自适应性数据重删技术在大数据管理中的应用研究.pdf

第 12 卷第 4 期2023 年 7 月网络新媒体技术Vol.12 No.4Jul.2023自适应性数据重删技术在大数据管理中的应用研究陈正奎(浙江理工大学计算机科学与技术学院杭州 310018)摘要:为解决传统的离线和在线数据备份系统存在的效率低、功能单一、资源开销大等问题,本文构建了自适应性重复数据删除技术的文件备份系统,灵活使用用在线和离线重删技术,动态配置自适应性重删参数,既有效删除重复数据,提升数据备份效率,还充分利用生产环境的硬件计算资源。实践结果表明针对结构化数据,自适应性重删率高达 10 倍左右,且仅占在线重删技术的计算资源开销的 43%,占离线重删技术存储开销的 46%。实践结果验证了自适应性数据重删技术在大数据管理中的可行性,为数据备份和保护提供了一种新的工作思路。关键词:自适应性,数据重删,备份,在线,离线DOI:10.20064/ki.2095-347X.2023.04.007Data Deduplication Technology of Automatic Adaptation inBig Data ManagementCHEN Zhengkui(School of Computer Science and Technology,Zhejiang Sci-tech University,Hangzhou,310018,China)Abstract:Due to the problems of low efficiency,single function and the resource cost of traditional data backup system,we created adata deduplication technology of automatic adaptation to build a file backup system.It flexibly uses online and offline deduplication anddynamicly set the adaptive data deduplication configuration,it can not only effectively delete duplicated data,but also improves databackup efficiency.It can also make full use of the hardware computing resources of the production environment.This applications re-sult shows that it can reach 10 1 data deduplication for the construction data.It only costs 43%computing resource and 46%storageresource compared with online and offline technology separately.It confirms the feasibility in data deduplication technology of automaticadaptation,and also provides a new working solution for data backup and protection.Keywords:automatic adaptation,data deduplication,backup,online,offline本文于 2023-03-26 收到,2023-04-11 收到修改稿。浙江省重点研发“尖兵”攻关计划项目(编号:2023C01119)。0引言随着大数据时代的来临,各行各业数据量出现爆炸式增长,根据最近 5 年的移动流量统计报告1显示,全球数据总量以每年 50%多的速度在增加。特别在全球性的超大型企业集团内部,仅仅结构化的数据量通常就已达到 TB 或者 PB 数据量级。例如金融行业存在大量的文本图片等非结构化数据,其数据量级更加庞大。数据量的增长意味着需要投资更多硬件来增加物理存储空间,同时也带来了更多的资源消耗,更高的维护成本。因此,数据的高速增长亟须新的数据备份策略或技术来应对数据高速增长带来的问题和挑战。