CN111858574B - 一种面向数据去重技术的近似最优数据碎片块重写方法 - Google Patents
一种面向数据去重技术的近似最优数据碎片块重写方法 Download PDFInfo
- Publication number
- CN111858574B CN111858574B CN202010748768.2A CN202010748768A CN111858574B CN 111858574 B CN111858574 B CN 111858574B CN 202010748768 A CN202010748768 A CN 202010748768A CN 111858574 B CN111858574 B CN 111858574B
- Authority
- CN
- China
- Prior art keywords
- data
- containers
- container
- optimal
- data segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向数据去重技术的近似最优数据碎片块重写方法。数据时代的到来,数据总量呈现爆炸式的增长,信息世界的数据存储和管理需求已经达到PB甚至EB级。IDC研究发现,在数字世界中接近75%的数据都是冗余的,ESG指出在备份和归档系统中数据冗余度超过90%。数据去重技术能够有效地识别和消除重复数据,降低数据存储的成本。但是,删除重复数据会导致数据碎片化,数据碎片化严重损害了数据恢复性能。本发明能够准确识别出数据块中的碎片块,并通过重写碎片块缓解数据碎片化的程度;同时,本发明能够根据不同的工作负载自适应地切换重写策略(最优重写策略和激进重写策略),从而大大提高数据恢复性能,以及数据去重率。
Description
技术领域
本发明涉及数据存储和数据去重技术领域,具体涉及一种面向数据去重技术的近似最优数据碎片块重写方法。
背景技术
随着数据时代的到来,全世界的数据总量呈现爆炸式增长的趋势。IDC研究表明到2020年,全世界每年的数据增长量将从2009年的0.8ZB增长44倍到35ZB。随着移动设备和传感器等设备的增加更是使得数据的增长加剧,这些数据来源包括人类的基因、社交网络、金融分析、环境保护、能源勘探、电子游戏以及医疗卫生等越来越多的应用领域。这些数据不仅总量巨大,而且数据结构复杂多样,这给数据的存储和管理带来新的挑战,同时也使得数据管理的风险上升。如何有效的管理、组织和运维这些数据对一个企业甚至是个人都具有巨大的价值。数据去重技术作为一种新型的大规模冗余数据消除技术被广泛地应用于数据中心、存储系统和备份系统,该技术能够有效地降低存储成本。同时,数据去重技术也从二级存储向主存储延伸,不仅仅用于归档和备份系统,也用于虚拟机环境、内存管理和远程数据传输等场景下数据的管理。
然而,数据去重技术却引入了数据碎片化,数据碎片化严重地损害了数据去重系统的读性能,即数据恢复性能。缓解数据碎片化的主要手段为重写碎片块,但是当前重写碎片块的方法(简称为重写方法)却具有损失数据去重率较大,提升数据恢复性能较小的缺点。造成这一缺点的主要有两个原因:(1)当前重写方法只对一个数据段所引用的容器按照容器引用率进行排序,并片面武断地选出容器引用率“最低”的容器,这导致了它们所选出的容器并不是最优的,从而所重写的碎片块也不是最优的;(2)当前重写算法不能根据不同的工作负载,自适应地调整重写策略。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种面向数据去重技术的近似最优数据碎片块重写方法,提高数据去重的数据恢复性能和数据去重率。
本发明的目的可以通过采取如下技术方案达到:
一种面向数据去重技术的近似最优数据碎片块重写方法,将备份数据流划分为n个数据段,每个数据段引用若干个容器,每个容器存放1个以上的数据块,数据块分为碎片块和非碎片块,所述的重写方法包括以下步骤:
S1、分配并初始化一块内存空间,其过程如下:
S11、申请分配一块内存空间,将该内存空间划分为多个小内存空间,每个小内存空间被称为桶;
S12、按照前后顺序依次为每个桶设置一个绑定值,绑定值由低到高;
S2、初始化i=1,i=1,2,…,n,从前i个数据段所引用容器中选出最优的x个容器,并确定对于数据段i的最优阈值,过程如下:
S21、计算数据段i所引用容器的容器引用率,其中容器引用率表示一个容器被一个数据段引用的次数或频率;
S22、根据匹配规则将数据段i所引用的容器放到对应的桶中,其中,匹配规则定义如下:假设按前后顺序有两个桶A和B,当一个容器的容器引用率小于或者等于桶B的绑定值且大于桶A的绑定值时,则判定容器和桶B是匹配的;
S23、从绑定值最低的桶开始遍历,累加每个桶中存放容器的个数,直到累加的容器个数等于x时停止遍历,所遍历的容器即为最优的x个容器,此时指向的桶的绑定值即为对于数据段i的最优阈值,对于数据段i所引用的容器,若容器引用率小于或等于该最优阈值,则为最优容器,否则,为次优容器;
S3、在数据段i所引用的容器中选出部分容器,并重写这些容器中存放的碎片块,过程如下:
S31、若采用最优重写策略,选出数据段i所引用容器中的最优容器,并重写所选容器中存放的碎片块;
