CN114065704A - 数据压缩方法、电子设备和计算机程序产品 - Google Patents

数据压缩方法、电子设备和计算机程序产品 Download PDF

Info

Publication number
CN114065704A
CN114065704A CN202010756581.7A CN202010756581A CN114065704A CN 114065704 A CN114065704 A CN 114065704A CN 202010756581 A CN202010756581 A CN 202010756581A CN 114065704 A CN114065704 A CN 114065704A
Authority
CN
China
Prior art keywords
data
characters
data block
block
bit strings
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.)
Pending
Application number
CN202010756581.7A
Other languages
English (en)
Inventor
吕烁
陈欢
宫晨
张明
张雷虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
EMC Corp
Original Assignee
EMC IP Holding Co LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by EMC IP Holding Co LLC filed Critical EMC IP Holding Co LLC
Priority to CN202010756581.7A priority Critical patent/CN114065704A/zh
Priority to US17/028,158 priority patent/US11403017B2/en
Publication of CN114065704A publication Critical patent/CN114065704A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0638—Organizing or formatting or addressing of data
    • G06F3/064—Management of blocks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/14—Tree-structured documents
    • G06F40/146—Coding or compression of tree-structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0608—Saving storage space on storage systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/60—General implementation details not specific to a particular type of compression
    • H03M7/6064—Selection of Compressor
    • H03M7/607—Selection between different types of compressors
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/40—Conversion to or from variable length codes, e.g. Shannon-Fano code, Huffman code, Morse code
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/40—Conversion to or from variable length codes, e.g. Shannon-Fano code, Huffman code, Morse code
    • H03M7/4031—Fixed length to variable length coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本公开的实施例提供了一种数据压缩方法、电子设备和计算机程序产品。该方法包括从数据块中，选择多个比特串作为样本数据。该方法还包括确定样本数据所包括的一组字符。该组字符中的每个字符由多个比特串中的至少一个比特串表示。该方法进一步包括如果该组字符的统计特性与预定统计特性匹配，压缩数据块。利用本公开的数据压缩方案可以高效且准确地过滤出不可压缩的数据，以更高效地利用计算资源。

