内存处理（In-memory processing）可以提升数据挖掘与分析，以及其他动态数据处理性能。尽管如此，在使用内存处理技术时，还需考虑数据保护、成本与性能瓶颈。

当需要顶级的数据库性能时，内存处理可以提供极低的延迟。但事实上，组织会考虑使用内存数据库的性价比。尚无法确定投资是否能真正产生商业回报。

即使提升性能的需求合理，能否保障内存中重要实时数据安全，免受损坏或丢失？这样的内存系统规模是否能够跟得上指数级的数据增长？

厂商们为解决上述问题持续努力着。他们试图通过实践体现内存处理的性能优势，提高IT市场中如分析、互动决策与其他（近）实时情况下的处理性能。

内存是最快的介质

使用内存来提高I/O密集型应用程序性能并不是新理念；它一直都很优秀，在内存中处理数据的速度远比那些速写速度慢的介质要快（大概10至1,000倍）——包括闪存。

在计算机的初期，性能密集型产品已经将内存作为数据缓存使用。大多数数据库都被设计为尽可能多的使用内存。也许还有人记得，早在MS-DOS时代，需要设置RAM盘来为PC存储临时数据，从系统中挤出更多速度。

现今的内存处理会把这一理念发挥到极致：采用主动内存(动态RAM)来保存当前正在运行的数据库代码和活动数据结构，并且将不变的数据库保存在内存中。这些数据库已经无须再通过主板去和外部媒体进行交互，而是优化其驻留在内存中处理的数据结构。

从历史上看，单台服务器的内存密度和内存成本是两大限制因素，但现今已可以扩展应用程序使用更大量级的内存处理技术。这包括每台服务器内存体系结构，内联/联机重复数据删除与压缩技术，使用额外的CPU计算能力(相对便宜)来榨取更多数据到内存中，而且集群和网格工具可以提升总体内存的使用效率。

内存持续变得更便宜和更密集。现在笔记本标配都已经比曾经的大型机内存容量还要大。今天，任何人都可以用信用卡便宜的从诸如亚马逊AWS那里买到云计算资源，它最近刚推出的R3高内存服务器拥有令人印象深刻的244GB RAM，费用为每小时2.8美元。预算充足的组织可以考虑HP具有4TB内存的ProLiant DL980 G7服务器，或6TB内存的Dell R920，还可以考虑使用具有32TB内存的Oracle M6-32。

内存中计算不但能够满足传统结构化数据应用程序的需求，也在大规模非结构化数据处理领域风靡一时。Hadoop集群可以利用商品服务器架设，每个结点的内存可高达128GB，实现内存中数据实时查询与计算。