Déduplication : optimiser le stockage pour accélérer la sauvegarde

Dans le cas des opérations de sauvegarde, la déduplication reste un enjeu majeur pour réduire les volumes de stockage. « L'objectif de la déduplication est d'abord financier, les entreprises achètent moins d'espace de stockage, donc moins de disques pour stocker la même quantité d'information. Car, on sauvegarde et on compresse aussi les données en mettant des pointeurs sur les données qui existent déjà », résume Marc-Audic Landreau, commercial spécialisé dans la protection au sein de la division stockage d'IBM.

En effet, la déduplication ou l'art et la manière d'éliminer les doublons dans un système de fichiers est en vogue. « La déduplication est un argument de poids, 25 % des  nouveaux clients d'Arkeia achètent notre solution de sauvegarde avec l'option déduplication de données », reconnaît Frédéric Renard, responsable de la région EMEA pour Arkeia. L'adoption massive des solutions de déduplication en entreprise s'explique par l'explosion des coûts liés au stockage. Déjà, le fait que davantage de données soient créées impose une augmentation de la capacité du stockage principal et donc du budget qui lui est dédié. À ce titre, l'ESG (Enterprise Strategy Group) estime que la croissance annuelle de la capacité totale archivée est de 56 % jusqu'en 2015. De plus, les coûts opérationnels liés au stockage (besoins en alimentation et en refroidissement, infrastructures réseau supplémentaires, composants assurant la redondance et logiciels de gestion des ressources) augmentent aussi au fur et à mesure que de la capacité est ajoutée. Il devient donc urgent pour les entreprises d'adopter des solutions de déduplication.

Une analyse granulaire fine pour réduire la taille des sauvegardes

Techniquement, la déduplication permet d'identifier et d'éliminer les données redondantes. « Si pendant longtemps, la déduplication s'effectuait au niveau du fichier, aujourd'hui, elle se fait au niveau du bloc ou d'un ensemble d'octets. Plus l'analyse est granulaire, plus les chances de détecter et d'éliminer les informations en double sont élevées » indique Frédéric Renard. D'ailleurs, le taux de déduplication (ou le degré de réduction de la capacité qu'elle permet d'obtenir) varie de 10x à 20x selon les entreprises utilisatrices. Par exemple, 10x (10 :1) signifie que l'entreprise a pu réduire la taille d'une sauvegarde de 200 Go à seulement 20 Go. « Il faut faire attention, car sur des données déjà compressées ou cryptées, le ratio de déduplication est nul. Il est donc important d'effectuer une analyse des données pour calculer le ratio voulue », indique Joseph Szczodry, responsable avant-ventes BU Data Protection de Quest Software. 

Dans le cas d'une déduplication idéale, le résultat probant se mesure aussi sur le ROI (retour sur investissement). Selon une étude IDC commandée par EMC en octobre 2011, en moyenne, les entreprises sondées (ayant pour l'essentiel adoptées les solutions DataDomain et Avamar d'EMC) ont amorti leur nouvelle solution en moins de 7 mois et devraient afficher des ROI de l'ordre de 450 % sur 3 ans. D'après l'étude, les entreprises ont aussi réduit leurs Capex (dépenses d'investissements) associés à l'achat des supports de sauvegarde et de l'infrastructure associée de près de 24 000 € par an pour 100 utilisateurs (soit 72 % de l'économie totale réalisée). Ce n'est pas tout, car en réduisant le temps consacré aux activités de sauvegarde et de restauration par le personnel informatique, les entreprises ont économisé 4 201 € par an pour 100 utilisateurs en coûts de main-d'oeuvre informatique (soit 13 % de l'économie totale réalisée).

Des gains sur les temps

Enfin, l'étude stipule que les utilisateurs subissent moins d'interruptions liées aux sauvegardes prolongées et profitent de délais de restauration plus courts, ce qui se traduit par une économie de 5028 € par an pour 100 utilisateurs (soit 15 % de l'économie totale réalisée). L'impact de la déduplication va au-delà de l'aspect financier pur. « La vitesse d'exécution est un bénéfice important de la déduplication, le fait d'envoyer des octets uniquement répertoriés réduit de manière considérable les flux à envoyer au travers de la bande passante, ce qui explique les performances remarquables », souligne Marc Audic Landreau. En rationalisant la gestion du stockage, la fenêtre moyenne des sauvegardes quotidiennes est passée de 11 à 3 heures selon IDC. Le constat est identique pour la restauration des données, un constat partagé par l'étude d'IDC qui indique que les entreprises interrogées ont réussi à réduire de 91 % les délais de restauration des fichiers de données : moins de deux heures, contre un à trois jours en moyenne auparavant. Quant aux erreurs de sauvegarde, elles ont été réduites de 53 %.