Description

数据压缩方法、电子设备和计算机程序产品
技术领域
本公开的实施例涉及数据处理领域，并且更具体地，涉及数据压缩方法、电子设备和计算机程序产品。
背景技术
数据压缩是按照特定的编码机制用比未经编码少的比特(或者其他信息相关的单位)来表示信息的过程。在数据处理中，数据压缩广泛地用于减少处理、存储、传输给定量的信息所需的数据量。例如，在存储之前进行数据压缩可以减少所需的存储空间；在传输之前进行数据压缩可以增加通信信道的通信效率；在加密之前进行数据压缩可以减少冗余而更加安全。然而，数据压缩消耗大量的计算资源，例如，中央处理单元(CPU)的资源。
发明内容
本公开的实施例提供了一种用于数据压缩的方案。
在本公开的第一方面中，提供了一种数据压缩方法。该方法包括从数据块中，选择多个比特串作为样本数据。该方法还包括确定样本数据所包括的一组字符。一组字符中的每个字符由多个比特串中的至少一个比特串表示。该方法还包括如果一组字符的统计特性与预定统计特性匹配，压缩数据块。
在本公开的第二方面中，提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使设备执行动作。动作包括从数据块中，选择多个比特串作为样本数据。动作还包括确定样本数据所包括的一组字符。一组字符中的每个字符由多个比特串中的至少一个比特串表示。动作还包括如果一组字符的统计特性与预定统计特性匹配，压缩数据块。
在本公开的第三方面中，提供了一种计算机程序产品，计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行时使机器执行根据第一方面的方法。
提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。在附图中：
图1示出了本公开的实施例可以在其中被实现的示例环境的示意图；
图2示出了根据本公开的实施例的数据压缩的示例方法的流程图；
图3示出了根据本公开的一些实施例的从数据块中选择样本数据的示意图；
图4示出了根据本公开的一些实施例的确定压缩性的示例方法的流程图；以及
图5示出了可以用来实施本公开的实施例的示例设备的框图。
具体实施方式
下面将参考附图中示出的若干示例实施例来描述本公开的原理。虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如本文中使用的术语“压缩率”是指数据或数据块压缩后的大小与压缩前的大小之比。例如，如果数据块在压缩前具有100M的大小，并且在压缩后具有60M的大小，则压缩率为60％或0.6。因此在本文中，压缩率越小，数据或数据块被压缩的程度越大；反之亦然。
相应地，术语“不可压缩”及其变形意味着数据或数据块压缩后的大小可能超过或等于压缩前的大小，或者数据或数据块被压缩的程度很小。换言之，术语“不可压缩”及其变形可以表示数据或数据块的压缩率可能大于或等于阈值。该阈值例如是1、0.9、0.85等。
图1示出了本公开的实施例能够在其中被实现的示例环境100的框图。如图1所示，环境100包括主机110、存储管理器120以及存储资源池130。在此示出的环境100可以包括存储系统或存储系统的一部分。应当理解，仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。例如，本公开的实施例还可以被应用到与环境100不同的环境中。
存储资源池130可以包括一个或多个存储盘，例如磁盘、光盘或固态盘(SSD)等。每个存储盘可以被划分成多个盘切片。例如，每个盘切片可以具有相同大小。分布在多个物理盘上的多个盘切片可以被组织成存储单元，以用于存储数据。
存储管理器120可以包括处理器121和存储器122。存储器122可以是任何目前已知或者将来开发的易失性存储介质、非易失性存储介质、或者两者的组合。存储管理器120可以被配置为管理存储资源池130，并且处理来自主机110的输入/输出(I/O)请求。主机110可以是运行用户应用的任何物理计算机、虚拟机、服务器等等。
主机110可以向存储管理器120发送I/O请求，例如用于从存储资源池130中的存储单元读取数据和/或向存储单元写入数据等。如果接收到来自主机110的I/O请求并且该I/O请求为写请求，存储管理器120可以向存储资源池130中的存储单元转发该I/O请求以向存储单元写入数据。数据的写入通常以数据块为单位进行。
如前文所提及的，为了节省存储空间，在向存储单元写入数据块前，存储管理器通常先对接收到的数据块进行压缩，然后将经压缩的数据块写入存储资源池中的存储单元。这种方式称为在线压缩。存储系统通常将维护虚拟映射表来管理与在线压缩有关的元数据。
此外，一些存储系统还支持重复数据删除，其也可以简称为“在线重删(deduplication)”。可以先对接收到的数据块进行在线重删，然后进行在线压缩。
