（2）内存处理优点：去除硬盘读写开销，提高处理速度。 （3）关系型内存数据库： Memory-resident：可能在buffer pool中。 MMDB：可能彻底不用buffer pool，改变了系统内部设计。 2、关键技术 Sorting优化：使用quick sort而不是replacement selection Hash join优化 B+ trees Vectorization；处理器加速；压缩 3、MonetDB SQL -> MAL -> BAT；内存列式存储，数据在类似数组的结构中。 4、在商用数据库中的实现 SAP HANA：所有数据存为列，变长数据存在dictionary，列中存dictionary的位置；Main data为了读，过段时间更新，Delta data为了写；热点数据放在内存里；目标：OLTP和OLAP放在一个系统。
二、内存键值系统 1、Memcached 单机的内存的key-value syore；数据在内存中以hash table的形式存储；支持最基础的<key, value>数据模型；通常被用于前端的cache；可以使用多个memcached+sharding建立一个分布式系统。 2、Redis 提供更加丰富的类型；key可以包含hashes，lists，sets和sorted sets；支持副本和集群。 3、Memcached内部结构
（1）单机系统 （2）实现自定义的协议，支持Get/Put等请求和响应。<文本方式的协议，二进制协议> （3）采用多个链表管理内存。采用多个链表，每个链表内存块大小相同。 （4）key-value采用一个全局的Hash Table进行索引。 （5）多线程并发互斥访问。
三、内存MapReduce Spark：面向大数据分析的内存系统 1、原理 可以从HDFS中读数据，但是运算中数据存放在内存中，不使用Hadoop，而是新实现了分布式的处理。 目标是低延迟的分析操作。
2、运算和数据的表达 目标：高效、容错 RDD（resilient distributed data sets）：一个数据集；只读，整个数据集创建后不能修改；通常进行整个数据集的计算。 优点：并发控制被简化了；可以记录lineage（数据集上的运算序列），可以重新计算。并不需要把RDD存储在stable storage 上。 3、RDD运算 （1）Transformation：RDD->RDD （2）Action：RDD->计算结果 4、编程 Spark支持的语言：Scala，Java，Python 流程：建立SparkContext -> 读文本文件生成一个RDD -> 进行RDD操作 （1）Java RDD的类型
- Class JavaRDD<T>：元素类型为T的RDD
- Class JavaPairRDD<K,V>：元素包含一个K和一个V
- Class JavaSparkContext中函数
- JavaSparkContext.textFile(path)：从文本文件读入，每一行是一个元素，元素类型为String；返回JavaRDD<String>。
- JavaSparkContext.wholeTextFiles(path)：读一个目录，每个文件称为一个元素；key是文件路径，value是文件内容。返回JavaRDD<String，String>
5、实现 （1）运算过程 读入内存一次，在内存中可以多次处理。 （2）系统结构
每个应用程序包含： 一个SparkContext（driver主程序创建，协调多个worker运行，发出RDD操作要求），多个Executor（在不同worker node上，执行并行运算，存储数据）（多个应用程序的SparkContext隔离，无法共享数据，必须通过外部的文件系统进行数据共享）。（3）Spark中RDD存储方式内存缓存、内存Serialized（顺序化）、多个内存副本、硬盘保存、多种组合（4）Spark运算的运行Transformation（仅记录不运算，lazy）；Action（遇到Action时才执行之前记录的运算）。容错/内存缓冲替换：当内存缓冲的RDD丢失时，可重新执行记录的运算，重新计算该RDD。