La déduplication consiste à éliminer les données redondantes lors de leur sauvegarde : au niveau de la source, ce qui réduit les besoins en bande passante, et au niveau de la cible, ce qui réduit les besoins en espace de stockage. Cette phrase résume bien la différence entre les déduplications à la cible et à la source.

À la source pour une analyse plus fine

« Dans le cas d'une déduplication à la source, donc du côté serveur, un tri est réalisé directement sur le serveur d'application avec un niveau de granularité très fin, c'est un travail qui prend plus de temps, mais qui permet de supprimer les goulots d'étranglement », résume Frédéric Renard, responsable de la région EMEA pour Arkeia. En effet, les sauvegardes sont susceptibles de durer plus longtemps et d'utiliser un grand nombre de cycles processeurs pour la déduplication des données, induisant ainsi d'éventuels problèmes de performances sur les machines de production.

Dans le détail, une déduplication à la source établit les bases d'une déduplication plus efficace. Elle détermine s'il existe déjà une copie d'un bloc spécifique de données sur le poste client. Typiquement, pour les environnements virtualisés qui ont de multiples copies du même système d'exploitation et des mêmes applications, la déduplication à la source empêche d'importants volumes de données redondantes dupliquées d'être transférés des disques sur bandes ou vers un espace de stockage dans le cloud. Parmi les solutions existantes de déduplication à la source, on peut citer Arkeia Network Backup, EMC Avamar, Symantec Netbackup 7.5 (source et cible), CA Arcserve 12.5 (source et cible), Acronis Backup & Recovery Deduplication (source et cible), Atempo HyperStream ou encore IBM Tivoli Storage Manager.

À la cible pour ingérer une quantité importante de données

Concernant la déduplication à la cible, elle a lieu après la sauvegarde de la source, à l'emplacement de stockage secondaire, en général sur un noeud de stockage. « La déduplication à la cible répond aux gros volumes, elle s'appuie sur un matériel dédié, un serveur performant pour ingérer toutes les données. Cette technique réclame des performances, les capacités de déduplication de l'appliance sont limitées à la puissance de traitement de ses processeurs, mais si les ressources sont présentes, l'exécution est plus rapide... » souligne Marc-Audic Landreau, commercial spécialisé dans la protection au sein de la division stockage d'IBM.  

Selon Acronis, la déduplication à la cible est préférée dans les situations suivantes : lorsque les administrateurs prennent en charge des clients et des sources de données non compatibles avec la déduplication, ou lorsque le surdébit de traitement associé à la déduplication à la source est susceptible d'étendre la fenêtre de sauvegarde au-delà des limites définies par les administrateurs. Quant au principal inconvénient, la déduplication à la cible risque de générer un goulot d'étranglement au niveau de la bande passante. Parmi les solutions de déduplication à la cible, on peut citer Veeam Backup, NetVault SmartDisk de Quest Software, IBM Protectier et EMC Data Domain, ces deux dernières très répandues, à l'instar de nombreuses solutions comme Arkeia NetBackup, présentent aussi la particularité de dédupliquer à la volée. Ce qui signifie qu'une déduplication peut être immédiate, alors que la sauvegarde est en cours, ou avoir lieu ultérieurement en mémoire cache ou lors d'une phase d'activation avant que les sauvegardes ne soient envoyées dans l'espace de stockage. Elle ne néces­site pas de sto­ckage tem­po­raire en atten­dant une seconde passe pour effec­tuer l'opération.

Si la déduplication élimine les redondances dans les opérations de sauvegarde, elle manifeste un intérêt de plus en plus concret et grandissant dans le stockage primaire, afin d'enrayer la croissance exponentielle des volumes stockés sur les baies de stockage, incluant ainsi les bases de données, les emails, les fichiers des utilisateurs et d'autres contenus non structurés. « Pour le stockage primaire, les  technologies de déduplication Inline manquent encore de maturité malgré les progrès réalisés en terme de puissance des CPU mais on y viendra dans les prochaines années », reconnaît  Gabriel Chaher, vice-président marketing pour les régions EMEA et APAC chez Quantum.

