dedup util数据块零碰撞算法

dedup util中使用md5算法计算数据块hashkey。md5是128位的hash值，理论上产生碰撞的概率非常小，据说比磁盘发生物理损坏的概率还要小几个数据级。然而，虽然说概率非常微小，但产生碰撞的可能性真实存在，王小云教授的团队已经找到快速发现碰撞的算法。在重复数据删除技术中，鉴于性能考虑，主流做法是使用碰撞概率更小的hash算法，如sha256,sha512，或者同时使用两种以上hash算法，或者使用非平凡的hash算法，从而减小碰撞概率，从而可以假设不会发生碰撞。数据碰撞的存在，使数据存在潜在的安全问题，这让很多用户不敢放心使用重复数据删除技术及相关产品。dedup util是一款轻量级数据打包归档工具，我认为它的数据安全性要高于性能，因此以牺牲部分性能为代价，对md5碰撞问题进行彻底解决，确保数据的安全性。

假设md5不会产生碰撞，那么hash_md5(block)产生的值是唯一的，也就是说一个数据块对应一个唯一的hash值，可以用1:1映射来表示。现在，这个假设被否定，可能存在两个数据块的md5哈稀值相同，即hash_md5(block1) = hash_md5(block2)，多个数据块对应一个hash值，这时就需要使用1:n映射来表示。新的hashtable表项使用三元组表示：

<md5_hashkey, block_nr, block_IDs>

其中，md5_hashkey表示数据块md5值，block_nr表示md5哈稀值相同的数据块数量，block_IDs表示这些数据块逻辑块号。在程序设计中，将block_nr与block_IDs合并在一块，结构如下所示：

+----------------------------------------------------+
| block_nr | block_ID1 | block_ID2 | ... | block_IDn |
+----------------------------------------------------+　

这实际上是使用链接法来解决hash碰撞问题，每个桶的长度不定。对于每个数据块，都要与桶中的数据块进行逐位的比较，以保证数据块的唯一性。算法描述如下：

1、计算数据块md5值，hkey = hash_md5(block)；

2、查找hashtable，bindex = hash_value(hkey, htable)；

3、如果未发现哈稀表项，即bindex == NULL，则直接将hkey插入hashtable, 并且block_nr = 1，block_ID1 = g_unique_block_nr；

4、如果发现哈稀表项，则作如下处理

　4.1 遍历哈稀桶，将逻辑号对应的物理数据块与当前数据块进行比较；

　4.2 如果找到相同数据块，则该数据块已经存在，无需处理；

4.3 如果未找到相同数据块，则将数据块插入桶尾，并将数据块写入文件，并且block_nr++, block_IDn = g_unique_block_nr；

不作碰撞处理的算法，未发现md5值哈稀表项则直接返回逻辑块号，没有如上算法的第4步。这里需要进行数据块的比较，性能损失主要发生在这里。算法细节请直接参考源码src/dedup.c中的dedup_regfile，部分代码摘录如下：

pos = 0; while (rwsize = read(fd, buf, g_block_size)) { /* if the last block */ if (rwsize != g_block_size) break; /* calculate md5 */ md5(buf, rwsize, md5_checksum); /* check hashtable with hashkey NOTE: no md5 collsion problem, but lose some performace hashtable entry format: (md5_key, block_id list) +--------------------------------+ | id num | id1 | id2 | ... | idn | +--------------------------------+ */ unsigned int cbindex; int bflag = 0; unsigned int *bindex = (block_id_t *)hash_value((void *)md5_checksum, htable); /* the block exists */ if (bindex != NULL) { int i; for (i = 0; i < *bindex; i++) { if (0 == block_cmp(buf, fd_bdata, *(bindex + i + 1), g_block_size)) { cbindex = *(bindex + i + 1); bflag = 1; break; } } } /* insert hash entry and write unique block into bdata*/ if (bindex == NULL || (bindex != NULL && bflag == 0)) { if (bindex == NULL) bflag = 1; bindex = (bflag) ? (block_id_t *)malloc(BLOCK_ID_SIZE * 2) : (block_id_t *)realloc(bindex, BLOCK_ID_SIZE * ((*bindex) + 1)); if (NULL == bindex) { perror("malloc/realloc in dedup_regfile"); break; } *bindex = (bflag) ? 1 : (*bindex) + 1; *(bindex + *bindex) = g_unique_block_nr; cbindex = g_unique_block_nr; hash_insert((void *)strdup(md5_checksum), (void *)bindex, htable); write(fd_bdata, buf, rwsize); g_unique_block_nr++; } metadata[pos] = cbindex; memset(buf, 0, g_block_size); memset(md5_checksum, 0, 16 + 1); pos++; }