GemFire
柴嘉禧
一、GemFire是什么？
如果你了解Redis或memCached，那么恭喜，你很快就能理解GemFire是什么，没错，你可以把它理解为一个增强版的Redis，具体在哪些方面增强，我们日后慢慢聊。如果你不了解Redis，也没有关系，先看官方网站上的说法：Pivotal GemFire is the distributed, in-memory database for developers who are building the highest scaling and performing data-centric apps in the world. 但是，按照我对它的理解，我更愿意用下面的语言来描述它，GemFire是一个高性能的分布式内存对象缓存系统，如果非要说它是数据库，那也只能算是一个Key/Value数据库(我更愿意称之为Key/Value存储系统)
我们通过把对象或数据缓存在内存中，减少对传统关系型数据库的读写次数(减少IO瓶颈)，从而使我们的应用支持更多的TPS，更多的并发用户数。GemFire能够在部分场景下对关系型数据库起到很好的补充(甚至替代)作用，它可以作为应用层与传统数据层的“润滑剂”。
二、关于GemFire的前世今生？
GemFire的第一个版本发布于2002年3月份，当时它还属于一家独立的公司GemStone Systems.后来GemStone System这家公司被VMware给收购了，GemFire也被整合到了VMware Vfabric产品线。请注意，VMWare当时也收购了Redis项目。在2013年4月EMC与VMware/GE合资成立一家新公司Pivotal，VMware慷慨的贡献出了它的vfabric产品线，以及它收购的一些开源项目。
目前，GemFire的商业版权已经属于Pivotal了。顺便说一句，Redis的创始人Salvatore Sanfilippo 现在也供职于Pivotal.
三、GemFire有什么特点？
1.分布式数据存储
• 稳定而高性能的的基于内存的数据数据存储
• 灵活的Cache部署策略：点对点（peer to peer）；客户端／服务端（client server）；多集群（multiple clusters）的本地或远程数据同步，支持数据高性能灾备和双活
• 灵活的Region（数据对象集或者可理解为表）分布式处理：同一集合数据（可理解为一个表的数据）可以整集多点同步或切割后不同点保存，并支持数据实时再平衡（rebalance）既数据分隔保存后若加入新的空闲服务器，数据可以在不重启服务的情况下重新切割和平衡数据，从而达到真正的数据在线动态延展
• 具有持续性的数据高可用性和容错性：各个分散的数据点可以配置一个或多个基于内存的热备数据点，当主数据点宕机的情况下，其中一个热备点就会提升称为主数据点，同时可以继续在空闲机器上创建备份点，从而达到数据的持续的可用性。同时数据可以通过配置同步或异步地持续化到本地硬盘，或者到指定的数据库或文件中。
• 数据地客户端缓存：客户端可以将最常用数据缓存一个备份与本地，进一步加快效能
• 在线数据备份
• 数据全内存和部分内存策略：通过配置可以将数据全部存入内存，或者通过将非频繁使用数据挤出策略（LRU）来将部分频繁适用数据保存于内存中达到成本效益最大化
• 内置资源优化器用以降低JAVA GC所带来的延迟，支持单个大容量Cache点（一般服务器可配置超过40GB内存的Java heap size）
• 安全支持：基于用户和角色的数据访问，数据传输渠道加密（SSL）
• 数据存取
• 除key－value简单cache支持外，支持复杂数据对象和关系存储
• 丰富的OQL（类SQL）的查询语言支持
• 支持数据单记录或批处理
• 本地或分布式事务处理
• Map－Reduce并行查询：同一查询命令可并行发送到各Cache点（Map），结果集自动在客户端汇合（Reduce）
• 智能定点查询：查询命令在包含数据特征如主键值时，查询命令会自动命中数据点
2.服务和事件
• Function支持： Function相当于一个数据库存储过程，区别在于其可动态植入Cache点。
• 亲密关系数据同业务逻辑聚合：亲密关系数据指需要相互直接依赖完成一个交易的多个数据，例如客户A和属于客户A的产品数据。GemFire可以将业务逻辑涉及到亲密关系数据放到同一个计算机进程来处理，避免数据网络传输和数据序列化等带来的延迟，并极大体现Share Nothing的涉及理念，因为互相不依赖从而加大服务的涉及延展性
