CN103763363B - 一种云存储系统及基于该系统的文件副本部署方法 - Google Patents

Abstract

本发明公开了一种云存储系统及基于该系统的文件副本部署方法，用于提高云存储中数据的可靠性和可用性，属于分布式计算和云存储技术领域。本发明针对分散式云计算模型的入口服务器节点，根据各服务器节点到入口节点的最小通信代价，以及根据自身的负载波动率所得到的最优路径的带宽流畅度，对整个云计算模型进行分群；然后根据副本的读写比率，对副本进行合理的放置。本发明从整体上降低了网络的通信代价，同时提高了副本可用性。本发明技术方案无论在存储空间利用率上还是在通信代价上相比于传统的副本放置方案有更大的优势。

Description

一种云存储系统及基于该系统的文件副本部署方法

技术领域

本发明涉及一种云存储系统及基于该系统的文件副本部署方法，用于提高云存储中数据的可靠性和可用性，属于分布式计算和云存储技术领域。

背景技术

随着计算机技术和网络技术的发展，Internet的规模不断的扩大，网络带宽也在不断的提高。Internet的快速发展，各种各样的信息被网罗其中，形成了一个巨大广阔的信息空间，海量的数据存放在这个空间中。

传统的集中式存储系统把数据存放在一个单一的设备上，所有对数据的访问和请求都要通过该设备。这种做法造成该设备的负载较大，成为系统的瓶颈，不能满足大规模存储对可靠性和安全性的需要。如何去存储这些数据，让用户能够快速高效的找到和获取自己所需要的资源，是互联网发展必须要解决的问题之一。

在此背景下，云存储作为一种全新的解决方案被提出。云存储系统通过集群应用，网格技术或分布式文件系统等技术，将网络中大量不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能。不但提高了系统的可靠性、可用性和存取效率，还易于扩展。

在云存储系统中,数据副本是其重要的组成部分。如何构建一个较好的副本存储模型,如何管理这些数据副本资源是云存储系统数据副本管理的重要任务。将数据副本部署到合适的服务器节点,能够有效提高数据的访问速度、降低网络带宽消耗和均衡系统负载，同时可以保持数据较高的可用率。

云存储中的副本管理技术根据系统的需求并通过监控系统的参数指标对副本资源进行动态规划、调整,是影响云计算系统性能的核心要素之一。当前云存储特别是基于HDFS架构的云存储系统在该方面仍然存在着一些不足。首先基于HDFS架构的云存储系统在选择副本放置时是随机选择的，这样没有考虑用户访问的通信代价。其次，一些常规的放置策略只是在现有模型中对副本实行代价最优放置，但是在当今海量数据面前，针对热门数据，最优路径显然不够用，大量请求不是走最优路径，必须把带宽流畅度加入副本部署的考虑因素中，因此研究一种新型云存储副本管理模型及部署方案具有重要意义。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种云存储系统及基于该系统的文件副本部署方法，可以有效的提高文件副本的可用率。

本发明的云存储系统，包括服务器集群，所述服务器集群包括m个外围节点和n个内部节点，n、m均为大于1的整数；外围节点作为入口节点，不存储文件副本，所有文件副本只存储于内部节点；每个内部节点均维护有以下三类信息：该内部节点到各外围节点的最小通信代价路径、该内部节点到各外围节点的最小通信代价、该内部节点的相邻节点信息；所述服务器集群被按照以下方法分为m个群：

首先将m个外围节点一一对应地划分给这m个群；然后将第i个内部节点RN_i归入

$\max (\frac{W(i,1)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_1}},\frac{W(i,2)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_2}},...,\frac{W(i,j)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}},...,\frac{W(i,m)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_m}})$ 所对应的外围节点所在的群，i=1,2,…,n，j=1,2,…,m；

其中，W(i,j)为内部节点RN_i到第j个外围节点LN_j的权重，其表达式如下：

$W(i,j)=\frac{1}{d_{{\mathrm{RN}}_i,{\mathrm{LN}}_j}}\×\frac{\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\∈{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\}}{\mathrm{\Π}}\frac{1}{\mathrm{Num}\left(S_{{\mathrm{RN}}_t}\right)}}{\underset{z=1}{\overset{m}{\mathrm{\Σ}}}\left(\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\∈{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_Z}\}}{\mathrm{\Π}}\frac{1}{\mathrm{Num}\left(S_{{\mathrm{RN}}_t}\right)}\right)}$

式中，表示内部节点RN_i到外围节点LN_j的最小通信代价，表示表示内部节点RN_i到外围节点LN_j的最小通信代价路径，表示内部节点RN_i的相邻节点集合中的元素个数；