以这种存储系统为例，当在线重删被启用时，所接收到的每个数据块都将被压缩。如果数据块实际上是不可压缩的，这将消耗大量的计算资源，例如CPU。如果数据块被压缩的程度非常有限，例如压缩率大于85％，所得到的存储空间节省将非常有限。此外，数据压缩和后续的数据解压缩消耗大量的计算资源和时间。从总体上看，在这种情况下进行数据压缩是不合适的。
当在线重删被禁用并且连续地出现不可压缩的数据块时，用于数据压缩的引擎可能会被关闭一段时间。在这段时间内的所有I/O写请求涉及的数据块将不被压缩。例如，可以使用某种加速方式来对数据块进行直接I/O处理。然而，这种方式通常存在大量的误判，导致一些可压缩的数据块被跳过。
鉴于以上情况，无论是盲目地选择压缩所有数据块，还是盲目地跳过一段时间内的数据块的压缩，均存在对应的问题。因此，需要一种确定数据或数据块是否可压缩的方案。
本公开的实施例提出了一种数据压缩方案，以解决上述问题和其他潜在问题中的一个或多个。在该方案中，从数据块中选择多个比特串(例如，多个字节)作为样本数据。然后，确定样本数据所包括的一组字符。每个字符由多个比特串中的至少一个比特串表示。接下来，确定该组字符的统计特性是否与预定统计特性匹配。统计特性可以包括与该组字符有关的一个或多个数量特征。如果该组字符的统计特性与预定统计特性匹配，则对数据块进行压缩。如果该组字符的统计特性与预定统计特性不匹配，则跳过对数据块的压缩。
在所提出的方案中，通过分析数据块的样本数据来检测数据块的压缩性，并且仅在可压缩的情况下才压缩数据块。这种方案也可以称为自适应的数据压缩方案。以此方式，可以缓解甚至避免将计算资源浪费在不可压缩数据上，从而优化了计算资源的使用。此外，在所提出的方案中，分析的是数据块的部分数据(即，样本数据)，而不是整个数据块。这有助于快速地确定数据块的压缩性，而无需消耗过多资源。因此，本公开的实施例能够快速地检测数据块的压缩性，从而优化计算资源的使用并提高系统性能。
应当理解，尽管本文主要在数据存储的上下文中描述所提出的自适应的数据压缩方案，但是这种自适应的数据压缩方案可以在任何合适的数据处理(例如，数据加密、数据传输)中用于压缩数据。
图2示出了根据本公开的实施例的用于数据压缩的示例方法200的流程图。方法200例如可以由如图1所示的存储管理器120(例如，处理器121)来执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。以下结合图1来详细描述方法200。
存储管理器120接收来自主机110的待写入的数据块。该数据块可以具有任何合适的大小，例如8KB。在框210处，存储管理器120从数据块中，选择多个比特串作为样本数据。换言之，存储管理器120可以对数据块进行采样。所选择的作为样本数据的多个比特串也可以称为被采样的多个比特串。在此描述的“比特串”可以对应于或表示字符。例如，字符可以是指比特串的值。比特串中的比特数目可以取决于编码方式。例如，在一些实施例中，一个比特串可以为一个字节。在另一些实施例中，一个比特串可以为两个字节。
作为样本数据的多个比特串的数目可以取决于数据块的大小和数据块能够表示的独特的字符的最大数目。作为示例，假设数据块具有8KB的大小，并且数据块能够表示的独特的字符的最大数目为256(即，一个字节对应于一个字符)。在这种情况下，样本数据的大小限制为512个比特串，即每个8KB的数据块最多采样512个字节。也就是说，存储管理器120将从数据块中选择512个字节作为样本数据。
在一些应用场景中，数据块能够表示的独特的字符的最大数目远小于256。在这些应用场景中，可以选择更少数目的比特串作为样本数据。以此方式，通过采样更少的数据可以减少检测数据块压缩性所花费的计算资源和时间。因此，根据本公开的数据压缩方案在样本数据选择方面具有灵活性。
在一些实施例中，存储管理器120可以随机地从数据块中选择预定数目(例如，512)的多个比特串。继续上文样本数据包括512个字节的示例。存储管理器120可以在数据块中随机地选择32个位置，并以每个位置作为开始选择连续的16个字节。以此方式，可以确定作为样本数据的512个字节。
在一些实施例中，存储管理器120可以使用系统采样法从数据块中选择样本数据。例如，存储管理器120可以基于预定步长和预定间隔，从数据块中选择多个比特串作为样本数据。预定步长也可以称为采样步长或采样大小，其对应于被选择的连续比特的数目，并且预定间隔也可以称为采样间隔，其对应于能够从其中选择比特串作为样本数据的范围。
在一些实施例中，可以使用比特作为预定步长和预定间隔的单位。在这种实施例中，预定步长可以表示在采样间隔内被选择的连续比特的数目。
在一些实施例中，可以使用比特串(例如，字节)作为预定步长和预定间隔的单位。在这种实施例中，预定步长可以表示在采样间隔内被选择的连续比特串的数目。在上文提及的样本数据包括512个字节的示例中，预定间隔可以为256个字节，并且预定步长可以为16个字节。即，存储管理器120可以从每256个字节中选择连续的16个字节。如此，在数据块具有8KB大小的情况下，将获得共计512个字节的采样数据。
