大数据时代产生的海量数据存在着大量冗余。数据去重技术可以有效地消除冗余数据,从而获得学术界和工业界的广泛关注与应用。但是数据去重技术计算开销过大,会对存储系统性能造成明显影响。为了降低数据去重的计算开销对存储系统性能所带来的影响,分析了数据分块和指纹计算开销,并探究了传统的计算性能优化方案的不足:现有基于多核的优化方案中,并行化的加速方式虽然加速了基于内容的数据分块过程,但也破坏了数据去重基于内容分块的属性,导致了去重率下降的问题。为了解决并行分块带来的去重率下降的问题,提出了并行分块拼接策略,即在并行分块后对数据段边界进行分块修订。基于上述并行分块拼接策略,设计并实现了G-Dedup,一个利用GPU并行计算特性来加速Rabin数据分块和SHA-1指纹计算的数据去重系统。根据GPU的硬件特性,G-Dedup优化Rabin数据分块和SHA-1指纹计算的实现,并对Rabin数据分块结果进行均衡负载处理,以优化指纹计算阶段的GPU计算效率。在上述基础上,设计实现了G-Dedup流水线策略,从而进一步消除系统串行执行的时间开销,以提升系统的吞吐率。实验结果表明:G-Dedup有效地实现了数据分块和指纹计算的并行化,系统吞吐率平均达到了2.01GB/s;并行分块拼接策略对去重率的影响仅为0.1%~1.5%。