4 期陈正奎:自适应性数据重删技术在大数据管理中的应用研究目前,数据存储备份领域的主流技术是重复数据删除 Dedup 技术2。该技术通过算法在文件中找出相同的数据单元,用索引指针代替该数据单元,数据指纹库中仅保留不同的数据单元块,相同的数据块将不会保留,从而达到节省磁盘空间的目的。王兴虎等3设计实现的系统通过基于源端数据重删的技术方法,解决了重删时效性较低和目标端空间受限的问题。高峰4设计了一种网络文件备份系统,通过 File metadata文件索引管理器和 Dedup 服务器配置器,实现数据块和数据索引指纹的存储管理,解决了备份速度慢、网络带宽要求高的问题。荆东星5对分布式重删存储技术进行了研究,不仅支持公有云的数据重删,而且也支持私有云内部的数据重删。但是这些文献所涉及的数据重删技术均基于在线重删模式,即数据先进行去重处理再写入磁盘,并没有考虑生产环境资源有限等实际场景。而在大数据管理应用中,重删技术可以大幅度缩减数据备份规模,但应用该技术的同时也要考虑大数据计算开销大的问题。在大数据时代特别重视用户的前端体验,所有的计算资源尽可能向用户倾斜,而数据重删的处理过程不可避免地会造成一定计算资源的开销。因此在大数据管理中需要提出一种离线和在线结合的自适应性重删技术来解决资源开销问题。本文根据实践设计并实现了一套自适应性数据重删技术的文件备份应用系统,其不仅支持在线删除重复的数据单元,而且也支持离线删除重复数据。同时根据判断条件,支持 2 种重删技术的自适应性切换,这是数据备份领域的一次研究探索和创新性实践。1重删原理数据重删技术能确保存储设备中只有唯一数据单元,从而达到消除存储设备中数据冗余的目的。数据重删技术中的关键环节是首先对文件进行数据分块,然后对分块后的数据单元创建索引。分块的目的是为了能够更小力度地删除重复数据单元,创建索引的目的是为了方便进行重复数据单元快速比对从而提升索引检索效率,或数据还原时通过索引列表快速获取文件所关联的数据块。数据重删技术通过减少网络传输的数据量,从而提升备份速度和降低网络带宽需求。备份文件的处理逻辑是先用分块算法把文件分割成一个个数据单元块,再通过安全哈希算法-1(Se-cure Hash Algorithm 1,SHA-1)或信息摘要(Message-Digest 5,MD5)算法得到每个数据单元块的哈希值作为数据块的数据索引5。有新数据块产生时,把该数据块的哈希值和现有数据指纹库进行比对。如果返回重复结果,则表示该数据块在数据指纹库中已经存在,无需存储;若返回不重复结果,表示该新数据块是新增的,则将该哈希值存入数据指纹库,同时将该数据块内容写入存储设备保存。同理,还原恢复文件的逻辑是先读取文件关联引用的所有索引列表,再根据索引列表依次读取所有数据块,根据所有数据块最终还原文件。1.1数据分块数据的定长分块(fixed-size partion)6,7:将文件以固定长度进行分块,长度通常设置在 4 KB 到 8 KB之间,文件将切割成很多等长数据块,并计算每块哈希值。该方法优点是逻辑实现简单,处理速度快和资源开销小。缺点则是不擅长处理数据变化,不能根据数据变化做出快速调整。譬如,在文件头的某个位置插入一个字节,则根据定长分块算法,从该位置往后所有的数据块字节顺序将重组,造成所有数据块的哈希值改变,但是数据块的大部分内容都是不变的。同理,删除字节也会造成定长分块算法效果非常不理想。数据的内容分块(content-defined chunking)8:和定长分块算法不同,内容分块算法则是根据文件的内容进行数据分块,这是一种变长分块算法。因为文件内容的不同,变长分块算法将耗费资源确定分割边界,因此,文件将分割成很多长度不一的数据块。该内容分块算法的优点是便于处理文件变化,文件内容的新增、变更或者删除操作将仅仅影响变化部分的数据块和哈希值,对于没有变化部分则不影响。缺点则是内容分块算法逻辑实现复杂、处理速度较慢、效率较低。数据的滑动分块(sliding block)9:结合定长分块和内容分块的各自优点,能高效处理数据的插入、修改和删除的操作。其原理是先计算固定分块后的弱 hash 值。如果弱 hash 值不匹配,则继续滑动数据块。若15网络新媒体技术2023 年图 1滑动分块图弱 hash 值匹配,则进一步计算其强 hash 校验值,若不匹配,则继续滑动直至强 hash 校验值匹配,判断重复的数据块并删除,如图 1 所示。因为滑动分块算法结合了定长分块和内容分块的各自优点,可以将数据变化差异产生的影响,限制在真正发生变化位置的前后少数几个分块上,有效解决了数据变化对分块效率的影响和处理速度较慢的问题,这是滑动分块算法主要的突破。