为内部节点RN_i到外围节点LN_j的带宽流畅度，其表达式如下：

$V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}=\frac{{({\mathrm{\Δ}}_{{\mathrm{LN}}_j}-E)}^2+\underset{{\mathrm{RN}}_t\∈{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}}{\mathrm{\Σ}}{({\mathrm{\Δ}}_{{\mathrm{RN}}_t}-E)}^2}{\mathrm{Num}\left({\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\right)}$

式中， $E=\frac{{\mathrm{\Δ}}_{{\mathrm{LN}}_j}+\underset{{\mathrm{RN}}_t\∈{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}}{\mathrm{\Σ}}{\mathrm{\Δ}}_{{\mathrm{RN}}_t}}{\mathrm{Num}\left({\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\right)},$ 表示内部节点RN_i到外围节点LN_j的最小通信代价路径中元素的个数，和分别为内部节点RN_t、外围节点LN_j的负载波动率；

定义任意一个群G_j的相邻群为k为大于1小于m的整数，且k≠j， ${\mathrm{RN}}^{\stackrel{\‾}{G_j}}=\left\{{\mathrm{RN}}_i\right|{\mathrm{RN}}_i\∈\underset{t=1}{\overset{\mathrm{Num}\left(G_j\right)-1}{\∪}}{S}_{R{N}_t},{\mathrm{RN}}_i\∉G_j\},$ Num(G_j)表示群G_j中节点的个数，表示内部节点RN_t的相邻节点集合。

一种基于上述云存储系统的文件副本部署方法，对于需要增加新的副本的文件F，首先计算文件F在一段时间内被读访问次数与被写访问次数的比值RWT_F，并判断RWT_F是否大于一预设的阈值，如是，则首先确定文件F的主副本Fp所在的内部节点RN^Fp所属群G^Fp的相邻群集合并比较内部节点RN^Fp到中各群的外围节点的最小通信代价，选出各最小通信代价中最小的外围节点所在的群然后从群中选出到群G^Fp中的外围节点的各最小通信代价中最小的内部节点，并将文件F新的副本部署于该内部节点；如否，则在文件F的主副本Fp所在的内部节点RN^Fp所属群G^Fp中找出所有与内部节点RN^Fp相邻的内部节点，并从中找出到群G^Fp中的外围节点的各最小通信代价中最小的内部节点，将文件F新的副本部署于该内部节点。

相比现有技术，本发明具有以下有益效果：

本发明针对云存储中的文件副本放置，提出了一种基于入口节点的分群思想，在分群的时候考虑到选取的最优路径以及最优路径上的带宽流畅度，来判断当前节点的归属；在副本放置时，考虑到当前文件的读写比，根据读写的情况来均衡负载与一致性维护的代价，进而从整体上降低了网络的通信代价，从而更好的提高了副本可用性。本发明技术方案无论在存储空间利用率上还是在通信代价上相比于传统的副本放置方案有更大的优势。

附图说明

图1为云存储系统的结构示意图；

图2为本发明的文件副本部署方法的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

传统的拥有超级节点服务器的p2p网络虽然易于管理、易于发现网络节点、搜索速度较快。但是，存在单点失效问题，一旦中央服务器出现故障，整个网络将陷于瘫痪。没有超级节点的分散式云计算网络则没有单点失效问题，任何一个节点退出网络或出现故障，都不会造成显著影响。然而现有的云存储的文件副本放置方法一味的考虑到成本代价最小化，忽略了云计算环境下请求数量剧增，而最优路径带宽往往不够用，针对热点副本，绝大部分请求可能不走最优路径，如何兼顾通信代价与带宽流畅度从而从整体上提高云存储模型的性能是我们必须要考虑的问题。

针对以上问题，本发明提出了一种新的云存储系统模型以及基于该模型的文件副本部署方法，其原理是：针对分散式云计算模型的入口服务器节点，根据各内部服务器节点到入口节点的最小通信代价，以及根据自身的负载波动率所得到的最优路径的带宽流畅度，对整个云计算模型进行分群；然后根据副本的读写比率，对副本进行合理的放置，这样可以保证系统性能保持较优的状态，且易于管理。

图1显示了典型云存储系统的结构，如图所示，云存储系统中包含服务器集群，而服务器集群中的服务器节点可分为外围节点和内部节点这两类，外围节点是只有一个相邻节点的节点，而内部节点则至少有两个相邻节点。在本发明的云存储系统中，用户请求均是以外围节点作为入口节点，外围节点本身不部署文件副本，各副本分布于各内部节点。每个内部节点均维护有以下三类信息：该内部节点到每个外围节点的最小通信代价路径、该内部节点到每个外围节点的最小通信代价、该内部节点的相邻节点信息。所有服务器节点按照外围节点的数目进行分群，每个群中只包括一个外围节点。具体的分群可按照以下方法：

