前言 在Ceph和RAID存储领域，RS纠删码扮演着重要的角色，纠删码是经典的时间换空间的案例，通过更多的CPU计算，降低低频存储数据的存储空间占用。 纠删码原理 纠删码基于范德蒙德矩阵实现，核心公式如下所示（AD=E） 假设某些数据丢失，右式部分行丢失，变成E'，则左式也相应去掉对应行，变成A'。 函数代表A'的逆矩阵，I代表单位矩阵 ​ ​ ​ Python实现 import numpy as np # 备份数量 backup_up = 2 # 原始数据 data = np.array([1, 0, 0, 8, 6]) # 根据纠删码原理生成的数据 vander_data = np.concatenate((np.identity(len(data)), np.vander(data, 3).transpose()[::-1]), axis=0) storage_data = vander_data.dot(data) print('生成数据',storage_data) # 模拟数据丢失 loss_data = np.concatenate((storage_data[0:3], storage_data[5:7]), axis=0) print('丢失后数据', loss_data) # 恢复数据 recover_data = np.linalg.inv(np.concatenate((vander_data[0:3], vander_data[5:7]), axis=0)).dot(loss_data) print('恢复数据',recover_data) 基于Python的Numpy库可以很容易地模拟纠删码数据恢复的流程。效果如下所示 伽罗华域优化 实际上，上述的Python代码只是纠删码的最基础版本，可以发现校验数据大于原始数据，这样就导致校验数据需要更多的存储位，并没有很好的优化存储空间。 在现实场景中，纠删码一般通过自定义的伽罗华域进行运算，保证位数在一定范围内。伽罗华域​代表所有运算结果只能在​之间。 伽罗华域的加法和减法为异或运算，乘法和除法需要基于生成多项式计算出gfilog表。的gfilog表如下所示。 以8*9为例，计算过程如下所示，需要注意如果值大于，需要模。 更多优化 范德蒙德矩阵求逆矩阵的时间复杂度为，柯西矩阵求逆矩阵的时间复杂度为，因此可以采用柯西矩阵替代范德蒙德矩阵用于编码运算。https://www.cnblogs.com/zhenlingcn/p/10366644.html