1.2重删的位置源端重删10,11:数据去重处理位置发生在源端。在虚拟机或物理机上,源端数据转移至目标端之前,数据去重的处理逻辑发生在多个源端设备上,因此会对源端造成一定的资源消耗,同时需要不断访问目标端,因此会造成带宽传输压力增大,整个过程花费时间较长。优点则是可以大幅降低目标端存储设备的空间大小,起到节约存储空间的作用。因此基于源端的数据去重技术呈现分布式、局部性的特点,在实践场景中,通常应用于数据量较小,时效性不高的业务场景。目标端重删10,11:数据去重处理位置发生在目标端,不用考虑源端分散的部署情况,也不采用基于源端的局部去重操作。目标端重删是基于全局的一次性数据去重操作,所有源端的数据索引传输至目标端,和目标端的数据指纹库进行全局比对去重,一次性删除重复的数据块。因此目标端重删去重效率更高,尤其适合大数据量的备份,现在较多采用目标端重删技术。1.3重删的时间节点在线重删11:指数据在写入磁盘之前进行重删。先根据数据索引和数据指纹库的比对结果,再执行数据写入磁盘操作,如图 2 所示。具体过程:将数据索引和数据指纹库的进行比对,如果重复,则执行重删操作;如果不重复,则把新增数据写入磁盘。由于在线重删需要生产环境和存储设备做索引比对,因此会对生产环境产生一定程度的计算资源开销,该在线重删技术往往适用于生产环境的计算资源有富余的备份场景。离线重删11:离线重复数据删除,也叫后处理重删。指数据内容先写入磁盘后,再根据数据索引和数据指纹库的比对结果,判断是否进行重删处理,如图 3 所示。具体过程:数据内容主体先从生产环境写入到后端的暂存磁盘,再执行重删逻辑判断,最后将重删处理后的数据写入到磁盘。由于离线重删技术是数据先写入磁盘后再执行重删的逻辑处理,整个重删的逻辑处理过程全部在存储设备完成,因此不会对生产环境产生额外的计算资源开销,不会对正常业务处理造成影响。该技术的缺点是需要存储设备开辟一块暂存区存储数据内容,因此需要额外较多的存储空间。图 2在线重删图图 3离线重删图自适应性重删:综合了在线重删和离线重删各自的技术优点。当系统满足离线重删技术的判断条件254 期陈正奎:自适应性数据重删技术在大数据管理中的应用研究图 4自适应性重删流程图时,采用离线重删,否则采用在线重删,如图 4 所示。通常选择采用离线重删技术的判断条件是计算资源、网络带宽、暂存区空间。忽略其他技术细节,当源端的计算资源繁忙成为瓶颈,额外新增的计算处理将极大加重当前环境的负担,则通过离线重删技术的“计算后置”把压力传导给目标端,尽量避免源端生产环境的计算处理压力。这种“后置处理”的优点是源端处理逻辑简单,把数据分块和建立索引等大量复杂处理转移至目标端,极大避免了源端计算资源的消耗。离线重删的本质是“后置处理”,但仍须同时满足其他 2个条件,足够的网络带宽和暂存区空间,因为若这 2 个条件成为瓶颈,源端 iowait 将拉长,从而导致系统压力将重新回到“前端”,因此必须保证网络带宽和暂存区资源的充裕。通常,适应性重删的技术应用场景构建于光纤存储区域网络(StorageArea Network,SAN)局域网和固态硬盘(Solid State Disk,SSD)暂存区。其中,网络带宽和暂存区空间是基础判断条件,系统的重点判断是源端的计算资源情况。当任意一个判断条件不满足时,系统将回归在线重删。实现自适应性重删的关键是保证暂存区有足够空间容纳源端文件。但是因为目标端空间有限,暂存区空间必须适度,且和目标端空间占比适度平衡,这个占比通常在 5%25%,可根据实际情况来动态配置。为避免暂存区溢出,可供的技术路径选择有排队机制、动态缓冲池机制、源端文件压缩和数据分块粒度调整等方法。为实现成本和逻辑处理尽量简单高效,通常采用排队机制或其他几种路径组合。通常若暂存区溢出,则会严重影响离线重删的正常工作,这种情况发生在大量文件的并发操作引起暂存区空间占满,因此引入排队机制可有效防止空间溢出。当空间占比达到预设阈值,后续文件根据排队机制进入排队序列,等待前方文件操作完成腾出空间后再写入暂存区。自适应性重删的排队机制引入了 entry验证,即每个进入暂存区的文件赋予一个 entry 标识,是其在目标端操作全流程的唯一合法标识证明,超出阈值位于排队序列的文件将不再赋值,保证后续文件因没有合法 entry 无法进入暂存区。