Uso de la deduplicación › Cómo funciona la deduplicación de datos

Cómo funciona la deduplicación de datos

La deduplicación de datos (eliminación de duplicados) es una tecnología que permite "encajar" más copias de seguridad en el mismo medio físico, reternerlas durante períodos más prolongados y acelerar la recuperación de datos. La deduplicación analiza los flujos de datos enviados para que se lleve a cabo la copia de seguridad y busca fragmentos duplicados para guardarlos solamente una vez. Los duplicados se guardan en archivos de índice especiales.

En CA ARCserve Backup, la deduplicación (eliminación de duplicados) es un proceso en línea que se realiza en el servidor de copia de seguridad, en una sesión única. Para identificar la redundancia entre las tareas de copia de seguridad realizadas en los directorios raíz de dos equipos diferentes, utilice la deduplicación global.

Durante la primera copia de seguridad:

• CA ARCserve Backup explora los datos entrantes y los divide en fragmentos. Este proceso tiene lugar en la capa SIS del Motor de cintas.
• CA ARCserve Backup ejecuta un algoritmo hash que asigna un valor exclusivo a cada fragmento de datos y guarda esos valores en un archivo hash.
• CA ARCserve Backup compara los valores hash. Cuando se encuentran duplicados, los datos se escriben en el disco una sola vez, y se agrega a un archivo de referencia que señala a la ubicación de almacenamiento de la primera instancia identificada del fragmento de datos.

En el diagrama que se muestra a continuación, el espacio en disco necesario para realizar la copia de seguridad de flujo de datos es menor en una tarea de copia de seguridad de deduplicación que en una tarea de copia de seguridad normal.

Con la eliminación de duplicados, se crean tres archivos para cada copia de seguridad:

• Archivos de índice (archivos de metadatos)
  • Archivos hash: almacenan los marcadores asignados a cada fragmento redundante de datos.
  • Archivos de referencia: cuentan los hash y almacenan la dirección en los archivos de datos que corresponden a cada hash.
• Archivos de datos: almacenan las instancias exclusivas de los datos de los que se ha hecho copia de seguridad.

Los dos archivos de índice juntos consumen un pequeño porcentaje del almacén total de datos. De esta forma, el tamaño de la unidad que almacena estos archivos no es tan importante como su velocidad. Plantéese el uso de un disco de estado sólido o dispositivo similar con tiempos de búsqueda excelentes para este fin.

Durante los procesos de copia de seguridad posteriores:

• CA ARCserve Backup explora los datos entrantes y los divide en fragmentos.
• CA ARCserve Backup ejecuta el algoritmo hash para asignar los valores hash.
• CA ARCserve Backup compara los nuevos valores hash con los anteriores, y busca duplicados. Cuando encuentra alguno, los datos no se escriben en el disco. En cambio, se actualiza el archivo de referencia con la ubicación de almacenamiento de la instancia original del fragmento de datos.

Nota: Utilice la optimización para obtener mejor rendimiento y disminuir el uso de la CPU. Con la opción Optimización activada, CA ARCserve Backup explora los atributos de archivo y busca modificaciones realizadas a nivel de encabezado de archivos. En caso de no haberse realizado modificaciones, el algoritmo hash no se ejecuta en esos archivos y éstos no se copian al disco. El algoritmo hash se ejecuta únicamente sobre los archivos modificados desde la última copia de seguridad. Para activar la opción Optimización, seleccione Permitir la optimización en copias de seguridad de deduplicación que se encuentra en la pantalla de configuración de grupo de deduplicación. La opción Optimización solamente se admite en volúmenes de Windows. No es compatible con copias de seguridad basadas en flujos como, por ejemplo, copias de seguridad de nivel de imagen VMware, SQL VDI, nivel de base de datos Exchange u Oracle.

Cuando deba restaurar datos deduplicados, CA ARCserve Backup consulta los archivos de índie para identificar y luego encontrar todos los fragmentos de datos necesarios para volver a ensamblar el flujo de datos