網(wǎng)絡(luò)傳輸之前進(jìn)行打包處理，增加了CPU 開銷，但是由于降低了網(wǎng)絡(luò)傳輸?shù)念l率，因此，更新效率大大提高，在3 種數(shù)據(jù)集中表現(xiàn)最佳，吞吐量比BASE 提高了119%，比CAU 提高了43%。

圖9 吞吐量

如圖9b 中，本文比較了常見的RS(n,k)配置：RS(4, 2)、RS(9, 6)、RS(16, 12)，機(jī) 架 容 量(rack size)分別設(shè)置為2、3、4。仿真結(jié)果表明，TAR-CAU 的吞吐量比CAU 提高了44%。

如圖9c 中，通過改變塊大小(block size)的實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，TAR-CAU 的吞吐量提高了60%。

3.2 本地集群實(shí)驗(yàn)

本文采用Go 語言在Ubuntu 18.04 平臺(tái)實(shí)現(xiàn)了基于TAR-CAU 算法的原型系統(tǒng)，并在本地局域網(wǎng)搭建集群進(jìn)行測(cè)試，以了解在較為真實(shí)的環(huán)境中TAR-CAU 算法的性能。局域網(wǎng)內(nèi)部署了3 臺(tái)服務(wù)器(2 臺(tái)華為H12M-03，1 臺(tái)華為H22M-03)，利用pve 虛擬管理平臺(tái)[14]搭建了虛擬機(jī)集群環(huán)境，共有13 臺(tái)虛擬機(jī)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖10 所示，主要由3 個(gè)部分組成：中央控制器(central controller)、算法調(diào)度器(scheduler)以及節(jié)點(diǎn)代理(agent)。其中，中央控制器位于元數(shù)據(jù)服務(wù)器(metadata server,ms)中，負(fù)責(zé)整個(gè)流程控制，包括發(fā)送命令給節(jié)點(diǎn)代理、收集代理返回的響應(yīng)ACK、統(tǒng)計(jì)時(shí)間和跨域流量等；而算法調(diào)度器是整個(gè)系統(tǒng)的大腦，負(fù)責(zé)根據(jù)指定的算法指揮中央控制器進(jìn)行調(diào)度，算法調(diào)度器也位于元數(shù)據(jù)服務(wù)器中；節(jié)點(diǎn)代理負(fù)責(zé)接受中央控制器的命令，執(zhí)行相關(guān)任務(wù)，并返回給上級(jí)ACK。

每臺(tái)虛擬機(jī)的配置如表2 所示。

為了模擬真實(shí)的網(wǎng)絡(luò)環(huán)境，本文采用Linux tc工具[15]進(jìn)行網(wǎng)絡(luò)帶寬限制，設(shè)置機(jī)架內(nèi)部帶寬1 Gbps，機(jī)架外部200 Mbps，該設(shè)置可以根據(jù)具體的應(yīng)用場(chǎng)景自行配置。與仿真實(shí)驗(yàn)一致，本文采用hm_0、hm_1、rsrch_1 這3 個(gè)數(shù)據(jù)集進(jìn)行測(cè)試。

1) 平均更新時(shí)間

如圖11 所示，設(shè)置塊大小為4 MB，實(shí)驗(yàn)結(jié)果與仿真結(jié)果大體相同，TAR-CAU 算法表現(xiàn)最佳，平均單塊更新時(shí)間為0.454 4 s，相比Base 節(jié)省約78%的時(shí)間開銷，相比CAU 節(jié)省近70%的時(shí)間開銷。

2)吞吐量

如圖12a 所示，設(shè)置塊大小為4 MB，通過3 種數(shù)據(jù)集對(duì)比，在吞吐量方面，本文提出的TAR-CAU 算法大大優(yōu)于Base 和CAU，平均吞吐量比Base 高出9 倍，比CAU 也高出206%，這樣的表現(xiàn)也是出乎意料。當(dāng)然，值得注意的是，如前所述，TAR-CAU 的算法性能依賴于用戶訪問數(shù)據(jù)的位置，如果rangeL 和rangeR 過于靠近邊界(0 和blockSize)，TAR-CAU 的算法表現(xiàn)甚至?xí)匀跤贑AU。

圖12b 展示了不同塊大小對(duì)各個(gè)算法的影響，當(dāng)塊大小較小時(shí)(如1 M)，CAU 算法略優(yōu)于TARCAU，原因可能是rangeL 和rangeR 過于靠近邊界，導(dǎo)致打包產(chǎn)生的收益不如打包帶來的額外開銷。而隨著塊大小的逐漸增大，TAR-CAU 算法的優(yōu)勢(shì)愈發(fā)明顯，尤其是在塊大小達(dá)到16 M 以上時(shí)，頻繁IO 的開銷逐漸成為了性能的主導(dǎo)因素，所以，僅傳輸delta 值的TAR-CAU 算法表現(xiàn)更佳。

由于引入了打包和解包過程，因此，TARCAU 算法相比于CAU 算法會(huì)產(chǎn)生額外的CPU 開銷，如圖13 所示，設(shè)置數(shù)據(jù)塊大小分別為1、4、16、64 MB，同時(shí)隨機(jī)產(chǎn)生100 個(gè)數(shù)據(jù)塊更新，每個(gè)數(shù)據(jù)更新的大小都不超過數(shù)據(jù)塊大小的1 /100，本文在一臺(tái)虛擬機(jī)中測(cè)試打包與解包性能發(fā)現(xiàn)，打包與解包時(shí)間均不超過300 ms。因此，對(duì)于整體的數(shù)據(jù)更新性能影響可以忽略不計(jì)。

4 結(jié) 束 語

為解決云存儲(chǔ)中數(shù)據(jù)更新的網(wǎng)絡(luò)瓶頸，本文針對(duì)數(shù)據(jù)更新的網(wǎng)絡(luò)傳輸進(jìn)行了優(yōu)化，基于CAU 算法，提出了TAR-CAU，并針對(duì)數(shù)據(jù)更新量普遍較小的現(xiàn)象進(jìn)行優(yōu)化，將同一節(jié)點(diǎn)的多條帶更新數(shù)據(jù)打包到同一條帶進(jìn)行處理。仿真實(shí)驗(yàn)和本地集群實(shí)驗(yàn)均表明，相比于CAU 算法，當(dāng)數(shù)據(jù)更新量較小時(shí)，本文的TAR-CAU 算法能夠至少提高44%的數(shù)據(jù)更新吞吐量。