排队机制可有效保证暂存区空间支持离线重删发挥作用,这里若使用 token 令牌验证12则更加安全,但 token 令牌的加解密过程和 3 次握手机制会造成一定的系统开销,因此使用 entry 标识用于排队机制可满足备份系统。综上,自适应性重删技术比传统重删技术在以下方面有较大改进:综合利用各种重删技术方面更加灵活,能通过动态配置网络、存储或计算开销等参数,根据实际场景自动切换重删技术,从而达到提升大数据备份管理效率的目的;在资源开销和利用方面更加完善,在兼顾数据备份效率的前提下,能合理平衡源端和目标端的资源开销,将源端繁忙的部分逻辑计算通过“后置处理”转移至目标端,从而达到整体系统资源的最优化利用。2重删应用设计2.1数据结构数据索引的数据结构:其中,hash value:数据块 MD5 的哈希值;block pos:数据块的起始位置;block len:数据块的长度;datenew:数据块的创建日期;date modified:数据块的修改日期;count:数据块的引用次数。当新增一个数据块写入存储设备,也新增一条数据索引,同时赋值 count 值为 1,表示该数据块被一个文35网络新媒体技术2023 年件关联引用。当新增另外一个重复的数据块时,无需写入真正的数据块内容,同时 count 值加 1,表示该数据块被 2 个文件关联引用,2 个文件同时关联该数据块,达到数据重删节省存储空间的目的。count 值可顺序递增,同理,当删除 1 个文件时,count 值减 1,直至 count 值变为 0,表示该数据块不再被任何文件关联引用。此时系统自动触发删除机制,删除该数据索引和数据块。文件的数据结构:其中,file id:文件唯一标识;file name:文件名称;file size:文件大小;block number:文件关联的数据块数量;hash value list:文件关联所有的哈希值列表;file date new:文件创建日期;file date modified:文件修改日期。当新创建或者变更一个文件时,根据定长或变长算法将文件分成 n 个数据块,每个数据块对应一个数据索引,其中 hash value list 字段保存了所有的数据索引的哈希值。当删除一个文件时,该文件的数据结构将被同时删除,同时其关联引用的所有数据块索引结构的 count 值自动减 1。2.2自适应性数据重删的处理逻辑和关键代码2.2.1自适应性重删的判断逻辑条件 1:cpu_load_avg LOAD_QUOTA计算资源的关键指标 CPU 平均负载能力用 cpu_load_avg 变量采集。当负载指标大于 0.7,表明源端生产环境处于轻度繁忙状态;负载指标大于 1,表明中度繁忙状态;负载指标大于 5,表明重度繁忙,系统接近于卡死状态。实践中,适应性重删的系统压力负载上限 LOAD_QUOTA 可根据实践情况配置,通常配置范围为1 3。同时,需要注意 cpu_load_avg 的观测指标是 15 min 内的平均负载,而不是系统默认的 1 min。因为1 min 内的负载过高是偶发现象,而 15 min 表明生产环境持续负载过高,更有实际意义。条件 2:eth_out NET_QUOTA网络带宽的判断指标是源端网口的出口流量 eth_out,当每秒流出去流量 kbit 除以 8,小于网络带宽负载上限 NET_QUOTA 的预设值,则可以认为当前网络带宽条件是满足自适应性重删切换到离线重删的前提条件。实践中,NET_QUOTA 通常预设为每秒 1 000 Mbit/s 即 125 MB/s,因为这个带宽已经得到普及。个别更快的 SAN 网络带宽的已达每秒 10 Gbit/s,因此 NET_QUOTA 的预设值可根据实际情况配置的更高。条件 3:du_use DISK_QUOTA_RATIO暂存区空间大小是自适应性重删的前提条件之一。通常当前磁盘的使用占比 du_use 小于预设比例,则认为满足自适应性重删的条件。实践中,磁盘利用率负载上限 DISK_QUOTA_RATIO 应该预设为目标端存储容量的一个比例,通常这个比例预设在 5%25%之间。当以上 3 个条件均成立,表明源端生产环境处于繁忙状态,不宜使用在线重删,同时整体网络和磁盘满足条件,系统则进入离线重删模式。2.2.2暂存区排队机制的逻辑设计(1)先判断文件中有没有 entry 标识,不考虑 entry 标识的无效、失效、多用户赋值等情况。(2)若没有 entry 标识且空间充足,则赋予唯一的 entry 值和入库的初始时间 init_time,用于超时处理。