Vernox原生支持图数据以节点和关系的形态存储，并建立网状图索引。图索引为图表的基础索引，不能单独创建。检索方式按照广度优先方式或深度优先方式进行遍历，对社交关系等网状数据的存储和操作具有天然优势。同时，Vernox还原生支持json文本格式，极大方便了对多样性文本数据的存储和操作，不用再担心新增数据是否能对应表结构中的字段，真正实现了大数据的实时存储，也方便了上层大数据分析引擎的应用。Vernox采用json列的方式存储json格式的数据，即每张表有一个名为“$”的字段，该字段用于存储json格式数据。
Vernox不仅提供了结构化数据，文档型数据和图数据的存储能力，更大的亮点是Vernox在内核数据操作上，实现了不同类型数据的Join操作，并以标准SQL语法对上层应用提供服务能力，大大提升了应用成同时操作多种类型数据的便利性和实时性。一句Join SQL语句即可完成传统模式下，不同数据库查询，应用程序内存拼装，应用处理一致性的低效率，高复杂的开发过程。
目前市场上有针对图关系数据的图数据库，也有针对多样性文本数据的文档数据库，但是，他们都是各自独立应用，如果业务中有需求用到多种数据库，那么同时操控多个库将是一个庞大而复杂的工程。因此Vernox决定将多种功能融于一身，集合关系、图数据库、文档数据库的优势，打造出国内鲜有的融合数据库。
2、Vernox核心优势-字符串索引
在关系型数据库中，对于字符串类型的字段建立B+树索引的方式都是将完整的字符串存入B+树索引的节点中。在节点内部按照整个字符串的字典序排列。这样的B+树索引方式存在的问题是，对带有前百分号的字符串模糊匹配支持并不是友好。具体而言，对于like‘%X%’或者like‘%X’形式的查询条件只能使用覆盖索引遍历或者全表遍历，只有like‘X%’形式的条件可以很好的使用B+树索引。而在目前在许多应用中会大量使用like‘%X%’形式的查询，传统关系型数据库在该情况下所使用的全表遍历策略效率十分缓慢。
针对这样的情况，Vernox在已有的B+树索引的基础上，引入了后缀数组。自主研发出高效精准的字符串索引，用于汉字模糊匹配。具体原理如下：
字符串的后缀是指字符串某位置与字符串结尾之间的子串，而后缀数组(Suffix Array)则是一个存放该字符串所有后缀的一维数组，这些子串按照字典序由小到大依次排列。
从上面对后缀数组的描述中不难发现，在后缀数组中所有后缀按照其字典序排列，所以可以通过二分法快速的找到符合条件的后缀，这与B+树的查询规则相同。所以我们将B+树索引与后缀数组这两种已有技术相结合，提出了一种基于后缀数组的字符串B+树索引，从而使B+树索引可以支持带有前百分号的字符串模糊匹配。
3、Vernox核心优势-基于成本的智能优化
大部分的关系型数据库，sql解析一共分为4步：
1、 语法检查：此步骤检查sql语句的拼写是否符合标准语法；
2、语义检查：此步骤检查sql语句中对象及字段是否真实存在，以及该用户是否具备相应操作权限；
3、语句解析：关系型数据库在这一步时根据统计信息生成基于成本的执行计划，执行计划将一直缓存于内存中，以备将来复用。
Sql解析主要分为2类：硬解析（hard parse）和软解析（soft parse），硬解析即每次执行语句时都根据当前条件成本产生执行计划；软解析在sql解析这一步，一旦在执行计划中找到相似模板，即调用对应模板的执行计划进行解析，软解析省去了评估条件成本所耗费的大量系统资源。
·
执行sql，返回结果
Vernox全程采用硬解析。软解析虽然能节省系统资源，但存在一个问题，完全根据缓存中的执行计划模板进行匹配解析，有可能会造成索引先走成本较高条件，再走成本较低条件，这样虽然节省了系统资源，但sql解析本身的成本依然很高。
对于传统关系型数据库来说，他们的架构本身是基于磁盘，如果每次sql解析都采用硬解析，频繁的磁盘I/O会耗费大量CPU资源，而Vernox对索引缓存结构进行改进，保证了所有sql解析都在内存进行，极大降低了系统资源消耗，因此我们决定全程使用sql硬解析，实现了真正基于成本的智能查询。
内存索引的成本评估精确到每个条件命中的条数，磁盘索引的成本评估也可以做到每个条件命中的叶子数据块数。