下面参考图3来描述一个示例。图3示出了根据本公开的一些实施例的从数据块300中选择样本数据的示意图。在图3的示例中，以比特串作为采样步长和采样间隔的单位。存储管理器120可以在采样间隔340内选择总长度为采样步长330的比特串301、302、303、304作为样本数据的一部分。类似地，存储管理器120可以在后续的采样间隔350内选择比特串305、306、307、308作为样本数据的一部分。以此方式直到选择了预定数目(例如，512)的多个比特串。
如图3所示，比特串301至308作为样本数据被采样，而诸如比特串321、322、323的比特串未被采样。应当理解，图3中所示的采样步长和采样间隔的长度仅是示例性而无意限制本公开的范围。
继续参考图2。在框220处，存储管理器120确定样本数据所包括的一组字符。该组字符中的每个字符由被采样的多个比特串中的至少一个比特串表示。例如，存储管理器120可以确定由被采样的多个比特串301至308中的每个比特串表示的字符。可以理解的是，比特串的值对应于字符，因此比特串可以表示字符。
在一些实施例中，该组字符中的字符彼此不同。存储管理器120可以确定由被采样的多个比特串中的每个比特串表示的字符，然后对相同的字符进行去重和计数。例如，如果被采样的多个比特串中至少两个比特串表示同一字符，那么该字符可以被添加到该组字符中，并且对表示该字符的比特串的数目进行计数。
在框230处，存储管理器120确定该组字符的统计特性是否与预定统计特性匹配。在此描述的统计特性可以包括与该组字符有关的一个或多个数量特征，例如字符的数目、字符在样本数据中出现的次数以及可由此得出的任何计量或计数特征。这种统计特征可以反映由样本数据所传达的信息量，进而可以反映数据块所包含的信息量。在本文中，框230处的动作可以统称为基于统计特性的压缩性检测。下文将参考图4来详细描述框230。
如果在框230处确定该组字符的统计特性与预定统计特性匹配，方法200可以进行到框240。在框240处，存储管理器120压缩数据块。也就是说，如果该组字符的统计特性与预定统计特性匹配，则可以认为对应的数据块是可压缩的。
在一些实施例中，存储管理器120可以使用本地的处理单元(例如，处理器121)来压缩数据块。备选地或附加地，在一些实施例中，存储管理器120可以使用加速器资源来压缩数据块的至少一部分。加速器资源是指一些具有加速功能的处理资源，例如协处理器，其能够辅助CPU执行一些任务，诸如数据压缩任务。环境100可以部署有这种加速器资源，并且存储管理器120可以请求使用加速器资源来压缩数据块。这种加速器资源可以包括例如快速辅助技术(QAT)卡。利用加速器资源来压缩数据块可以进一步降低CPU的负担。
在一些实施例中，取决于该组字符的统计特性，存储管理器120可以发起不同的压缩操作来压缩数据块。不同的压缩操作可以基于不同的压缩算法，并且对数据块的压缩程度可能不同。下文将参考图4对此进行描述。
继续参考图2。在一些实施例中，例如在数据存储的场景下，在框250处，存储管理器120可以存储经压缩的数据块。例如，经压缩的数据块可以被写入存储资源池130中的存储单元。在其他的数据处理场景中，经压缩的数据块可以被相应地处理，例如被传输、被加密。
如果在框230处确定该组字符的统计特性与预定统计特性不匹配，对应的数据块将不会被压缩。也就是说，如果该组字符的统计特性与预定统计特性不匹配，可以认为对应的数据块是不可压缩的。在数据存储的场景下，方法200可以进行到框260。在框260处，存储管理器120可以存储未压缩的数据块。例如，未压缩的数据块可以被写入存储资源池130中的存储单元。在其他的数据处理场景中，未压缩的数据块可以被相应地处理，例如被传输、被加密。
在一些实施例中，在方法200进行到框220之前，存储管理器120可以确定被采样的多个比特串中为零的比特串的数目。例如，存储管理器120可以确定被采样的多个字节中为零的字节的数目。如果为零的比特串的数目超过阈值，则可以认为数据块是可压缩的，并且方法200可以进行到框240。如果为零的比特串的数目不超过阈值，方法200可以进行到框220，以在框230处进行基于统计特性的压缩性检测。
备选地或附加地，在一些实施例中，在方法200进行到框220之前，存储管理器120可以确定被采样的多个比特串是否具有对称性。如果被采样的多个比特串具有对称性，可以认为对应的数据块是可压缩的，并且方法200可以进行到框240。如果被采样的多个比特串不具有对称性，方法200可以进行到框220，以在框230处进行基于统计特性的压缩性检测。在此描述的对称性可以基于比特串在数据块中的相对位置来定义。例如，存储管理器120可以确定多个比特串中位于数据块前半部分的比特串是否与位于数据块后半部分的比特串对称。