步骤1、云存储系统的服务器集群可表示为U={RN₁,RN₂,…,RN_n,LN₁,LN₂,…,LN_m}，RN_i(0<i≤n)表示至少有2个相邻的节点的内部节点，LN_j(0<j≤m)表示该模型的外围节点，据此模型，用户请求均是从外围节点作为入口节点，各文件副本分布于各内部节点，两个相邻节点之间的通信代价为

步骤2、用两相邻节点之间的通信代价作为它们的“距离”，根据迪杰斯特拉算法计算出每个内部节点RN_i到每个外围节点LN_j的最小通信代价路径（“最短”路径）和最小通信代价（最小通信代价即为经由最小通信代价路径实现通信的代价），每个内部节点RN_i(0<i≤n)将维护3类信息，分别是它到每个外围节点LN_j的最小通信代价序列 $D_i=(d_{{\mathrm{RN}}_i,{\mathrm{LN}}_1},d_{{\mathrm{RN}}_i,{\mathrm{LN}}_2},...,d_{{\mathrm{RN}}_i,{\mathrm{LN}}_j}),$ 到每个外围节点LN_j的最小通信代价路径 ${\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}=\{{\mathrm{RN}}_i,{\mathrm{RN}}_{i1},{\mathrm{RN}}_{i2},...,{\mathrm{LN}}_j\}$ 以及它的相邻节点的集合 $S_{{\mathrm{RN}}_i}=\{{\mathrm{BN}}_{i1},{\mathrm{BN}}_{i2},...,{\mathrm{BN}}_{\mathrm{ik}}\}(1\&le;k\&le;n,{\mathrm{BN}}_{\mathrm{ik}}\&Element;U).$

步骤3、根据服务器集群U中的各节点的负载波动率Δ_u(u∈U)以及其所维护的到达外围节点的最小通信代价序列D_i、最小通信代价路径给服务器集群进行分群，针对每个内部节点RN_i(0<i≤n)，可以知道它到各个外围节点LN_j(0<j≤m)的最小通信代价路径上的各个节点的信息以及最小通信代价，由公式（1）可以得到节点RN_i(0<i≤n)到各个外围节点LN_j(0<j≤m)的权重W(i,j)：

$W(i,j)=\frac{1}{d_{{\mathrm{RN}}_i,{\mathrm{LN}}_j}}\&times;\frac{\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\}}{\mathrm{\&Pi;}}\frac{1}{\mathrm{Num}\left(S_{{\mathrm{RN}}_t}\right)}}{\underset{z=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_Z}\}}{\mathrm{\&Pi;}}\frac{1}{\mathrm{Num}\left(S_{{\mathrm{RN}}_t}\right)}\right)}(0<i\&le;n,0<j\&le;m)---\left(1\right)$

其中表示中的元素个数。

步骤4、系统检测每个内部节点RN_i(0<i≤n)在T₁时间点的负载为在T₂时间点的负载为根据公式（2）可以得到该节点在时间T₁到时间T₂内的负载波动率同理，可以得到外围节点在时间T₁到时间T₂内的负载波动率

${\mathrm{\&Delta;}}_u=\frac{L_u\left(T_1\right)-L_u\left(T_2\right)}{T_1-T_2}---\left(2\right)$

步骤5、由每个服务器节点的负载波动率根据公式（3）可以求得每个节点RN_i(0<i≤n)到外围节点的最小通信代价路径上各节点的平均负载波动率E，然后根据公式（4）可以得到内部节点RN_i(0<i≤n)到各外围节点LN_j(0<j≤m)的最小通信代价路径的负载波动方差用来表示内部节点RN_i到外围节点LN_j的带宽流畅度。

$E=\frac{{\mathrm{\&Delta;}}_{{\mathrm{LN}}_j}+\underset{{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}}{\mathrm{\&Sigma;}}{\mathrm{\&Delta;}}_{{\mathrm{RN}}_t}}{\mathrm{Num}\left({\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\right)}---\left(3\right)$

$V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}=\frac{{({\mathrm{\&Delta;}}_{{\mathrm{LN}}_j}-E)}^2+\underset{{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}}{\mathrm{\&Sigma;}}{({\mathrm{\&Delta;}}_{{\mathrm{RN}}_t}-E)}^2}{\mathrm{Num}\left({\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\right)}---\left(4\right)$

