Deduplicated versioned backups for DNA.
Le système part du principe qu'on a une copie des données stockées en ADN sur un support de stockage classique : le repo.
+----------------------------------+
| +---------+ +---------+ | +-----------+
| | | | | | | |
| | Source |--------->| Repo |----------->| DNA-Drive |
| | | COMMIT | | | SYNTHESE | |
| +---------+ +---------+ | +-----------+
| |
| Ordinateur |
+----------------------------------+
La structure du repo est la suivante :
repo/
├── 00000/
│ ├── chunks/
│ │ ├── 000000000000000
│ │ ├── 000000000000001
│ │ ├── 000000000000002
│ │ └── 000000000000003
│ ├── files
│ ├── hashes
│ └── recipe
└── 00001/
├── chunks/
│ ├── 000000000000000
│ └── 000000000000001
├── files
├── hashes
└── recipe
Pour un repo d'une taille totale de 401 Mio :
/tmp/test-1/00000/recipe 5076011 (1.20%)
/tmp/test-1/00000/files 24664 (0.06%)
/tmp/test-1/00000/hashes 3923672 (0.93%)
/tmp/test-1/00000/chunks 412263137 (97.8%)
/tmp/test-1/00000 421287604 ( 100%)
- On considère que le repo est toujours présent lors d'une écriture (commit).
- Le repo peut être reconstruit à partir des données présentes dans le DNA-Drive.
- Les hashes ne sont pas écrits en ADN, car ils peuvent être reconstruits à partir des données des chunks.
- L'ensemble des données écrites en ADN sont compressées, pour le moment via ZLib.
- Les métadonnées sont stockées de manière incrémentale, chaque version stocke donc ses métadonnées sous la forme de delta par rapport à la version précédente.
On imagine le DNA-Drive comme un segment de pools :
+---+---+---+---+---+---------+---+---+---+
| 0 | 1 | 2 | 3 | 4 |--> <--| 93| 94| 95|
+---+---+---+---+---+---------+---+---+---+
|versions| chunks | | metadata |
(recipe+files)
- Chargement des métadonnées du repo afin de reconstruire en mémoire l'état
de la dernière version :
- Reconstruction de la recipe à partir des deltas de chaque version.
- Reconstruction du listage des fichiers à partir des deltas de chaque version (fichier files).
- Reconstruction en mémoire des maps de fingerprints et de sketches à partir des fichiers hashes de chaque version.
- Listage des fichiers de la source.
- Concaténation de l'ensemble des fichiers de la source en un disque virtuel continu.
- Lecture du stream de ce disque virtuel et découpage en chunk (de 8 Kio actuellement).
- Pour chaque chunk du stream :
- Calculer sa fingerprint (hash classique), si elle est présente dans la map : le stocker de manière dé-dupliquée (sous la forme d'identifiant faisant référence au chunk trouvé dans la map).
- Sinon, calculer son sketch (hash de ressemblance), s'il est présent dans la map, le stocker sous la forme de delta (calcul de sa différence par rapport au chunk trouvé dans la map).
- Sinon, le stocker sous la forme de nouveau bloc (ajout de sa fingerprint et de son sketch dans les maps et stockage du contenu complet dans un nouveau chunk).
- Calcul des différences entre la nouvelle version et la précédente pour les métadonnées (files et recipe) et stockage des deltas ainsi obtenus.
- Chargement des métadonnées du repo afin de reconstruire en mémoire l'état
de la dernière version :
- Reconstruction de la recipe à partir des deltas de chaque version.
- Reconstruction du listage des fichiers à partir des deltas de chaque version.
- À partir de la recipe, reconstruire le disque virtuel (sous la forme d'un stream).
- Découper ce stream en fonction du listage des fichiers (files) et réécrire les données dans les fichiers correspondants dans le répertoire destination.
Il est possible de reconstruire le repo en entier en lisant la totalité du DNA-Drive.
Il est possible de ne restaurer que la dernière version en lisant dans un premier temps le pool de versions et les quelques pools de métadonnées (environ 2% de la totalité des données écrites), puis en lisant tous les pools contenant des chunks référencés par la recipe de cette version.
Il pourrait être possible (pas pour le moment) de ne restaurer qu'un seul fichier d'une version en ayant moins de données à lire que pour restaurer la version complète.
Pour cela, il faudrait en plus stocker en ADN un mapping chunk décompressé → pool contenant ce chunk et ainsi n'avoir à lire que les pools contenant des chunks de ce fichier.