(3)若没有空间,则按顺序给文件赋予 tmp 值(用于排队时的临时参数),在队列外等候。(4)当文件经过离线重删处理完毕腾出资源后,再根据按照先到先得原则分配空间给下一个文件。(5)若处理超时,则针对超时文件再处理一次。若还是超时,则及时释放空间给下一个文件,而超时文件则重新排队。2.2.3数据分块和索引比对的核心代码publicvoiddataDeDup(file_id,file_pos,file_size)/分块算法把文件分块,并返回哈希值数组。hash_value_list =file_to_block(file_id,file_pos,file_size)/遍历整个哈希值数组。FORhash_valueINhash_value_list454 期陈正奎:自适应性数据重删技术在大数据管理中的应用研究/如果哈希值存在于指纹库中,则对应索引的 count 值加 1,表示新增 1 个数据关联。IF(hash_valueINhash_db)count+continue/如果哈希值在指纹库中不存在,则通过缓存将该数据块写入,同时将哈希值顺序写入指纹库中。ELSEIF(hash_valueNOTINhash_db)system.copy(block_id,block_pos,block_len,buffer)system.write(buffer,data_db)array.push(hash_value,hash_db)3实践分析图 5综合备份体系架构图在大数据管理的实践中,我们运用自适应性数据重删技术构建了一套综合备份体系。图 5 所 示 的 架 构 体 系 针 对 传 统 IOE(IBM、Oracle、EMC)或中台云化的生产环境数据,设计了 3 个时间维度的数据备份策略,其备份时间粒度从小到大分别是秒级别、小时级别和每日级别,分别对应持续数据保护(Continual Data Protection,CDP)一体机13、虚拟带库和物理带库14,15,充分满足了不同场景下数据保护、备份和恢复的需求。自适应性重删技术的实现主要在虚拟带库,在 实 践 中 我 们 部 署 了 昆 腾 虚 拟 带 库DXi9000。为了提升重删效率,其中 SSD 盘用于存储数据索引,NL_SAS 机械盘用于存储数据主体内容。这样做的好处是使用 SSD 盘能大幅提升数据索引在数据指纹库的检索效率,从而提升整体数据重删效率和备份性能。3.1验证数据重删率效果衡量重删效果的一个重要指标是数据重删率,若重删率为 n 倍,表示 n 份数据单元将被缩减为 1 份。重删率高低和数据本身密切相关,实践常见的数据有结构化(关系型数据库)和非结构化(文本、图片、视频等)之分,为说明 2 种数据类型混杂情况下,自适应性重删率的不同表现,我们设计了多组数据采样进行实验,每组实验结果值用式(1)表示。F(i,j)=n,mi=1,j=1DsiQi+Dui(1-Qi)(1)图 6结构化数据不同占比的重删率图其中,Dsi表示结构化数据重删率,Dui表示非结构化重删率。Qi表示结构化数据权重占比,将实验值从0%100%每间隔 10%取一个实验值,共设计 11组实验值,为提高数据实验准确度,每组设计 m 次采样并取平均值,本次实验 m 取值为 7。具体实验结果如图 6 所示。结论 1:明显可以看出结构化数据的重删率高于非结构化数据,纯结构化数据重删率可达到 9.7倍,而纯非结构化数据的重删率仅 4 倍左右,自适应性重删对于结构化数据的重删率效果较为明显。结论 2:从重删率幅度的维度看,结构化数据占55网络新媒体技术2023 年比较低时,其重删率幅度提升不明显。当结构化占比较高时,其重删率幅度呈现明显提升。譬如结构化占比从 90%提升至 100%,其重删率提升幅度明显高于 0%至 10%的提升幅度。3.2验证不同重删技术的性能开销为了验证不同重删技术对于性能开销的影响,我们对在线重删、离线重删和自适应性重删 3 种技术进行横向比对测试。实验基于关系型数据库的结构化数据,选择了 6 组不同数据量,每组进行 10 次测试采样取平均值。同时,为避免网络带宽影响结果,实验构建于光纤 SAN 局域网络,源端和目标端 的 网 络 通 信 基 于 TCP/IP 协议,源端和目标端配比是 1 1。具体实验数据采集如表 1 所示。