Una encuesta y clasificación de sistemas de deduplicación de almacenamiento

La eliminación automática de datos duplicados en un sistema de almacenamiento, comúnmente conocida como deduplicación, es cada vez más aceptada como una técnica efectiva para reducir costos de almacenamiento. Así, se ha aplicado a diferentes tipos de almacenamiento, incluidos archivos y copias de seguridad, almacenamiento primario, dentro de unidades de estado sólido, e incluso a la memoria de acceso aleatorio. Aunque el enfoque general de la deduplicación es compartido por todos los tipos de almacenamiento, cada uno plantea desafíos específicos y conduce a diferentes compromisos y soluciones. Esta diversidad a menudo se malinterpreta, subestimando así la relevancia de la nueva investigación y desarrollo. La primera contribución de este artículo es una clasificación de sistemas de deduplicación según seis criterios que corresponden a decisiones de diseño clave: granularidad, localización, tiempo, indexación, técnica y alcance. Esta clasificación identifica y describe los diferentes enfoques utilizados para cada uno de ellos. Como segunda contribución, describimos qué combinaciones de estas decisiones de diseño se han propuesto y encontrado más útiles para los desafíos en cada tipo de almacenamiento. Finalmente, se identifican y discuten desafíos de investigación destacados y puntos de diseño aún inexplorados.