De hype rond de-duplicatie en backup

COMPUTABLE EXPERT

ing. Jerry Rozeman

Manager Consultancy

Expert van Computable voor het topic Storage

Meer

De-duplicatie blijkt de laatste tijd een bijna magisch woord. Iedereen is er mee bezig. Daarnaast zijn er verschillende overnames aan de gang, zoals de overnamestrijd rond Data Domain door NetApp en EMC.

De-duplicatie van data wordt momenteel meestal geassocieerd met back-up. Daar heeft de-duplicatie ook het meeste effect, aangezien er binnen een back-upcyclus veel identieke informatie zit. Een klein voorbeeld, een klant die zijn backups drie maanden wil bewaren beschikt over dertien kopieën van zijn data. Stel dat zijn omgeving uit vijf terabyte bestaat, dan bewaart hij totaal 65 terabyte aan data (zonder compressie). Indien dit een op tape gebaseerde back-up is, is dit geen probleem. Als dit een disk gebaseerde back-up is, wordt het geheel erg prijzig. Gaan we ervan uit dat binnen elke back-up 95 procent van de informatie identiek is, zal de klant maar 10 terabyte nodig hebben.

Met andere woorden, data de-duplicatie op een back-up target bespaart de aanschaf van disk, waardoor de investering betaalbaar wordt. Het lost echter niet het back-upprobleem op. Data gaat wel naar disk, maar de-duplicatie versnelt de back-up niet.

Het werkelijke probleem is dat we nog steeds alle data een keer per week back-uppen, omdat de back-upapplicaties niet gebouwd zijn om alleen maar de veranderingen te back-uppen. In het bovengenoemde voorbeeld zullen we tijdens de full back-up nog steeds vijf terabyte over het netwerk verplaatsen. Als een back-upserver ongeveer 200GB per uur verplaatst, zal deze er 25 uur nodig hebben voor een full back-up. De enige manier om de back-up te versnellen is dan om gebruik te maken van meerdere back-upservers, waardoor je de load verdeeld. Dit kan erg kostbaar zijn. Voor een klant met 25 terabyte aan data met een back-up window van acht uur betekent dit zestien back-upservers, waarbij het achterliggende disk device  zo'n 500MB aan moet kunnen. Over het totaal gezien een leuke oplossing om te verkopen, maar erg prijzig. Daarnaast is de vraag hoever dit schaalt indien de klant groeit met 70 procent per jaar.

Indien we de back-up-,en uiteraard restore-, problematiek effectief willen bestrijden, is het dus efficiënter om minder data over het netwerk te verplaatsen tijdens de back-up. De-duplicatie is hier ook een oplossing, maar dan praten we over source based de-duplicatie. Met andere woorden: we back-uppen en verplaatsen alleen maar data die nooit geback-upped is. Klassieke back-upapplicaties ondersteunen dit niet, maar de nieuwe genereratie oplossingen wel. Denk hierbij aan EMC Avamar, Symantec Puredisk, NetApp SnapVault en OSSV. De-duplicatie wordt hier dus niet ingezet om de kosten van de disk back-up te verminderen, maar om data sneller en efficiënter te back-uppen.

In mijn ogen is met name voor omgevingen met veel data de laatst genoemde oplossing een strategische oplossing die het back-up en restore-probleem voor een langere tijd oplost dan de-duplicatie aan de back-up target zijde.

Aangezien NetApp al zeer geruime tijd beschikt over een zeer mooie en efficiënte oplossing om back-ups op deze manier te adresseren, vraag je je af waarom ze zoveel willen betalen voor Data Domain. Wellicht zijn ze vergeten wat ze in huis hebben.