Le dossier exp contient les scripts permettant de reproduire les expériences.
Les scripts ne sont prévus pour fonctionner que sur Linux.
On utilise le dépôt Git du noyau Linux comme base de donnée de test. Il s'agit en effet d'une bonne simulation de modification de dossiers, car l'historique contient toutes les modifications qui ont été apportées petit à petit à l'ensemble des fichiers.
Pour évaluer les performances du système DNA-Backup, quatre autres systèmes de stockage versionnés ont été choisis comme base de comparaison :
- Git diffs
- Git objects
- Targz
- Taille réelle
Ce système utilise le delta généré par la commande git diff pour sauvegarder
une nouvelle version. Les données à stocker consistent donc en une somme de
deltas. Pour restaurer les données, il faut appliquer séquentiellement
l'ensemble des deltas jusqu'à obtenir l'état de la version voulue.
Ce système nous permet de simuler un système de fichier qui ne serait pas autorisé à modifier des données sur le support tout en gardant la possibilité de modifier les données. Il s'agit de la manière dont Git sauvegarde les données des fichiers d'un dépôt. Le contenu de chaque fichier et de chaque dossier est hashé afin d'en obtenir une signature. Il est ensuite compressé et stocké sous la forme d'object immuable, référencé par la signature obtenue. Si un fichier est modifié, il produira une signature différente et sera donc stocké sous la forme d'un nouvel object. Par contre, si deux fichiers ont un contenu strictement identique, ils produiront alors la même signature et seront donc automatiquement dé-dupliqués. Les dossiers sont également stockés en tant qu'objects, mais les fichiers qu'ils contiennent sont référencés non pas par leur nom, mais par leur signature. La modification d'un fichier entrainera donc l'ajout de nouveaux objects pour l'ensemble des dossiers de la branche contenant ce fichier. C'est de cette manière que Git est capable de créer un système de fichiers modifiable à partir d'objets immuables.
Une technique d'archivage assez classique à laquelle il peut être intéressant de nous comparer est de stocker chaque version en tant qu'une nouvelle archive Tar elle-même compressée à l'aide de Gzip. Cette technique produit des archives d'une taille très réduite, car la compression est appliquée à l'ensemble des fichiers d'un seul coup, contrairement à une compression fichier par fichier.
Elle a cependant l'inconvénient de ne pas faire de dé-duplication ni d'encodage delta, et ne tire donc pas du tout parti des données déjà écrites sur le support.
Cette base de comparaison n'est en réalité pas un système viable. Elle correspond à la taille que prend en réalité le dossier source au moment de la sauvegarde. C'est un indicateur qui permet de se rendre compte du poids que prendrait la sauvegarde de multiples versions sans aucune déduplication ou compression.
| Feature\Système | DNA-Backup | Git diffs | Git objects | Targz | Taille réelle |
|---|---|---|---|---|---|
| Déduplication | Niveau chunk | ❌ | Niveau fichier | ❌ | ❌ |
| Transversal aux versions | Transversal aux versions | ||||
| Encodage delta | Niveau chunk | Niveau version | ❌ | ❌ | ❌ |
| Transversal aux versions | Par rapport à la précédente | ||||
| Compression | Niveau chunk | Niveau version | Niveau fichier | Niveau version | ❌ |
| Restauration de la dernière version | Lecture des metadonnées puis des chunks de cette version (répartis dans différents pools) | Lecture de la totalité du DNA-Drive | Lecture récursive des différents objets composant la version (répartis dans différents pools) | Lecture de la zone correspondant à la dernière version | Lecture de la zone correspondant à la dernière version |
dna_4K: le système DNA-Backup avec des blocs de 4 Kio.dna_8K: le système DNA-Backup avec des blocs de 8 Kio.diffs: une somme de diffs Git minimales Gzippées.nopack: le dossier `objects de Git, contenant l'ensemble des données des fichiers et dossiers d'un dépôt.targz: une somme d'archives Tar Gzippées.real: le poids réel de chaque version et donc l'espace nécessaire à stocker l'ensemble des versions de manière non-dé-dupliquées.
