IBM solidDB是一个专为用户获取极高的速度和可用性的内存数据库，用户既可以单独部署作为独立的数据库支持应用程序，也可以部署为其它关系型数据库的加速缓存以提高应用程序性能。
IBM solidDB
其中，IBM solidDB Universal Cache功能将这些数据库中存储的性能关键型数据缓存到solidDB Universal Cache中，加快领先关系数据库的速度。solidDB Universal Cache 功能使用检查点和事务日志将数据持久保存在 磁盘上，从而保持数据耐久性。
除了SAP、IBM和甲骨文等IT巨头推出的软硬件的部署内存分析平台，在开源市场，Spark也越来越多的得到用户的关注，这个在开源领域可以说能够跟OpenStack相提并论。
Spark的核心机制方面主要由两个层面构成，首先是RDD（Resilient Distributed Datasets），RDD是Spark的最基本抽象，是对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现，它表示已被分区，不可变的并能够被并行操作的数据集合，并且通常缓存到内存中，并且每次对RDD数据集的操作之后的结果，都可以存放到内存中，下一个操作可以直接从内存中输入，省去了Map Reduce框架中由于Shuffle操作所引发的大量磁盘IO。
其次，在RDD上面执行的算子（Operator），在Spark的支持算子方面，主要有转换（Transformation）和操作（Action）这两大类。在转换方面支持算子有map， filter，groupBy和join等，而在操作方面支持算子有count，collect和save等。
Spark常见存储数据的格式是Key-Value，也就是Hadoop标准的Sequence File，但同时也听说支持类似Parquet这样的列存格式。Key-Value格式的优点在于灵活，上至数据挖掘算法，明细数据查询，下至复杂SQL处理都能承载，缺点也很明显就是存储空间比较浪费，和类似Parquet列存格式相比更是如此，key-Value格式数据一般是原始数据大小的2倍左右，而列存一般是原始数据的1/3到1/4。
当下Spark已不止步于实时计算，目标直指通用大数据处理平台，而终止Shark，开启SparkSQL或许已经初见端倪。
因此，尽管它今天看起来可能仍是昂贵的，但内存计算最终的总拥有成本更低将会被证明，因为它性能更强。在内存计算方面，SAP、甲骨文、IBM以及开源Spark都快速发展，随着新一轮的至强E7 v3处理器的发布，相信会给内存分析带来新的动力。