其中表示集合中元素的个数。

步骤6、根据每个内部节点RN_i(0<i≤n)到外围节点的最小通信代价路径的负载波动情况和权重W(i,j)对整个服务器节点进行分群，每个群存在1个外围节点。可以得到针对RN_i(0<i≤n)的序列 $(\frac{W(i,1)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_1}},\frac{W(i,2)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_2}},...,\frac{W(i,m)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_m}})(0<i\&le;n),$ 将其降序排列，然后将RN_i(0<i≤n)归并入 $\max (\frac{W(i,1)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_1}},\frac{W(i,2)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_2}},...,\frac{W(i,m)}{V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_m}})(0<i\&le;n)$ 所对应的外围节点所在的群中，最后可以得到如下的分群情况。

$G_j=\left\{\begin{array}{c}{G}_1=\{{\mathrm{LN}}_1,{\mathrm{RN}}_{11},{\mathrm{RN}}_{12},...,{\mathrm{RN}}_{1j_1}\},\\ G_2=\{{\mathrm{LN}}_2,{\mathrm{RN}}_{21},{\mathrm{RN}}_{22},...,{\mathrm{RN}}_{2j_2}\}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ G_m=\{{\mathrm{LN}}_m,{\mathrm{RN}}_{m1},R_{m2},...,{\mathrm{RN}}_{m{j}_m}\}\end{array}\right\}(0<j\&le;m)$

根据每个内部节点RN_i维护的相邻节点信息可以得到群G_j的相邻群外节点 ${\mathrm{RN}}^{\stackrel{\&OverBar;}{G_j}}=\left\{{\mathrm{RN}}_i\right|{\mathrm{RN}}_i\&Element;\underset{t=1}{\overset{\mathrm{Num}\left(G_j\right)-1}{\&cup;}}{S}_{R{N}_t},{\mathrm{RN}}_i\&NotElement;G_j\},$ 其中Num(G_j)表示G_j集合中元素的个数，由可以得到群G_j的相邻群 $\left\{G_k\right|{\mathrm{RN}}^{\stackrel{\&OverBar;}{G_j}}\&Element;G_k\}(0<k<m,k\&NotEqual;j).$

至此即完成了本发明云存储系统的构建，上述分群过程可动态进行，从而可根据系统中节点负载波动的变化适时调整节点的分群情况。

步骤7、云存储系统中所存储的每个文件F存在一个主副本Fp，Fp不能移动和删除且不置于外围节点中，当文件F的可用率低于系统设定值时表示需要增加Fp的副本，根据文件F在时间t内的读写请求数可以得到其读写比率RWT_F，由系统可知当前主副本Fp存在于服务器节点RN^Fp中。根据读写比率RWT_F与一个预设阈值的比较结果确定新增文件副本的部署位置，具体如下：

如果读写比率RWT_F超过1，表示当前文件的读请求次数大于写请求次数。由上述分群模型可以得到当前内部节点RN^Fp存在群G^Fp中，G^Fp的相邻群为 $G^{\stackrel{\&OverBar;}{\mathrm{Fp}}}=\left\{G_k\right|{\mathrm{RN}}^{\stackrel{\&OverBar;}{G^{\mathrm{Fp}}}}\&Element;G_k\}(0<k<m,k\&NotEqual;j),$ 当前主副本位于内部节点RN^Fp中，由内部节点维护的最小通信代价序列可以得到RN^Fp到相邻群的各外围节点的最小通信代价集合为 $D_{{\mathrm{RN}}^{\mathrm{Fp}}}^{G^{\stackrel{\&OverBar;}{\mathrm{Fp}}}}=\left\{d_{{\mathrm{RN}}^{\mathrm{Fp}},{\mathrm{LN}}_j}\right|{\mathrm{LN}}_j\&Element;G^{\stackrel{\&OverBar;}{\mathrm{Fp}}}\},$ 将集合中的元素进行升序排列，从中选出各最小通信代价中最小的群从选出的群中的内部节点集合中选出到Fp所在的群G^Fp的外围节点的各最小通信代价中最小的节点，即代价为 $\min \left\{d_{{\mathrm{RN}}_i,{\mathrm{LN}}^{G^{\mathrm{Fp}}}}\right|{\mathrm{RN}}_i\&Element;\min \left(G^{\stackrel{\&OverBar;}{\mathrm{Fp}}}\right)\}$ 的节点，将副本置于其中。