Des performances insuffisantes pour du « full Inline »

En effet, la déduplication « full Inline » au niveau des blocs est la solution idéale, mais elle réclame des performances accrues au niveau de la bande passante sur les I/O (entrées/sorties). « Il faut travailler davantage sur l'optimisation de la bande passante et plus d'intelligence dans les contrôleurs Raid », insiste Gabriel Chaher. De son côté, Jean-Yves Pronier, directeur marketing d'EMC France indique que la gamme VNX offre la déduplication du stockage primaire au niveau fichier avec un temps de processus quasiment nul. « Pour une granularité plus fine, au niveau du bloc, il faut plus de performances. Dans deux ans, la déduplication au niveau bloc sera possible sans dégradation de performances. On attend qu'Intel nous donne ce ballon d'oxygène ». Fort de ce constat, il n'y a toujours pas aujourd'hui de technologie économique à proprement parlé, capable de traiter les transactions que réclament la déduplication « Inline » en temps réel de données primaires sur disques au niveau bloc. Néanmoins, de nouveaux acteurs arrivent, mais ils exploitent des technologies associées au stockage à mémoire flash. On le voit bien, résoudre les problèmes de performance que pose l'intégration de la déduplication sur des équipements de stockage primaires prendra encore du temps. La loi de Moore aidant, les solutions « full Inline » feront leur apparition dans les prochaines années.

Aujourd'hui, NetApp se revendique comme l'un des seuls à s'être, depuis longtemps, intéressés à l'usage de la déduplication au niveau des blocs sur le stockage primaire en indiquant pouvoir réduire 50 % du volume de données dans le stockage primaire. L'approche de NetApp n'est pas celle d'une technologie « Inline », mais une approche en mode post-processing fonctionnant sous Data Ontap qui s'opère donc pendant les périodes creuses. « Cela fait 5 ans que nous travaillons sur un stockage intelligent, la déduplication des données primaires est une fonction intégrée à Data Ontap, notre operating system qui est embarqué dans nos baies Fas et V-series », indique Cyril Van Agt, responsable avant-vente partenaires chez NetApp.

La déduplication intelligente dans Data Ontap

D'un point de vue fonctionnel, la déduplication de NetApp s'exécute en deux passes. La première consiste à lire les données dans les volumes (réseau de données jusqu'à 100 To avec la version 8 de Data Ontap) peu importe la technologie NAS ou sans, puis de découper des blocs de 4 Ko en calculant une clé de hachage et de repérer les blocs identiques. La deuxième passe permet de comparer les blocs identiques bit à bit et d'appliquer un pointeur sur les blocs conservés. Selon Cyril Van Agt, le gain de la technologie NetApp est fortement visible dans les environnements virtualisés où l'on divise la capacité de stockage par deux. « On divise la facture par deux, par exemple 10 To de données avec VMware, on les fait tenir sur 5 To. Il faut savoir que dans les environnements virtualisés, les données sont très redondantes. Et sur les postes clients en VDI, le gain peut atteindre les 90%. Aujourd'hui, sur un parc de près de 100 000 clients NetApp, la réduction de la capacité s'affiche à 5000 Po ce qui se traduit par 25 Md$ d'économies  », commente Cyril Van Agt. Cette technologie exclusive de NetApp a fortement contribué à positionner la société américaine n°2 dans le monde et en France dans le domaine du stockage en réseau derrière le leader EMC.

« On ne peut pas faire de la déduplication nativement sur bandes, car la technologie bande n'accepte qu'une seule session contrairement aux disques qui autorisent des flux en parallèle. Pour y arriver, nous avons la technologie VTL, avec notre solution Protectier, qui permet de la virtualisation du stockage disque en librairies de bandes virtuelles. En résumé, on émule la bande sur des baies de disques. Avec le VTL, on garde le bénéfice de parallélisation des flux, mais aussi de la sécurité accrue héritée de la bande. Concernant la bande, elle a toujours un avenir dans l'archivage et reste un excellent média, car sa densité est bien meilleure », résume Marc-Audic Landreau, commercial spécialisé dans la protection au sein de la division stockage d'IBM.  

En s'affranchissant des contraintes physiques de la technologie bande (les lecteurs de bandes nécessitent une maintenance mécanique régulière), la VTL élimine aussi les manipulations de cartouches et améliore les performances de sauvegarde/restauration. Aujourd'hui, de nombreuses entreprises utilisatrices de librairies de bandes ne souhaitent pas modifier leurs processus de sauvegarde. C'est pourquoi l'association d'une librairie de bandes virtuelles (VTL) et de la déduplication permet de limiter le recours aux bandes.