S32、若采用激进重写策略,选出数据段i所引用容器中的最优容器后,再选出y个次优容器,并重写所选容器中存放的碎片块,其中y小于或者等于数据段i所引用的次优容器的个数;
S33、返回步骤S21,处理数据段i+1,直到完成所有数据段的处理。
进一步地,根据策略切换阈值thres选择所采用的重新策略,其中thres表示容器的个数,默认情况下使用最优重写策略,当containersselect-containershandle>thres时,切换到激进重写策略,其中containersselect表示当前累计选择容器的个数,containershandle表示当前累计处理容器的个数,其中处理容器指的是重写容器中存放的碎片块。
进一步地,所述的内存空间为一个哈希桶数组,数组元素为哈希桶,即小内存空间。
进一步地,所述的哈希桶存放容器,是逻辑上的存放,即哈希桶只是用来记录匹配该哈希桶的累计容器个数,并不是真实的存放容器。
进一步地,x的取值规则如下:x=acml-cap*i,其中acml表示前i个数据段累计引用容器的个数,cap为一个预先设置的值,表示容器的个数。
进一步地,y的取值规则如下:y小于或者等于数据段i所引用的次优容器的个数;同时还需满足条件:y≤(sum-cap-z),其中sum表示该数据段i引用容器的个数,z表示数据段i所引用的最优容器的个数。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明通过对前i个数据段所引用的容器进行排序,选出在前i个数据段范围内最优(容器引用率最低)的x个容器,传统重写方法依次对一个数据段所引用的容器进行排序,导致选出的容器并不是最优的。
(2)本发明根据不同工作负载自适应调整重写策略的机制使得数据去重率和数据恢复性能达到了一个良好的平衡,最大化了重写碎片块所获得的效益。
(3)本发明提高了数据去重率,传统重写方法总是重写次优容器中的碎片块,损害了数据去重率,本发明尽可能地重写最优容器中的碎片块,提高了数据去重率。
(4)本发明提高了数据恢复性能,相比与传统重写方法,本发明总是重写最优的碎片块,节省了数据恢复的带宽,进而提高了数据恢复性能。
附图说明
图1是本发明中公开的面向数据去重技术的近似最优数据碎片块重写方法的整体架构与工作流程图;
图2是本发明中两种重写策略选择容器的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1、2所示,本发明公开的面向数据去重技术的近似最优数据碎片块重写方法,该方法通过一个哈希桶数组对前i个数据段引用的容器根据容器引用率进行排序,并遍历哈希桶数组选出这i个数据段范围内最优(容器引用率最低)的x个容器。传统重写方法依次对单个数据段(如数据段i)所引用的容器进行排序,并选出单个数据段范围内“最优”的xi个容器,当累计处理数据段的个数达到i时,满足x=x1+x2+…+xm。值得注意的是,传统重写方法所选出的容器并不是这i个数据段范围内容器引用率最低的x个容器,从而导致重写了过多的碎片块,不仅降低数据去重率,还限制了数据恢复性能的提升。
值得注意的是,x的取值规则如下:x=acml-cap*i,其中acml表示前i个数据段累计引用容器的个数,cap为一个预先设置的值,表示容器的个数。
T1、利用一个哈希桶数组选出前i个数据段范围内最优的x个容器,并确定对于数据段i的最优阈值,其过程如下:
T11、将备份数据流划分为n个数据段
T12、计算数据段i(图中为数据段1)所引用容器的容器引用率,容器引用率被量化为一个百分数,即数据段i引用一个容器的次数除以该容器存放数据块的数量;
T13、数组维护模块遍历这些容器,将这些容器根据匹配规则放到哈希桶数组中对应的哈希桶里,匹配规则定义如下:假设按前后顺序有两个桶A和B,当一个容器的容器引用率小于或者等于桶B的绑定值且大于桶A的绑定值时,则判定容器和桶B是匹配的;
T14、数组遍历模块通过从哈希桶绑定值最低的哈希桶开始,累加每个哈希桶中存放容器的个数,当累加容器的个数等于x时,停止遍历,所遍历的容器即为最优的x个容器,此时指向的哈希桶的绑定值为数据段i的最优阈值。
值得注意的是,对于数据段i所引用的容器,若容器引用率小于或者等于最优阈值,则为最优容器,否则,为次优容器;
本发明方法设计了最优重写和激进重写两种重写策略,并根据不同的工作负载自适应切换重写策略,从而在数据去重率和数据恢复性能间达到良好的平衡。传统重写方法不具备自适应切换重写策略的机制,或者切换的机制所达到的效果并不是最优的,从而导致重写太多的碎片块,而重写太多的碎片块占用了数据恢复的带宽,进而限制了数据恢复性能的提升。
T2、本发明方法根据策略切换阈值thres,自适应切换重写策略以达到近似最优重写效果的过程如下:
T21、策略决策模块判断当前累计处理容器的个数是否小于累计选择容器的个数,且它们差值是否大于thres,如差值大于thres,则采用激进重写策略,值得强调的是,默认情况下采用最优重写策略;
T22、倘若采用最优重写策略,遍历数据段i所引用的容器,选出数据段i中的最优容器,并重写这些容器存放的碎片块,不重写非碎片块;
T23、倘若采用激进重写策略,在选出数据段i中的最优容器后,还需要选出y个次优容器,其中y小于或者等于数据段i中次优容器的个数,并重写所选出容器中存放的碎片块,不重写非碎片块,以保证数据恢复性能;