在以上描述的数据压缩方法中，通过分析数据块的样本数据而不是整个数据块，可以快速地确定数据块的压缩性，以避免花费计算资源和时间来对原本不可压缩的数据块进行压缩。此外，使用样本数据所包括的字符的统计特性来分析样本数据。统计特性可以反映样本数据所传达的信息量。以此方式，可以保证对数据块压缩性的检测的准确性。
下面详细描述基于统计特性的压缩性检测。图4示出了根据本公开的一些实施例的确定压缩性的示例方法400的流程图。方法400例如可以由如图1所示的存储管理器120来执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。框410、420和430中的一个或多个或其任意组合可以被视为框230的实现。框440可以视为框240的实现。
在框410，存储管理器120确定该组字符中的字符数目是否低于第一阈值。例如，存储管理器120可以确定该组字符中的彼此不同的字符的数目是否低于第一阈值。字符数目与数据块的字符集(例如，字节集)的大小有关。字符数目较小意味着数据块的字符集很可能较小。参考框410所描述的方式在本文中也称为字符数目检测。
字符数目检测可以用于检测文本数据，例如xml、json、html等数据。在大多数的文本数据中，字符集被限制为有限数目的可能字符，并且这种限制使得数据易于压缩。因此，如果字符数目低于第一阈值，可以认为数据块的字符集较小，并且可以确定数据块是可压缩的。
相应地，如果在框410处确定字符数目低于第一阈值，方法400进行到框440。在框440，存储管理器120发起对数据块的压缩操作。在这种情况下所发起的压缩操作也可以称为“第一压缩操作”。
如果在框410处确定字符数目不低于第一阈值，方法400进行到框420。在框420处，存储管理器120确定该组字符中的核心字符的数目是否低于第二阈值。表示核心字符的比特串在被采样的多个比特串中的比例超过阈值比例，例如90％。换言之，核心字符覆盖超过阈值比例的采样数据。
作为示例，存储管理器120可以确定该组字符中的每个字符在样本数据中出现的次数，其也称为出现次数。某个特定字符的出现次数是被采样的多个比特串中表示该特定字符的比特串的数目。在一些实施例中，出现次数的确定可以在框220处实现。在一些实施例中，出现次数的确定可以在框420处实现。然后，存储管理器120可以按照出现次数以降序方式，对该组字符进行排序。即，排序最高的字符具有最多的出现次数。
接下来，存储管理器120可以按照从高到低的顺序，将出现次数的总和与被采样的多个比特串的总数目的比值超过阈值比例(例如，90％)的字符确定为核心字符。进而，存储管理器120可以确定核心字符的数目是否低于第二阈值。
备选地，假设第二阈值为N。存储管理器120还可以确定排序前N个字符的出现次数总和与被采样的多个比特串的总数目的比值。如果该比值超过阈值比例，则存储管理器120可以确定核心字符的数目低于第二阈值。如果该比值未超过阈值比例，则存储管理器120可以确定核心字符的数目不低于第二阈值。
核心字符的数目与数据块的数据分布有关。参考框420所描述的方式在本文中也称为数据分布检测。如果核心字符的数目低于第二阈值，意味着数据块的大部分可能包括核心字符的频繁重复。具有这种数据分布的数据块是易于压缩的。相应地，如果在框420处确定核心字符的数目低于第二阈值，方法400进行到框440。在框440，存储管理器120发起对数据块的压缩操作。在这种情况下所发起的压缩操作也可以称为“第二压缩操作”。
在一些实施例中，如果在框420处确定核心字符的数目不低于第二阈值，方法400进行到框430，如图4所示。
在另一些实施例中，可以设置核心字符下限和核心字符上限，其中核心字符下限可以用作上述的第二阈值。如果核心字符的数目超过核心字符上限，意味着数据块可能具有均匀的数据分布，并且大概率是不可压缩的。例如，一些类型的结构化数据可能包含几乎所有的可能字符(例如，字节值)。为这种结构化数据的数据块通常具有均匀的数据分布，即不同字符的出现次数将基本相同或非常接近。这样的数据块(例如，经加密的数据)不太可能是可压缩的。相应地，在这种实施例中，如果在框420处确定核心字符的数目超过核心字符上限，可以确定数据块是不可压缩的。存储管理器120可以跳过对数据块的压缩操作。
与此相对，如果核心字符的数目超过核心字符下限(即，第二阈值)但低于核心字符上限，对应的数据块可能是潜在可压缩的，并且需要进一步确定数据块的压缩性。例如，具有正态分布的数据块可能是这种情况。相应地，在这种实施例中，如果在框420处确定核心字符的数目不低于第二阈值但低于核心字符上限，方法400进行到框430。
在框430处，存储管理器120确定样本数据的信息熵是否低于第三阈值。具体地，存储管理器120可以基于被采样的多个比特串的数目和该组字符中的每个字符在样本数据中出现的次数，来确定样本数据的信息熵。可以如上文参考框420所描述的那样来确定字符的出现次数。参考框430所描述的方式也可以称为信息熵检测。
