百度給每個人免費2TB空間，是如何做到的？

前段時間在使用百度網盤時，突然發現百度網盤可以免費領取2TB空間啦!

　　網絡硬盤大家可能都或多或少的接觸過，不得不說在萬物皆云的時代里，這是一種非常好的網絡工具，而對我們這種窮到掉渣的免費用戶來說，硬盤空間簡直就是硬傷，剛開始使用的時候真是為了空間，各種折騰(做他那里所謂的任務)，到頭來也才擴充了5G左右。現在好了，隨隨便便、輕輕松松就有了2T的空間。

　　而這突如其來的2T空間是如何實現的呢？

　　事實是這樣滴!

　　假如我想要為每個用戶提供1G的網絡存儲空間。

　　如果服務器上有一顆1000G的硬盤可以全部為用戶提供數據儲存，如果每個用戶分配1G的最大儲存空間，那么能分配給多少個用戶使用呢?

　　你一定說是1000/1=1000個用戶。

　　但是事實上你這么分配了，你會發現每個用戶平時根本不會上傳1G的東西將容量占的滿滿的，有多有少，但平均用戶平時只上傳50M的文件，也就是說，如果你將1000G的硬盤分給1000個人使用，但只有效利用了其中的50M*1000=50G的空間，剩余950G的空間基本都完全浪費了。

　　那么怎么解決呢？

　　你可以變通一下，將這1000G的空間分配給20000個用戶使用，每個人的上傳上限容量還是1G，但每人平時還是平均上傳50M的數據，那么20000*50M=1000G，這下子就把寶貴的服務器上的存儲空間充分利用了。但你又怕這樣分配給20000個人后，萬一某一刻人們突然多上傳點數據，那么用戶不是就覺察出來你分給人家的1G空間是假的了嗎?所以可以不分配那么多人，只分配給19000人，剩下一些空間做應急之用。

　　突然發現一下子將可分配的用戶數量翻了19倍啊，了不起。那還有沒有辦法更加有效的利用一下呢?

　　如果我有1000個以上的服務器，一個服務器上有1000G空間，那么我們每個服務器上都要留下50G的空白空間以備用戶突然上傳大數據時導致數據塞滿的情況，那么我這1000個服務器上就空出了1000臺*50G=50000G的空間被浪費了，多么可惜。所以攻城獅們發明了存儲集群，使得一個用戶的數據可以被分配在多個服務器上存儲，但在用戶那看起來只是一個1G的連續空間，那么就沒必要在每個服務器上預留出應急的空間了，甚至可以充分的將前一個服務器塞滿后，在將數據往下一個服務器中塞。這樣保證了服務器空間的最大利用，如果某一刻管理員發現用戶都在瘋狂上傳數據(在一個大規模用戶群下，這樣的概率少之又少)導致我現有提供的空間不夠了，沒關系，只需要隨手加幾塊硬盤或者服務器就解決了。

　　好吧，這下子我們的服務器空間利用高多了，可以將一定量的空間分配給最多的用戶使用了。但有沒有更好的改進方案呢?

　　管理員有一天發現，即使每個用戶平均下來只存儲50M的東西，但這50M也不是一蹴而就的，是隨著1-2年的使用慢慢的達到這個數量的，也就是說，一個新的用戶剛剛注冊我的網絡空間時，不會上傳東西，或者只上傳一點非常小的東西。那么我為每一個用戶都初始分配了50M的空間，即使將來2年后他們會填滿這50M，但這期間的這空間就有很多是浪費的啊。所以聰明的攻城獅說：既然我們可以分布式、集群式存儲，一個用戶的數據可以分布在多個服務器上，那么我們就假設一開始就給一個新注冊的用戶提供0M的空間，將來他用多少，我就給他提供多少存儲空間，這樣就徹底的保證硬盤的利用了。但用戶的前端還是要顯示1G的。

　　工程師的這個點子，使得我在建立網盤初期能用1臺1000G的服務器提供了大約1000000人來注冊和使用，隨著注冊的人多了，我也有錢了，也可以不斷增加服務器以提供他們后期的存儲了。同時因為一部分服務器完成了一年多購買，我的購買成本也下來了。

　　那么…這就結束了嗎?

　　若是郵箱提供商的話，這樣的利用率夠高了。但網盤就不一樣了。

　　聰明的工程師發現：不同于郵箱，大家的內容和附件絕大多數都是自創的和不同的。但網盤上大家上傳的東西很多都是重復的。

　　比如：張三今天下載了一部《TxxxO HxT》上傳到了自己的網盤上，李四在三天后也下載了一模一樣的《TxxxO HxT》上傳到了網絡硬盤上，隨著用戶的增多，你會發現總共有1000個人上傳了1000份一模一樣的文件到你寶貴的服務器空間上，所以工程師想出一個辦法，既然是一樣的文件，我就只存一份不就好啦，然后在用戶的前端顯示是沒人都有一份不就行啦。當某些用戶要刪除這個文件的時候，我并不真的刪除，只需要在前端顯示似乎刪除了，但后端一直保留著以供其他擁有此文件的用戶下載。直到所有使用此文件的用戶都刪除了這個文件我再真的將其刪除吧。

　　這樣子隨著存儲的數據越來越多，注冊的用戶越來越多，其上傳的重復數據越來越多。你發現這樣的檢測重復文件存儲的效率越來越大。這樣算下來似乎每個人上傳的不重復的文件只能平均1M/用戶。這下子你可以提供超過50倍的用戶使用您這有限的空間了。

　　但伴隨著使用，你又發現一個規律：

　　張三上傳的《TxxxO HxT N0124》和李四上傳的《TH n124》是同一個文件，只不過文件名不一樣，難道我就不能識別出他們是一個文件，然后只將其分別給不同的用戶保存成不同的文件名不就行啦?確實可行，但這要利用一些識別文件相同性的算法，例如MD5值等。只要兩個文件的MD5值一樣，文件大小一樣，我就認為它們是相同的文件，只需要保存一份文件并給不同的用戶記作不同的文件名就好了。

　　有一天你發現，因為每一個文件都需要計算MD5值，導致CPU負荷很大，而且本來一樣的文件非要浪費帶寬上傳回來才可以檢測一致性，能改進一下嗎?

　　聰明的工程師寫了個小軟件或小插件，美其名曰“上傳控件”，將計算MD5的工作利用這個軟件交給了上傳用戶的電腦來完成，一旦計算出用戶要上傳的數據和服務器上已經存儲的某個數據是一樣的，就干脆不用上傳了，直接在用戶那里標記上這個文件已經按照XX文件名上傳成功了。這個過程幾乎是瞬間搞定了，并給其起了個高富帥的名字“秒傳”!

　　通過以上這么多步驟，你發現本來你只能給1000用戶提供網絡空間的，這么多改進辦法后，在用戶端顯示1G空間不變的情況下，近乎可以為1000000個用戶提供網絡空間了。

　　這樣若是您哪天心情好，對外宣傳說：我要將每個用戶的存儲空間上限提升到1TB。那么每個用戶平均還是只上傳50M數據，只有極個別的用戶上傳了突破1G原始空間的數據，你會發現所付出的成本近乎是微乎其微的。

　　辛勤的攻城獅還在為如何更有效率的利用服務器提供的磁盤空間在不屑努力和挖掘著……