Commits journaliers :
=============================== SUMMARY ===============================
4k_export 8k_export diffs nopack targz real
46,080,540 46,021,380 47,011,621 63,237,214 47,582,036 201,476,675
8,160 13,260 2,625 88,673 47,580,422 201,472,392
6,453,540 8,091,660 3,270,798 26,668,802 48,699,094 206,006,230
205,020 108,120 496 24,839 48,699,144 206,006,227
214,200 121,380 1,475 318,053 48,699,266 206,006,571
255,000 162,180 3,271,631 107,651 47,592,358 201,472,618
393,720 358,020 99,337 2,758,951 47,579,804 201,420,809
67,320 78,540 127,793 561,940 47,578,309 201,415,269
155,040 75,480 19,221 10,035 47,590,552 201,467,847
286,620 205,020 250,581 1,203,018 47,719,274 202,032,972
39,780 38,760 19,555 550,478 47,721,098 202,042,129
159,120 80,580 203 45,564 47,721,112 202,042,114
182,580 115,260 12,419 284,765 47,725,696 202,057,720
13,260 14,280 5,823 76,010 47,731,040 202,065,875
23,460 28,560 13,370 528,743 47,738,360 202,078,613
27,540 33,660 10,837 374,955 47,735,904 202,078,276
68,340 81,600 69,707 498,918 47,771,130 202,216,013
================================ TOTAL ================================
54,633,240 55,627,740 54,187,492 97,338,609 813,464,599 3,443,358,350
Commits hebdomadaires :
=============================== SUMMARY ===============================
4k_export 8k_export diffs nopack targz real
46,086,660 46,003,020 47,003,541 63,221,563 47,569,933 201,420,809
701,760 820,080 395,080 6,358,050 47,723,749 202,065,875
6,293,400 7,983,540 2,994,599 25,581,925 48,700,415 206,003,757
206,040 109,140 407 50,815 48,700,637 206,003,795
225,420 142,800 8,679 401,381 48,698,820 206,005,265
1,299,480 1,707,480 579,422 6,943,222 48,733,791 206,098,060
952,680 1,248,480 360,710 4,799,958 48,840,759 206,648,359
1,425,960 1,831,920 738,359 4,983,831 48,892,096 206,834,840
1,770,720 2,091,000 1,389,502 7,767,439 49,297,747 209,328,856
479,400 727,260 146,129 2,899,286 49,331,055 209,479,362
168,300 235,620 47,436 1,385,568 49,333,845 209,503,564
134,640 236,640 37,183 1,808,603 49,338,373 209,509,777
90,780 122,400 23,924 1,555,868 49,336,559 209,515,352
3,088,560 3,953,520 1,404,256 11,037,484 49,933,159 211,878,380
4,987,800 6,165,900 2,326,692 17,577,030 50,214,110 212,941,025
993,480 1,378,020 304,617 6,594,520 50,293,382 213,254,405
684,420 900,660 258,512 4,016,395 50,398,489 213,650,745
================================ TOTAL ================================
69,589,500 75,657,480 58,019,048 166,982,938 835,336,919 3,540,142,226
Commits mensuels :
=============================== SUMMARY ===============================
4k_export na_8k_export diffs nopack targz real
47,297,400 47,244,360 48,249,466 64,900,653 48,828,605 206,662,692
1,822,740 1,938,000 1,495,969 7,407,714 48,900,735 206,964,143
1,525,920 1,808,460 797,390 9,856,043 49,326,511 209,515,646
8,047,800 9,840,960 4,142,700 28,400,251 50,394,403 213,653,996
10,730,400 13,230,420 5,489,832 34,132,686 51,315,648 217,862,957
5,786,460 6,936,000 2,262,584 19,233,445 51,941,615 220,756,834
7,816,260 10,320,360 2,999,817 28,983,950 52,574,107 223,306,219
1,210,740 1,643,220 299,628 8,343,393 52,587,994 223,373,786
11,002,740 13,589,460 4,759,088 34,259,652 53,210,823 226,113,059
1,819,680 2,399,040 679,794 10,029,012 53,165,063 225,781,616
622,200 858,840 138,547 4,375,159 53,183,197 225,870,650
12,874,440 16,493,400 5,142,691 45,544,733 53,842,821 228,546,001
1,169,940 1,591,200 247,526 8,491,133 53,876,401 228,653,615
5,631,420 6,589,200 2,333,317 18,119,613 54,605,555 232,014,492
9,988,860 12,876,480 3,989,065 37,945,661 55,206,806 234,571,285
10,659,000 13,416,060 3,800,775 37,509,079 56,059,067 238,170,923
8,796,480 11,079,240 3,030,148 32,387,325 56,716,443 241,420,002
================================ TOTAL ================================
146,802,480 171,854,700 89,858,337 429,919,502 895,735,794 3,803,237,916
- Go >= 1.16
# Build
make build
# Test
make test
# Run
./dna-backup commit <source-dir> <repository>