信息熵是对信息的一种量化度量，其可以表示信息中排除了冗余后的平均信息量。信息熵与单个(individual)字符出现的不确定性以及所有可能出现的单个字符的数目有关。存储管理器120可以基于该组字符中的单个字符的出现次数以及被采样的多个比特串的数目，确定单个字符出现的不确定性，例如对单个字符出现概率的倒数取对数。然后，存储管理器120可以将该组字符中的单个字符的不确定性的统计平均确定为样本数据的信息熵。在此描述的信息熵可以表示对样本数据进行编码所需要的比特的平均最小数目。在比特串为字节的情况下，信息熵也可以称为字节熵。
信息熵是对数据压缩收益的一种精确估计。对具有较低信息熵的数据进行的压缩通常更为有效，即，具有较高收益。因此，如果样本数据的信息熵较低，意味着数据块大概率是可压缩的，而如果样本数据的信息熵较高，意味着数据块大概率是不可压缩的。
相应地，如果在框430处确定信息熵低于第三阈值，方法400进行到框440。在框440，存储管理器120发起对数据块的压缩操作。在这种情况下所发起的压缩操作也可以称为“第三压缩操作”。如果在框430处确定信息熵不低于第三阈值，可以确定数据块是不可压缩的。存储管理器120将跳过对数据块的压缩。
以上描述的示例方法400可以视为一种试探法(heuristics)。该试探法包括多级检测，即，字符数目检测、数据分布检测、信息熵检测。图4中所示的多级检测的先后顺序是基于相应的计算量/时间来确定的。所涉及的计算按照图4所示的顺序由上至下逐渐增加。在这种实施例中，以如图所示的顺序进行多级检测，可以尽可能早地做出关于数据块是否可压缩的确定，从而减少计算开销。
在一些实施例中，可以针对具有不同潜在压缩程度的数据块执行不同的压缩操作。如前文所提及的，不同的压缩操作可以基于不同的压缩算法。例如，第一和第二压缩操作对数据块的压缩程度可以大于第三压缩操作对数据块的压缩程度。换言之，与第三压缩操作相比，第一和第二压缩操作可以基于压缩率更低的压缩算法。
如上文所提及的，信息熵是对数据压缩收益的一种精确估计。在一些实施例中，可以基于信息熵，从预定压缩操作中选择压缩程度与信息熵的大小匹配的压缩操作作为第三压缩操作。例如，可以基于在框430处确定的信息熵的大小来选择压缩算法，并且使数据块利用该压缩算法被压缩。如果信息熵相对较小，可以选择压缩程度较大的压缩算法；如果信息熵相对较大，可以选择压缩程度较小的压缩算法。
在这些实施例中，进一步细化了压缩算法的选择和使用。以此方式，可以利用不同的压缩算法来处理潜在具有不同压缩率的数据块。这有利于进一步提高应用本公开的数据压缩方案的系统(例如，存储系统)的效率。
应当理解，可以单独地应用或以组合方式应用参考图4所描述的字符数目检测(对应于框410)、数据分布检测(对应于框420)和信息熵检测(对应于框430)，而不限于图4中所示的基于多级检测的试探法。在一些实施例中，可以单独地应用字符数目检测、数据分布检测和信息熵检测中的任一项。在另一些实施例中，可以将字符数目检测、数据分布检测和信息熵检测中的任两项相组合，以实现两级检测。
从以上描述能够看出，本公开的实施例提出了一种数据压缩方案。该方案能够快速确定数据的压缩性，以避免浪费计算资源处理不可压缩的数据。换言之，利用本公开的数据压缩方案可以高效且准确地过滤出不可压缩的数据，以实现用于实时数据压缩的计算资源(例如，CPU)的更有效利用。
以存储系统为例，该方案允许存储系统将其宝贵的计算资源用于能够较好地压缩的数据，而尽可能避免压缩原本不可压缩或压缩收益低的数据。以此方式，计算资源可以用于压缩其他数据以及更好地服务于I/O请求，从而节省成本并提高性能。当具有高I/O吞吐量的存储装置(例如，非易失性存储器SSD，NVMe SSD)被引入存储资源池130时，CPU的周期将变得更为宝贵。利用根据本公开的方案可以实现CPU的高效利用，以实现更好的最终I/O吞吐量。可以理解的是，当根据本公开的数据压缩方案用于其他系统时，也可以实现类似的益处。
图5示出了可以用来实施本公开内容的实施例的示例设备500的示意性框图。例如，如图1所示的存储管理器120可以由设备500实施。如图5所示，设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200和/或400，可由处理单元501执行。例如，在一些实施例中，方法200和/或400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到RAM 503并由CPU 501执行时，可以执行上文描述的方法200和/或400的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (21)