T24、返回步骤T12,处理数据段i+1,直到处理完备份数据流中所有的数据段,即i=n时整个流程结束。
更具体地,两种重写策略切换和重写碎片块的详细过程如下:
1)当处理数据段1时,默认采用最优重写策略,数据去重方法选出数据段1范围内容器引用率为32%、20%的两个最优容器,并重写对应的碎片块;
2)当处理数据段2时,数据去重方法选出数据段1和数据段2范围内容器引用率最低的4个容器,即容器利用率分别为45%、43%、32%和20%的4容器,值得强调的是,此时即使选出了容器引用率为43%的容器,但却不能处理该容器(重写该容器中存放的碎片块),因为数据去重方法无法回退到处理数据段1的状态;
3)假设策略切换阈值thres设置为0,此时数据去重方法选出了4个最优容器,但是却只处理了3个最优容器(容器引用率分别为45%、32%、20%),由于(4-3)>thres=0,满足重写策略切换的条件;
4)数据去重方法从默认的最优重写策略切换到激进重写策略,选出数据段2范围内的最优容器后,在选出y个次优容器,即容器利用率为52%的容器,并重写所选容器中存放的碎片块。
值得注意的是,激进重写策略在一个数据段中(如数据段i)选择次优容器的个数y,应满足以下条件:y≤(sum-cap-z),其中sum表示数据段i引用容器的个数,z表示在数据段i范围内最优容器的个数,在上述步骤中sum=5;cap=3;z=1。
综上所述,本实施例提出的面向数据去重技术的近似最优数据碎片块重写方法就是通过一个哈希桶数组记录前i个数据段范围内容器的排序情况,接着根据容器引用率最低的x个容器,并重写这些容器中存放的碎片块以缓解数据碎片化;同时,根据不同的工作负载,自适应地切换重写策略,以在数据去重率和数据恢复性能间达到了一个良好的平衡。相比传统重写方法,本发明公开的重写方法同时提高了数据去重率和数据恢复性能。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种面向数据去重技术的近似最优数据碎片块重写方法,将备份数据流划分为n个数据段,每个数据段引用若干个容器,每个容器存放1个以上的数据块,数据块分为碎片块和非碎片块,其特征在于,所述的重写方法包括以下步骤:
S1、分配并初始化一块内存空间,其过程如下:
S11、申请分配一块内存空间,将该内存空间划分为多个小内存空间,每个小内存空间被称为桶;
S12、按照前后顺序依次为每个桶设置一个绑定值,绑定值由低到高;
S2、初始化i=1,i=1,2,…,n,从前i个数据段所引用容器中选出最优的x个容器,并确定对于数据段i的最优阈值,过程如下:
S21、计算数据段i所引用容器的容器引用率,其中容器引用率表示一个容器被一个数据段引用的次数或频率;
S22、根据匹配规则将数据段i所引用的容器放到对应的桶中,其中,匹配规则定义如下:假设按前后顺序有两个桶A和B,当一个容器的容器引用率小于或者等于桶B的绑定值且大于桶A的绑定值时,则判定容器和桶B是匹配的;
S23、从绑定值最低的桶开始遍历,累加每个桶中存放容器的个数,直到累加的容器个数等于x时停止遍历,所遍历的容器即为最优的x个容器,此时指向的桶的绑定值即为对于数据段i的最优阈值,对于数据段i所引用的容器,若容器引用率小于或等于该最优阈值,则为最优容器,否则,为次优容器;
S3、在数据段i所引用的容器中选出部分容器,并重写这些容器中存放的碎片块,过程如下:
S31、若采用最优重写策略,选出数据段i所引用容器中的最优容器,并重写所选容器中存放的碎片块;
S32、若采用激进重写策略,选出数据段i所引用容器中的最优容器后,再选出y个次优容器,并重写所选容器中存放的碎片块,其中y小于或者等于数据段i所引用的次优容器的个数;
S33、返回步骤S21,处理数据段i+1,直到完成所有数据段的处理。
2.根据权利要求1所述的一种面向数据去重技术的近似最优数据碎片块重写方法,其特征在于,根据策略切换阈值thres选择所采用的重写策略,其中thres表示容器的个数,默认情况下使用最优重写策略,当containersselect-containershandle>thres时,切换到激进重写策略,其中containersselect表示当前累计选择容器的个数,containershandle表示当前累计处理容器的个数,其中处理容器指的是重写容器中存放的碎片块。
3.根据权利要求1所述的一种面向数据去重技术的近似最优数据碎片块重写方法,其特征在于,所述的内存空间为一个哈希桶数组,数组元素为哈希桶,即小内存空间。
4.根据权利要求3所述的一种面向数据去重技术的近似最优数据碎片块重写方法,其特征在于,所述的哈希桶存放容器,是逻辑上的存放,即哈希桶只是用来记录匹配该哈希桶的累计容器个数,并不是真实的存放容器。
5.根据权利要求1所述的一种面向数据去重技术的近似最优数据碎片块重写方法,其特征在于,x的取值规则如下:x=acml-cap*i,其中acml表示前i个数据段累计引用容器的个数,cap为一个预先设置的值,表示容器的个数。