表 1资源开销对比数据规模在线重删离线重删自适应性重删源端压力目标端存储开销源端压力目标端存储开销源端压力目标端存储开销100 MB0.612 MB0.18139 MB0.3959 MB1 GB0.7107 MB0.191.5 GB0.42610 MB10 GB0.91 GB0.214 GB0.66.6 GB100 GB1.59 GB0.21143 GB0.6767 GB1 TB1.893 GB0.321.5 TB0.71590 GB10 TB2.91.5 TB0.413 TB0.86.8 TB表 1 中的源端压力指标的构成如式(2)所示。load_avg=mi=1LiQ+Ci(1-Q)n(2)其中,源端 CPU 计算负载指标 Li是源端压力的主要构成因素,源端 iowait 读写负载指标 Ci是源端压力的次要构成因素,Q 表示相应权重,n 表示处理器的逻辑数量。权重变量 Q 可根据源端计算负载、读写负载的情况做相应配置,理论上在读写能力足够的前提下 Q 可取值 1。本次实验仿真受制于客观环境,我们设置 Q 为0.8,即赋予计算负载指标 Li为 80%权重,赋予读写负载指标 Ci为 20%权重,用处理器数量 n 值作为除数,取平均值避免多核处理器间忙闲不均的偶然因素,减少误差,提高可信度。分析 1:比较源端系统的计算资源压力,在相同的数据规模下,在线重删的平均压力是离线重删的 3 7倍,位于中高度繁忙状态,而离线重删的压力较轻,自适应性重删的压力则位于两者之间。分析 2:比较目标端的存储资源开销,在线重删则占据明显优势,其重删率均为 10 倍左右,较节省存储空间。离线重删因为配置了额外的暂存区资源,因此存储资源开销较大。而自适应性重删的存储开销则位于二者之间。综上,自适应性重删避免了在线和离线 2 种不同重删技术的缺点,较适合生产环境周期性繁忙和周期性空闲的业务场景。在实际应用场景中,工作日时段往往是业务繁忙期,生产环境的计算较为繁忙,因此自适应性重删的策略通常切换成离线。而非工作日时间段,计算资源开销较小且虚拟带库配置了足够的暂存区容量,自适应性重删策略则切换到在线重删。自适应性重删技术可以根据业务场景灵活切换,能较好地适应大数据环境下的备份管理工作。4结束语本文将自适应性数据重删技术应用到大数据备份应用中,灵活运用在线和离线 2 种重删技术满足不同业务场景需求。从重删原理、数据结构、代码逻辑、实践分析等角度阐述,说明了自适应性重删技术在节约计算资源开销,优化备份存储空间和提升数据备份效率等方面的重要作用。我们注意到,随着数据云化和非结构化数据比例逐渐增多,基于自适应性重删技术的整体数据缩减率也将逐步走低,因此研究运用数据压缩技术是今后的一个方向,将重删后的数据单元再进一步压缩,从而达到“重删+压缩”的叠加效应。参考文献1 汤少梁,卞琦娟,肖增敏.大数据管理与应用专业导论M.南京.东南大学出版社,2021:3-9.654 期陈正奎:自适应性数据重删技术在大数据管理中的应用研究2 王龙翔,董凯,王鹏博,等.R-dedup:一种重复数据删除指纹计算的优化方法J.西安交通大学学报,2021,55(1):43-51.3王兴虎,何安元.一种基于源端数据重删的数据备份和恢复系统设计与实现J.南京师大学报(自然科学报),2020,43(2):131-139.4 高峰.试论网络备份管理服务器的设计与实现J.数字通信世界,2017(3):188-189.5 荆东星.Hadoop 平台的分布式重删存储系统研究J.科技风,2019(20):99.6 李经纬,李柏晴,张小松.数据安全重删系统与关键技术研究J.信息安全研究,2015,1(3):245-252.7 丁建立,李慧,曹卫东.基于民航数据特性的重删固定长度分块方法J.中国民航大学学报,2022,40(4):32-37.8马柄腾,刘丹.私有云下基于相似度聚类的重删算法研究J.微电子学与计算机,2017,34(9):67-70+76.9 刘啸,刘玉龙.基于属性基加密的云存储数据安全删重算法J.计算机仿真,2022,39(11):487-490.10 李涛.信息系统容灾抗毁原理与应用M.人民邮电出版社,2007:169-187.11 谢平.存储系统重复数据删除技术研究综述J.计算机科学,2014,41(1):22-30+42.12 王文杰,徐云.基于 Token 语义构建的代码克隆检测J.计算机系统应用,2022,31(11):60-67.13 冯侠.浅析 cdp 卷镜像数据保护技术J.电子世界,2021(24):134-135.14 李杨,魏峰.基于数据备份的异构平台虚机迁移方法研究J.