La bande : une charge de travail devenue coûteuse

Cela a notamment été le cas pour l'entreprise Eiffage qui était confrontée à un problème relativement courant : les bandes en tant que supports de sauvegarde devenaient une charge de travail coûteuse, à cause de la croissance constante des volumes de données et du nombre de bandes requises pour la sauvegarde. Résultat : le géant du bâtiment a décidé de se débarrasser des bandes et a choisi comme alternative deux systèmes Data Domain DD580 d'EMC plus économiques grâce à l'utilisation des protocoles CIFS/NFS et à la réplication instantanée qui garantit une reprise après sinistre. Le bénéfice essentiel pour Eiffage a été la maîtrise des coûts et des volumes de sauvegarde. En effet, pour 100 To de données utiles avec une technologie de bande, il fallait pour le géant du bâtiment près de 1 pétaoctet de stockage secondaire, soit 700 à 800 cartouches et une cinquantaine de lecteurs pour supporter la politique de sauvegarde. Aujourd'hui, avec 43 To de données et un taux de déduplication de 14 pour 1 (14 :1), 23 To de stockage secondaire suffisent pour conserver l'équivalent de 300 To de sauvegarde.  

Tous les acteurs majeurs du stockage ont à leur catalogue des solutions ou appliances VTL et déduplication, développées en interne comme Quantum (gamme DXi), IBM (System Storage Proctectier), NetApp (Fujitsu Eternus CS800 et VTL), EMC Data Domain (modèle DD160 pour l'entrée de gamme au DLm6000 VTL pour grands systèmes), HP (StorageWorks D2D), Oracle, etc. D'ailleurs, selon les derniers chiffres publiés par IDC, les systèmes de sauvegarde sur bande en 2011 séduisent de moins en moins les entreprises qui se tournent vers les solutions de sauvegarde sur disques dédupliquées. Ces dernières auraient généré près de 2,8 milliards de dollars contre 1,7 Md$ en 2010.

La bande reléguée à l'archivage

Il faut dire que la bande est de plus en plus utilisée pour des opérations d'archivage. « 80% des entreprises utilisent toujours de la bande, mais pour des rétentions de données sur des années. On conserve la donnée dans le temps » confirme Gabriel Chaher, vice-président marketing pour les régions EMEA et APAC chez Quantum. « Les bandes sont utilisées pour des opérations de sauvegarde mensuelles ou annuelles pour les données non dupliquées, pour les opérations quotidiennes, on utilise le disque », précise Joseph Szczodry, responsable avant-ventes BU Data Protection de Quest Software. 

D'ailleurs, l'étude IDC met bien en avant que l'usage des solutions de sauvegarde sur bande est de plus en plus relégué au rôle d'archivage de données à long terme. Parmi les fabricants, c'est EMC qui fait figure de leader dans la vente des systèmes de sauvegarde sur disque puisqu'il détient, avec ses solutions Data Domain et Avamar 62 % des ventes, soit 713 M$ sur le premier semestre 2011. IBM, de son côté arrive en seconde position (20,7 % du marché, soit 238 M$) avec son offre Protectier (héritée du rachat de Diligent). En capacité livrée, IBM n'a fourni toutefois que 26,8 Po de capacité brute (soit 7,7% du marché) contre 221,8 Po pour EMC (63,5 %), ce qui met le To à 8899 $ pour IBM contre 3217 $ pour le leader mondial. Les poursuivants HP, Quantum, Symantec et Oracle récoltent entre 2 et 3,3 % des parts de marché. Précisons enfin que d'ici à 2015, les revenus de ce marché devraient augmenter à un rythme annuel moyen de 25,6 % pour arriver à 5,3 Md$.