6.根据权利要求1所述的一种面向数据去重技术的近似最优数据碎片块重写方法,其特征在于,y的取值规则如下:y小于或者等于数据段i所引用的次优容器的个数;同时还需满足条件:y≤(sum-cap-z),其中sum表示该数据段i引用容器的个数,cap为一个预先设置的值,表示容器的个数,z表示数据段i所引用的最优容器的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010748768.2A CN111858574B (zh) | 2020-07-30 | 2020-07-30 | 一种面向数据去重技术的近似最优数据碎片块重写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010748768.2A CN111858574B (zh) | 2020-07-30 | 2020-07-30 | 一种面向数据去重技术的近似最优数据碎片块重写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111858574A CN111858574A (zh) | 2020-10-30 |
CN111858574B true CN111858574B (zh) | 2022-02-11 |
Family
ID=72946347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010748768.2A Active CN111858574B (zh) | 2020-07-30 | 2020-07-30 | 一种面向数据去重技术的近似最优数据碎片块重写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858574B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737451B (zh) * | 2023-05-26 | 2024-06-04 | 珠海妙存科技有限公司 | 闪存的数据恢复方法及装置、固态硬盘、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473150A (zh) * | 2013-08-28 | 2013-12-25 | 华中科技大学 | 一种用于数据去重系统中的碎片重写方法 |
CN106066818A (zh) * | 2016-05-25 | 2016-11-02 | 重庆大学 | 一种提高重复数据删除备份系统恢复性能的数据布局方法 |
CN107015888A (zh) * | 2017-03-30 | 2017-08-04 | 华中科技大学 | 一种基于子模模型的数据备份方法和系统 |
US9928210B1 (en) * | 2012-04-30 | 2018-03-27 | Veritas Technologies Llc | Constrained backup image defragmentation optimization within deduplication system |
US10019323B1 (en) * | 2014-03-25 | 2018-07-10 | EMC IP Holding Company LLC | Method and system for container data recovery in a storage system |
CN109964217A (zh) * | 2017-08-25 | 2019-07-02 | 华为技术有限公司 | 去重数据装置和方法 |
CN110941514A (zh) * | 2019-11-25 | 2020-03-31 | 湖北工业大学 | 一种数据备份方法、恢复方法、计算机设备和存储介质 |
CN111274212A (zh) * | 2020-01-20 | 2020-06-12 | 暨南大学 | 一种数据去重系统中的冷热索引识别与分类管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235044B2 (en) * | 2015-07-27 | 2019-03-19 | Datrium, Inc. | System and methods for storage data deduplication |
-
2020
- 2020-07-30 CN CN202010748768.2A patent/CN111858574B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9928210B1 (en) * | 2012-04-30 | 2018-03-27 | Veritas Technologies Llc | Constrained backup image defragmentation optimization within deduplication system |
CN103473150A (zh) * | 2013-08-28 | 2013-12-25 | 华中科技大学 | 一种用于数据去重系统中的碎片重写方法 |
US10019323B1 (en) * | 2014-03-25 | 2018-07-10 | EMC IP Holding Company LLC | Method and system for container data recovery in a storage system |