如果读写比率RWT_F不超过1，表示当前文件的读请求次数不大于写请求次数。根据Fp所在内部节点RN^Fp维护的相邻节点信息可以得到RN^Fp的相邻节点集合为在位于本群的相邻节点中找出到外围节点的各最小通信代价中最小的节点，即代价为 $\min \left\{d_{{\mathrm{RN}}_i,{\mathrm{LN}}^{G^{\mathrm{Fp}}}}\right|{\mathrm{RN}}_i\&Element;S_{R{N}^{\mathrm{Fp}}},{\mathrm{RN}}_i\&Element;G^{\mathrm{Fp}}\}$ 的节点，将副本置于其中。

上述整个文件副本部署的流程如图2所示。

本发明一方面可以有效的从整体性能上对副本进行管理，另一方面，针对海量请求的可能的不同路径组合，考虑到通信代价的最优以及当前服务器的负载波动率，可以动态的将副本部署在适合的群中，当副本读多写少时，尽量将其部署于不同的群来均衡流量，当副本读少写多时，尽量将其和主副本部署于同一个群中，来减少一致性更新的代价。

这种分群式存储模型，很大程度上降低了网络带宽的要求，而且能够保持较高的可用性。此外最重要的是这种存储模式，可以保障在副本节点同时出现故障的情况下，仍能较快地实现数据的恢复，保障了数据的可用性。

Claims (3)

1.一种云存储系统，包括服务器集群，所述服务器集群包括m个外围节点和n个内部节点，n、m均为大于1的整数；其特征在于，外围节点作为入口节点，不存储文件副本，所有文件副本只存储于内部节点；每个内部节点均维护有以下三类信息：该内部节点到各外围节点的最小通信代价路径、该内部节点到各外围节点的最小通信代价、该内部节点的相邻节点信息；所述服务器集群被按照以下方法分为m个群：

首先将m个外围节点一一对应地划分给这m个群；然后将第i个内部节点RN_i归入所对应的外围节点所在的群，i＝1,2,…,n，j＝1,2,…,m；

其中，W(i,j)为内部节点RN_i到第j个外围节点LN_j的权重，其表达式如下：

$W(i,j)=\frac{1}{d_{{\mathrm{RN}}_i,{\mathrm{LN}}_j}}\&times;\frac{\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\}}{\&Pi;}\frac{1}{Num\left(S_{{\mathrm{RN}}_t}\right)}}{\underset{z=1}{\overset{m}{\&Sigma;}}\left(\underset{\left\{{\mathrm{RN}}_t\right|{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_z}\}}{\&Pi;}\frac{1}{Num\left(S_{{\mathrm{RN}}_t}\right)}\right)}$

式中，表示内部节点RN_i到外围节点LN_j的最小通信代价，表示表示内部节点RN_i到外围节点LN_j的最小通信代价路径，表示内部节点RN_i的相邻节点集合中的元素个数；

为内部节点RN_i到外围节点LN_j的带宽流畅度，其表达式如下：

$V_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}=\frac{{({\mathrm{\&Delta;}}_{{\mathrm{LN}}_j}-E)}^2+\underset{{\mathrm{RN}}_t\&Element;{\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}}{\&Sigma;}{({\mathrm{\&Delta;}}_{{\mathrm{RN}}_t}-E)}^2}{Num\left({\mathrm{Path}}_{{\mathrm{RN}}_i}^{{\mathrm{LN}}_j}\right)}$

式中， 表示内部节点RN_i到外围节点LN_j的最小通信代价路径中元素的个数，和分别为内部节点RN_t、外围节点LN_j的负载波动率；

定义任意一个群G_j的相邻群为k为大于1小于m的整数，且k≠j，Num(G_j)表示群G_j中节点的个数，表示内部节点RN_t的相邻节点集合；

对于需要增加新的副本的文件F，首先计算文件F在一段时间内被读访问次数与被写访问次数的比值RWT_F，并判断RWT_F是否大于一预设的阈值，

如是，则首先确定文件F的主副本Fp所在的内部节点RN^Fp所属群G^Fp的相邻群集合并比较内部节点RN^Fp到中各群的外围节点的最小通信代价，选出各最小通信代价中最小的外围节点所在的群然后从群中选出到群G^Fp中的外围节点的各最小通信代价中最小的内部节点，并将文件F新的副本部署于该内部节点；

如否，则在文件F的主副本Fp所在的内部节点RN^Fp所属群G^Fp中找出所有与内部节点RN^Fp相邻的内部节点，并从中找出到群G^Fp中的外围节点的各最小通信代价中最小的内部节点，将文件F新的副本部署于该内部节点。

2.如权利要求1所述云存储系统，其特征在于，所述内部节点RN_i到外围节点LN_j的最小通信代价路径及最小通信代价利用迪杰斯特拉算法得到。

3.如权利要求1所述云存储系统，其特征在于，所述阈值为1。