Gérard Darel, la marque de prêt-à-porter et de maroquinerie utilise la solution Acronis vmProtect 7 pour sauvegarder ses machines virtuelles (100 serveurs virtuels et 300 postes de travail virtualisés) vers un site distant chez Illiad. « On a réellement commencé avec la version 6, mais elle ne proposait pas la déduplication, on ne faisait que de la sauvegarde. L'objectif était de sauvegarder le noyau des machines virtuelles pour que les utilisateurs puissent bénéficier d'une continuité d'activité tout en sécurisant les serveurs. Avec la mise à jour vers la version 7, on bénéficie en plus de la déduplication », explique Samuel Chemouni, directeur technique de Gérard Darel. En effectuant de la déduplication et de la compression à la volée, Gérard Darel a réduit la taille des blocs de 80% et a mesuré une accélération de 75 % pour la réplication. «Toutes les minutes, la machine est mise à jour. Quant au gain d'espace, il est considérable », précise Samuel Chemouni. Des bénéfices que n'avait pas le groupe Gérard Darel avec des solutions concurrentes que le service informatique avait pu tester. En effet, face à ses principaux concurrents, Acronis vmProtect 7 s'est révélé être le logiciel le plus simple, le plus rapide, le plus économique (environ 399 € HT/par CPU) et le plus efficace. Pour Samuel Chemouni, il est effectivement simple à installer, autorise le déploiement en quelques clics et ne nécessite pas de compétences particulières. « Donnée à 5 minutes par l'éditeur Acronis, l'installation nous a pris exactement 4 minutes et 60 secondes, il suffit de cliquer sur le fichier .exe puis de choisir le serveur et le stockage... », conclut Samuel Chemouni.

Quel est votre point de vue sur l'évolution de la déduplication ?

La quantité de données - surtout celles qui sont non structurées - à protéger ne cesse d'augmenter, les sources de données se multiplient et nos clients doivent répondre à des exigences de performance, de flexibilité et de réduction des coûts sans cesse plus importantes. Même si le coût des disques a baissé de façon significative, les clients ne peuvent en augmenter la quantité et la capacité à l'infini. Ce contexte fait que la déduplication est un impératif pour optimiser l'espace de stockage sur disque. Dans un datacenter, l'intégration de la fonction de déduplication au sein d'une solution de sauvegarde et de restauration en mode SaaS peut être pertinente pour repousser les limites. Mais attention aux types de données à récupérer en cas de reprise après sinistre. Plus elles sont compliquées à reconstruire, moins on respecte le RTO du client sur des données critiques (base de données, application web...). Une sélection des données est cruciale pour appliquer la déduplication ou pas.  De notre côté, nous intégrons gratuitement la fonction de déduplication des données dans notre solution de sauvegarde depuis 2009 avec ARCserve 12.5. Elle doit être transparente dans son application en fonction des besoins du client.

Quelles sont, pour vous, les pratiques de déduplication à suivre ?

Il y a différentes approches. La première, la déduplication à la source (qui réduit la quantité de données qui transitent sur le réseau, mais qui prend alors une bonne part de la puissance de travail du serveur qui est sauvegardé). Quant à la deuxième, elle se situe au niveau du serveur de sauvegarde qui n'impacte pas les serveurs sources et qui dans notre solution est couplée à une sauvegarde incrémentale qui limite l'impact sur le réseau. De plus, notre solution de réplication permet de rapatrier les blocs modifiés des serveurs distants avec bien plus d'efficacité sans toucher à la performance des serveurs locaux, bien souvent des serveurs de production. La déduplication à la source n'est pas adaptée par tous les éditeurs pour ces raisons. Par ailleurs, notre solution de déduplication est déjà intégrée aux produits de la gamme CA ARCserve. En cas d'inflation importante des données, notre solution de déduplication ne nécessite pas d'acquisition de licences coûteuses supplémentaires de la part du client.

Quelles sont les limites des solutions de sauvegarde et de déduplication actuelles sur le marché ?

Les limites sont la plupart du temps matérielles. Elles sont le plus souvent déterminées par le client pour satisfaire ses critères de RTO (en fonction de ses données critiques, statiques ou archivées). C'est aussi le volume des données à sauvegarder aujourd'hui ou plutôt à protéger qui va déterminer la limite de la sauvegarde. Une nuit fait toujours 8h et un weekend 48h. Les données ne sont pas toutes les mêmes et leur criticité en fonction du RTO ou du RPO du client valide l'architecture à mettre en place chez le client. Là aussi, l'approche SaaS proposée par CA ARCserve peut être une solution très pertinente pour que le client trouve la meilleure infrastructure dédiée pour repousser les limites de la sauvegarde. L'objectif est d'optimiser la protection des données en mode bloc (plus petite entité à protéger). Qu'elle soit basée sur la déduplication ou sur de la réplication, la sauvegarde doit pouvoir s'adapter aux besoins précis du client. La déduplication n'est pas forcément la meilleure solution. Beaucoup de clients en sont revenus, car la reconstruction de certains fichiers devient très lourde à gérer lors d'un plan de reprise. On ne peut se permettre de perdre trop de temps à reconstituer ses fichiers pour les exploiter à nouveau.