1.一种数据压缩方法，包括：
从数据块中，选择多个比特串作为样本数据；
确定所述样本数据所包括的一组字符，所述一组字符中的每个字符由所述多个比特串中的至少一个比特串表示；以及
如果所述一组字符的统计特性与预定统计特性匹配，压缩所述数据块。
2.根据权利要求1所述的方法，其中压缩所述数据块包括：
如果确定所述一组字符中的字符数目低于第一阈值，发起对所述数据块的第一压缩操作。
3.根据权利要求1所述的方法，其中压缩所述数据块包括：
确定所述一组字符中的核心字符的数目，表示所述核心字符的比特串在所述多个比特串中的比例超过阈值比例；以及
如果确定所述核心字符的数目低于第二阈值，发起对所述数据块的第二压缩操作。
4.根据权利要求1所述的方法，其中压缩所述数据块包括：
基于所述多个比特串的数目和所述一组字符中的每个字符在所述样本数据中出现的次数，确定所述样本数据的信息熵；以及
如果所述信息熵低于第三阈值，发起对所述数据块的第三压缩操作。
5.根据权利要求4所述的方法，其中发起对所述数据块的所述第三压缩操作包括：
基于所述信息熵，从预定压缩操作中选择所述第三压缩操作，所述第三压缩操作对所述数据块的压缩程度与所述信息熵的大小匹配；以及
使所述数据块基于所述第三压缩操作被压缩。
6.根据权利要求2所述的方法，还包括：
如果确定所述字符数目不低于所述第一阈值，确定所述一组字符中的核心字符的数目，表示所述核心字符的比特串在所述多个比特串中的比例超过阈值比例；以及
如果确定所述核心字符的数目低于第二阈值，发起对所述数据块的第二压缩操作。
7.根据权利要求6所述的方法，还包括：
如果确定所述核心字符的数目不低于所述第二阈值，基于所述多个比特串的数目和所述一组字符中的每个字符在所述样本数据中出现的次数，确定所述样本数据的信息熵；以及
如果所述信息熵低于第三阈值，发起对所述数据块的第三压缩操作。
8.根据权利要求7所述的方法，其中所述第一压缩操作和所述第二压缩操作对所述数据块的压缩程度超过所述第三压缩操作对所述数据块的压缩程度。
9.根据权利要求1所述的方法，其中选择所述样本数据包括：
基于预定步长和预定间隔，从所述数据块中选择所述多个比特串作为所述样本数据，所述预定步长对应于在所述预定间隔内被选择的连续比特的数目。
10.根据权利要求1所述的方法，其中发起对所述数据块的压缩操作包括：
使用加速器资源来压缩所述数据块的至少一部分。
11.一种电子设备，包括：
处理器；以及
与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述设备执行动作，所述动作包括：
从数据块中，选择多个比特串作为样本数据；
确定所述样本数据所包括的一组字符，所述一组字符中的每个字符由所述多个比特串中的至少一个比特串表示；以及
如果所述一组字符的统计特性与预定统计特性匹配，压缩所述数据块。
12.根据权利要求11所述的设备，其中压缩所述数据块包括：
如果确定所述一组字符中的字符数目低于第一阈值，发起对所述数据块的第一压缩操作。
13.根据权利要求11所述的设备，其中压缩所述数据块包括：
确定所述一组字符中的核心字符的数目，表示所述核心字符的比特串在所述多个比特串中的比例超过阈值比例；以及
如果确定所述核心字符的数目低于第二阈值，发起对所述数据块的第二压缩操作。
14.根据权利要求11所述的设备，其中压缩所述数据块包括：
基于所述多个比特串的数目和所述一组字符中的每个字符在所述样本数据中出现的次数，确定所述样本数据的信息熵；以及
如果所述信息熵低于第三阈值，发起对所述数据块的第三压缩操作。
15.根据权利要求14所述的设备，其中发起对所述数据块的所述第三压缩操作包括：
基于所述信息熵，从预定压缩操作中选择所述第三压缩操作，所述第三压缩操作对所述数据块的压缩程度与所述信息熵的大小匹配；以及
使所述数据块基于所述第三压缩操作被压缩。
16.根据权利要求12所述的设备，所述动作还包括：
如果确定所述字符数目不低于所述第一阈值，确定所述一组字符中的核心字符的数目，表示所述核心字符的比特串在所述多个比特串中的比例超过阈值比例；以及
如果确定所述核心字符的数目低于第二阈值，发起对所述数据块的第二压缩操作。
17.根据权利要求16所述的设备，所述动作还包括：
如果确定所述核心字符的数目不低于所述第二阈值，基于所述多个比特串的数目和所述一组字符中的每个字符在所述样本数据中出现的次数，确定所述样本数据的信息熵；以及
如果所述信息熵低于第三阈值，发起对所述数据块的第三压缩操作。
18.根据权利要求17所述的设备，其中所述第一压缩操作和所述第二压缩操作对所述数据块的压缩程度超过所述第三压缩操作对所述数据块的压缩程度。
19.根据权利要求11所述的设备，其中选择所述样本数据包括：
基于预定步长和预定间隔，从所述数据块中选择所述多个比特串作为所述样本数据，所述预定步长对应于在所述预定间隔内被选择的连续比特的数目。
20.根据权利要求11所述的设备，其中发起对所述数据块的压缩操作包括：
使用加速器资源来压缩所述数据块的至少一部分。
21.一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令，所述机器可执行指令在被执行时使机器执行根据权利要求1至10中任一项所述的方法。
CN202010756581.7A 2020-07-31 2020-07-31 数据压缩方法、电子设备和计算机程序产品 Pending CN114065704A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010756581.7A CN114065704A (zh) 2020-07-31 2020-07-31 数据压缩方法、电子设备和计算机程序产品
US17/028,158 US11403017B2 (en) 2020-07-31 2020-09-22 Data compression method, electronic device and computer program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756581.7A CN114065704A (zh) 2020-07-31 2020-07-31 数据压缩方法、电子设备和计算机程序产品

