La clasificación automática de datos en niveles (mucho acceso/poco acceso) mantiene los datos activos en la memoria, al tiempo que almacena el conjunto de datos completo en un grupo de almacenamiento de alto rendimiento, lo que ofrece una latencia de milisegundos para interacciones de alta frecuencia.

Una arquitectura de almacenamiento de múltiples niveles que abarca memoria, SSD y almacenamiento de objetos, escala sin problemas hasta cientos de terabytes de capacidad, lo que reduce significativamente los costes de almacenamiento y O&M.

Basado en una arquitectura distribuida con almacenamiento y cómputo desacoplados, el sistema puede escalar nodos de cómputo en minutos y el almacenamiento en segundos sin interrumpir los servicios.

GeminiDB combina una arquitectura simétrica avanzada, en la que todos los nodos admiten operaciones de lectura y escritura, con un motor de procesamiento paralelo de múltiples subprocesos para permitir la ingesta a alta velocidad de conjuntos de datos masivos de características. Ofrece un rendimiento de ingesta de datos hasta 5 veces superior al de Redis de código abierto, y admite lecturas en tiempo real con millones de consultas por segundo (QPS) y una latencia de milisegundos.

Para satisfacer las necesidades de almacenamiento de los enormes volúmenes de datos históricos utilizados para el etiquetado y la ingeniería de características, GeminiDB combina el almacenamiento y el cómputo desacoplados con una estructura de almacenamiento de múltiples niveles. El conjunto de datos completo se almacena de forma persistente con alta fiabilidad, mientras que solo los datos de uso frecuente permanecen en la memoria, lo que reduce significativamente los costes de almacenamiento en comparación con las soluciones tradicionales totalmente en memoria.

GeminiDB ofrece persistencia en tiempo real y altamente consistente, con redundancia de datos de tres réplicas. En caso de un fallo de hardware, el clúster puede realizar una conmutación por error automática y asumir las cargas de trabajo de cómputo en segundos, lo que permite garantizar el funcionamiento continuo de los servicios de pujas publicitarias.

El soporte nativo para Hash, List, Sorted Sets y otras estructuras de datos básicas proporciona las primitivas de datos necesarias para la lógica compleja de los juegos, lo que acelera significativamente el desarrollo y la eficiencia de las iteraciones.

Diseñada para gestionar los aumentos repentinos de concurrencia típicos de las cargas de trabajo de videojuegos, GeminiDB permite un escalamiento vertical del almacenamiento sin interrupciones en segundos y un escalamiento horizontal fluido de los nodos de cómputo en minutos, lo que ayuda a mantener una experiencia de respuesta rápida para los jugadores y servicios básicos ininterrumpidos durante las horas de mayor tráfico.

GeminiDB adopta una arquitectura de almacenamiento y cómputo desacoplados, combinados con un grupo de almacenamiento persistente de alto rendimiento, para ofrecer cientos de terabytes de almacenamiento. La organización inteligente de datos en niveles (mucho acceso/poco acceso) mantiene los datos activos en la memoria y traslada los datos de poco acceso al grupo de almacenamiento, lo que reduce significativamente los costes de almacenamiento en comparación con las soluciones tradicionales íntegramente en memoria, y ofrece un almacenamiento rentable para volúmenes masivos de datos de activos y equipamiento de jugadores.

Diseñado específicamente para cargas de trabajo de series temporales, GeminiDB ofrece un rendimiento de escritura en lotes pequeños 4,5 veces mayor y un rendimiento de escritura en lotes grandes 3,3 veces mayor que el de InfluxDB de código abierto; además, gestiona con facilidad los aumentos de ingestión de alta concurrencia provenientes de flotas masivas de dispositivos IoT.

Los datos de poco acceso se archivan automáticamente en medios de almacenamiento de menor coste, lo que reduce los costes de almacenamiento hasta en un 90 %. El acceso a los datos de mucho y poco acceso se realiza de la misma manera, sin que sea necesario realizar cambios ni adaptaciones en el código de la aplicación. El umbral de edad de datos de mucho/poco acceso también se puede definir de manera flexible y ajustar dinámicamente en función de los requerimientos comerciales.

Los mecanismos integrados de conversión y transferencia de datos, de gran eficiencia, convierten automáticamente los datos de series temporales en línea a archivos Parquet estándar y los exportan a un almacenamiento de objetos, donde pueden servir como fuente de entrada principal para los motores de procesamiento de big data. Esto permite una exploración más profunda y un análisis complejo de conjuntos de datos masivos.