Predicting Deduplication Performance: An Analytical Model and Empirical Evaluation
Notice bibliographique
Résumé
Deduplication is a technique to find and eliminate redundant blocks of data for efficient data backups, efficient versioning, reduced data transfers, and reduced data-storage overheads. For large datasets, especially with incremental updates over time (e.g., instrumentation data) and subsetting (e.g., for auxiliary experiments), deduplication makes data management faster and more efficient. The primary parameter of deduplication systems is the expected chunk size, and while many existing systems use accepted default values (e.g., 4 KB or 8 KB chunks), our experiments find that these values are suboptimal for finding duplicate data. Suboptimal deduplication and data management makes it harder for researchers to manipulate, share, and experiment with large datasets.We present the design, implementation, and an empirical validation of our analytical model that predicts the performance of deduplication parameters (i.e., ability to find duplicate data) on any given dataset. The empirical evaluation includes workloads based on source code (i.e., Linux kernel, Kubernetes, TensorFlow), an open-research dataset (i.e., CORD-19), and Wikipedia. Our experiments show that our model finds deduplication parameters that reduce the storage requirements by up to an additional 30.72% compared to a commonly used baseline. Our model is up to 19.8x faster than scanning, and the resulting deduplicated datasets are all within 5.14% of the deduped sizes found via the scan-based search.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,009 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».