信息通信,2020(12):263-266.15 Zhang O,Zheng ZF,Lin X,et al.Dynamic backup sharing scheme of service function chains in NFVJ.China Communica-tions,2022,19(5):178-190.作者简介陈正奎,(1968-),男,高级工程师,主要研究方向:软件、算法、网络安全。(上接第 41 页)4 Thomas B,Hunter A.Coherence-Induced Bias Reduction in Synthetic Aperture Sonar Along-Track MicronavigationJ.IEEEJournal of Oceanic Engineering,2022,47(1):162-178.5 Hunter A J,Dugelay S,Fox W L J.Repeat-Pass Synthetic Aperture Sonar Micronavigation Using Redundant Phase Center Ar-raysJ.IEEE Journal of Oceanic Engineering,2016,41(4):820-830.6 钟荣兴,刘纪元,张羽,等.双侧回波联合的合成孔径声呐运动补偿算法J.声学学报,2019,44(4):648-656.7 Wang S,Chi C,Wang P,et al.Feature-Enhanced Beamforming for Underwater 3-D Acoustic ImagingJ.IEEE Journal ofOceanic Engineering,2023,48(2):401-4158 Palmese M,Trucco A.Digital Near Field Beamforming for Efficient 3-D Underwater Acoustic Image GenerationJ.2007 IEEEInternational Workshop on Imaging Systems and Techniques,Cracovia,Poland:IEEE,2007:1-5.9 Wang P,Chi C,Zhang P,et al.High-Resolution Underwater 3D Acoustical Imaging via Deconvolved Conventional Beamform-ingC/Oceans 2020.U.S.Gulf Coast:IEEE,2020:1-4.10 王宁,孟晋丽,刘国庆,等.机载雷达微弱目标帧间非相参积累与检测技术J.信号处理,2021,37(2):248-257.11 王迎迎,刘纪元,黄勇,等.脉冲压缩与互相关联合的合成孔径声呐回波时延补偿J.声学学报,2019,44(4):626-637.12 Ding F,Chi C,Wang S,et al.Off-Grid Compressive Time-Delay Estimation for Passive SonarsC/OCEANS 2021.SanDiego,CA,USA:IEEE,2021:1-5.13 V.Oppenheim A,Schafer R W.离散时间信号处理(第 3 版)M.黄 建 国,刘树 棠,张 国梅,译.电 子工 业出 版社,2015.14 Kwon B,Park Y,Park Y.Analysis of the GCC-PHAT technique for multiple sourcesC/ICCAS 2010.Gyeonggi-do,Ko-rea(South):IEEE,2010:2070-2073.15 Wang P,Chi C,Liu J,et al.Improving performance of three-dimensional imaging sonars through deconvolutionJ.AppliedAcoustics,2021,175(12):107812.16 Chi C.Underwater Real-Time 3D Acoustical Imaging:Theory,Algorithm and System DesignM.Springer,2019:28-29.作者简介王硕,(1996-),男,博士研究生,主要研究方向:信号与信息处理。刘纪元,(1963-),男,研究员,主要研究方向:水声信号处理、数字信号处理、水声成像与图像处理。75