Publications (1)

Publication Number Publication Date
CN114065704A true CN114065704A (zh) 2022-02-18

Family

ID=80003139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756581.7A Pending CN114065704A (zh) 2020-07-31 2020-07-31 数据压缩方法、电子设备和计算机程序产品

Country Status (2)

Country Link
US (1) US11403017B2 (zh)
CN (1) CN114065704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858478A (zh) * 2023-02-24 2023-03-28 山东中联翰元教育科技有限公司 一种可互动的智慧教学平台的数据快速压缩方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114726792B (zh) * 2022-04-19 2023-06-20 中国联合网络通信集团有限公司 一种基于json报文的处理方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3541930B2 (ja) * 1998-08-13 2004-07-14 富士通株式会社 符号化装置及び復号化装置
US10938414B1 (en) 2018-10-03 2021-03-02 Honeywell Federal Manufacturing & Technologies, Llc Electronic device and method for compressing sampled data
US20220061701A1 (en) 2018-12-10 2022-03-03 Sridhar Krishnan System and method for compressing and segmenting activity data in real-time
US20200272364A1 (en) 2019-02-27 2020-08-27 International Business Machines Corporation Dynamic block-level compression utilization
US11609695B2 (en) 2020-09-02 2023-03-21 EMC IP Holding Company LLC Statistical and neural network approach for data characterization to reduce storage space requirements

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858478A (zh) * 2023-02-24 2023-03-28 山东中联翰元教育科技有限公司 一种可互动的智慧教学平台的数据快速压缩方法

Also Published As

Publication number Publication date
US11403017B2 (en) 2022-08-02
US20220035526A1 (en) 2022-02-03

Similar Documents

Publication Publication Date Title
US10715618B2 (en) Compressibility estimation for lossless data compression
US9564918B2 (en) Real-time reduction of CPU overhead for data compression
CN111857550B (zh) 用于数据去重的方法、设备以及计算机可读介质
US8135683B2 (en) Method and apparatus for data redundancy elimination at the block level
CN112748863B (zh) 用于处理数据的方法、电子设备和计算机程序产品
US10649905B2 (en) Method and apparatus for storing data
US10817474B2 (en) Adaptive rate compression hash processor
CN113296709B (zh) 用于去重的方法和设备
US11424760B2 (en) System and method for data compaction and security with extended functionality
CN114065704A (zh) 数据压缩方法、电子设备和计算机程序产品
US11733867B2 (en) System and method for multiple pass data compaction utilizing delta encoding
US10601442B2 (en) Memory compression method and apparatus
US20240020006A1 (en) System and method for compaction of floating-point numbers within a dataset
US11429317B2 (en) Method, apparatus and computer program product for storing data
US20230283292A1 (en) System and method for data compaction and security with extended functionality
US11755549B2 (en) Method, electronic device, and computer program product for data processing
US11347424B1 (en) Offset segmentation for improved inline data deduplication
CN113515229B (zh) 存储数据的方法、装置和计算机程序产品
KR102195239B1 (ko) 대역폭을 고려한 하둡의 데이터 압축 전송 방법, 이를 수행하기 위한 기록 매체 및 장치
US11435956B2 (en) Method, electronic device, and computer program product for data compression
US20240113728A1 (en) System and method for data compaction and security with extended functionality
US20220327098A1 (en) System and method for computer data type identification
CN116775588A (zh) 基于子文件的数据重删方法、装置及可读介质
CN112749138A (zh) 用于处理数据的方法、电子设备和计算机程序产品
CN115168850A (zh) 一种数据安全检测方法及装置

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