• 最大化的并行处理：数据各子集合和业务逻辑可分散在各点并行处理，而不需要想数据库等产皮按顺序处理
• 事件监听处理：Cache点可以根据数据的增、删、改和过期等事件来触发另外的业务逻辑处理。
• 类消息队列处理：客户端可以注册其感兴趣数据在Cache点，当满足条件数据出现时，自动向客户端发布。可实现类似于消息队列的Queue 或 Topic机制。
• 持续查询功能：客户端可以定制复杂查询条件在Cache点，同样在满足条件的数据出现时向客户端发送。
• Delta数据传输：所有数据的网络同步可以选择只将变化碎片传输同步，例如当一个客户只有地址数据发生改变时，就只需要将地址同步而非整个客户数据对象。
• 稳定而高性能的的基于内存的数据数据存储
• 灵活的Cache部署策略：点对点（peer to peer）；客户端／服务端（client server）；多集群（multiple clusters）的本地或远程数据同步，支持数据高性能灾备和双活
• 灵活的Region（数据对象集或者可理解为表）分布式处理：同一集合数据（可理解为一个表的数据）可以整集多点同步或切割后不同点保存，并支持数据实时再平衡（rebalance）既数据分隔保存后若加入新的空闲服务器，数据可以在不重启服务的情况下重新切割和平衡数据，从而达到真正的数据在线动态延展
• 具有持续性的数据高可用性和容错性：各个分散的数据点可以配置一个或多个基于内存的热备数据点，当主数据点宕机的情况下，其中一个热备点就会提升称为主数据点，同时可以继续在空闲机器上创建备份点，从而达到数据的持续的可用性。同时数据可以通过配置同步或异步地持续化到本地硬盘，或者到指定的数据库或文件中。
• 数据地客户端缓存：客户端可以将最常用数据缓存一个备份与本地，进一步加快效能
• 在线数据备份
• 数据全内存和部分内存策略：通过配置可以将数据全部存入内存，或者通过将非频繁使用数据挤出策略（LRU）来将部分频繁适用数据保存于内存中达到成本效益最大化
• 内置资源优化器用以降低JAVA GC所带来的延迟，支持单个大容量Cache点（一般服务器可配置超过40GB内存的Java heap size）
• 安全支持：基于用户和角色的数据访问，数据传输渠道加密（SSL）
• 数据存取
• 除key－value简单cache支持外，支持复杂数据对象和关系存储
• 丰富的OQL（类SQL）的查询语言支持
• 支持数据单记录或批处理
• 本地或分布式事务处理
• Map－Reduce并行查询：同一查询命令可并行发送到各Cache点（Map），结果集自动在客户端汇合（Reduce）
• 智能定点查询：查询命令在包含数据特征如主键值时，查询命令会自动命中数据点
2.服务和事件
• Function支持： Function相当于一个数据库存储过程，区别在于其可动态植入Cache点。
• 亲密关系数据同业务逻辑聚合：亲密关系数据指需要相互直接依赖完成一个交易的多个数据，例如客户A和属于客户A的产品数据。GemFire可以将业务逻辑涉及到亲密关系数据放到同一个计算机进程来处理，避免数据网络传输和数据序列化等带来的延迟，并极大体现Share Nothing的涉及理念，因为互相不依赖从而加大服务的涉及延展性
• 最大化的并行处理：数据各子集合和业务逻辑可分散在各点并行处理，而不需要想数据库等产皮按顺序处理
• 事件监听处理：Cache点可以根据数据的增、删、改和过期等事件来触发另外的业务逻辑处理。
• 类消息队列处理：客户端可以注册其感兴趣数据在Cache点，当满足条件数据出现时，自动向客户端发布。可实现类似于消息队列的Queue 或 Topic机制。
• 持续查询功能：客户端可以定制复杂查询条件在Cache点，同样在满足条件的数据出现时向客户端发送。
• Delta数据传输：所有数据的网络同步可以选择只将变化碎片传输同步，例如当一个客户只有地址数据发生改变时，就只需要将地址同步而非整个客户数据对象。
3.整合与管理：
• Cache的监控和数据分析工具，便于管理
• Springdata－GemFire项目，使得GemFire和Spring的集成浑然一体
• Cache的监控和数据分析工具，便于管理
• Springdata－GemFire项目，使得GemFire和Spring的集成浑然一体
最后，想问一句，今年你买到回家的火车票了吗？如果你用过12306的网站，那么GemFire已经为你服务过了，虽然只是余票查询。在接下来的10个月里，我会用每两周一篇文章的频率来介绍GemFire.
类似资料：