CN106066818A (zh) * | 2016-05-25 | 2016-11-02 | 重庆大学 | 一种提高重复数据删除备份系统恢复性能的数据布局方法 |
CN107015888A (zh) * | 2017-03-30 | 2017-08-04 | 华中科技大学 | 一种基于子模模型的数据备份方法和系统 |
CN109964217A (zh) * | 2017-08-25 | 2019-07-02 | 华为技术有限公司 | 去重数据装置和方法 |
CN110941514A (zh) * | 2019-11-25 | 2020-03-31 | 湖北工业大学 | 一种数据备份方法、恢复方法、计算机设备和存储介质 |
CN111274212A (zh) * | 2020-01-20 | 2020-06-12 | 暨南大学 | 一种数据去重系统中的冷热索引识别与分类管理方法 |
Non-Patent Citations (1)
Title |
---|
去重环境下基于元数据分类的贪婪预取型数据恢复;杨儒等;《小型微型计算机系统》;20170515;第38卷(第05期);第930-935页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111858574A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2626334C2 (ru) | Способ и устройство обработки объекта данных | |
US8516005B2 (en) | Compressed storage management | |
US9048862B2 (en) | Systems and methods for selecting data compression for storage data in a storage system | |
CN113535706B (zh) | 两阶段布谷鸟过滤器及基于两阶段布谷鸟过滤器的重复数据删除方法 | |
US20110295811A1 (en) | Changing a number of disk agents to backup objects to a storage device | |
CN1466060A (zh) | 闪速存储器文件系统 | |
CN107220188A (zh) | 一种自适应缓冲块替换方法 | |
US10116329B1 (en) | Method and system for compression based tiering | |
CN108595268A (zh) | 一种基于MapReduce的数据分配方法、装置及计算机可读存储介质 | |
US12073102B2 (en) | Method and apparatus for compressing data of storage system, device, and readable storage medium | |
CN111858574B (zh) | 一种面向数据去重技术的近似最优数据碎片块重写方法 | |
CN113655969B (zh) | 一种基于流式分布式存储系统的数据均衡存储方法 | |
US20220075691A1 (en) | Pooling blocks for erasure coding write groups | |
US10394453B1 (en) | Method and system for choosing an optimal compression algorithm considering resources | |
CN112306974A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
WO2024061108A1 (en) | Distributed storage systems and methods thereof, device and storage medium | |
CN105022593B (zh) | 一种基于数据压缩和数据去冗协同的存储优化方法 | |
CN115834587A (zh) | 一种选择目标存储服务器的方法、装置及电子设备 | |
CN105389128B (zh) | 一种固态硬盘数据存储方法及存储控制器 | |
EP4174675A1 (en) | On-board data storage method and system | |
CN112100143A (zh) | 一种文件压缩存储方法、装置、设备及存储介质 | |
CN109189345B (zh) | 一种在线数据整理方法、装置、设备及存储介质 | |
CN112579576B (zh) | 一种数据处理方法、装置、介质和计算设备 | |
CN106557581B (zh) | 一种基于多层次框架及超边迁移的超图划分方法 | |
CN112148682A (zh) | 基于云存储的多异构文件联合延迟尾概率凸优化算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |