2019独角兽企业重金招聘Python工程师标准>>>

近几年，Apache Kylin作为一个高速的开源分布式大数据查询引擎正在迅速崛起。它充分发挥Hadoop、Spark、HBase等技术的优势，通过对超大规模数据集进行预计算，实现秒级甚至亚秒级的查询响应时间，同时提供标准SQL接口。目前，Apache Kylin已在全球范围得到了广泛应用，如百度、美团、今日头条、eBay等，支撑着单个业务上万亿规模的数据查询业务。在超高性能的背后，Cube是至关重要的核心。一个优化得当的Cube既能满足高速查询的需要，又能节省集群资源。本文将从多个方面入手，介绍如何通过优化Cube提升系统性能。

1、Cube基本原理

在传统多维分析就有多维立方体（OLAP Cube）的概念。Apache Kylin在大数据领域对Cube进行了扩展，通过执行 MapReduce/Spark任务构建Cube，对业务所需的维度组合和度量进行预聚合，当查询到达时直接访问预计算聚合结果，省去对大数据的扫描和运算，这就是Apache Kylin高性能查询的基本实现原理。

如图1所示，Apache Kylin会对SQL的查询计划进行改写，把源表扫描、多表连接、指标聚合等在线计算转换成对预计算结果的读取，极大减少了在线计算和I/O读写的代价。而查询所访问的预计算结果保存在Cuboid当中（见图1红色方框），Cuboid大小只和维度列的基数有关，和源数据行数无关，这使得查询的时间复杂度可以取得一个量级的提升。

图片描述
图 - 1预计算查询计划

一个Cuboid对应着一组分析的维度，并保存了度量的聚合结果。Cube就是所有Cuboid的集合，如图2所示，每个节点代表一个Cuboid。当查询到达，Apache Kylin会根据SQL所使用的维度列在Cube中选择最合适的Cuboid，最大程度地节省查询时间。

图片描述
图 - 2 Cube示意图

2、Cube优化案例

社区不乏一些使用Apache Kylin的成功案例分享，但经常还会看到很多朋友遇到性能问题，例如SQL查询过慢、Cube构建时间过长甚至失败、Cube膨胀率过高等等。究其原因，大多数问题都是由于Cube设计不当造成的。因此，合理地进行Cube优化就显得尤为重要。

这里先分享两个社区用户进行优化的案例：

案例1 – 提升Cube查询效率

背景：某智能硬件企业使用Apache Kylin作为大数据平台查询引擎，对查询性能有较高要求，希望提高查询效率。

数据：

9个维度，其中1个维度基数是千万级，1个维度基数是百万级，其他维度基数是10w以内
单月原始数据6亿条

优化方案：

数据清理：将时间戳字段转换成日期，降低维度的基数
调整聚合组：不会同时在查询中出现的维度分别包含在不同聚合组（如崩溃时间、上传时间等）
设置必须维度：把某些超低基数维度设为必须维度

优化成果：

查询性能：提升5倍
构建时间：缩短30%
Cube大小：减小74%

案例二 – 提升Cube构建效率

背景：某金融企业使用Apache Kylin作为报表分析引擎，发现Cube膨胀率多大、构建时间过长，希望对这一情况进行改善。

硬件：20台高配置PC服务器

数据：事实表有100多万条记录，度量是某些列的平均值

优化方案：

维度精简：去除查询中不会出现的维度
调整聚合组：设置多个聚合组，每个聚合组内设置多组联合维度

优化成果：

图片描述

3、Cube优化原理

从以上案例可以看出，通过Cube调优可以显著改善Apache Kylin的构建性能、查询性能及Cube膨胀率。那么这些改进的背后究竟是什么原理呢？

为了深入理解Cube，首先要先了解Cuboid生成树。如图3所示，在Cube中，所有的Cuboid组成一个树形结构，根节点是全维度的Base Cuboid，再依次逐层聚合掉每个维度生成子Cuboid，直到出现0个维度时结束。图3中绿色部分就是一条完整的Cuboid生成路径。预计算的过程实际就是按照这个流程构建所有的Cuboid。

图片描述
图 - 3 Cuboid生成树

通过这颗Cuboid生成树，我们不难发现：当维度数量过多，就会导致Cuboid数量以指数级膨胀；如果维度基数过大，还会使所在的Cuboid结果集变大。这些都是影响Cube膨胀率和构建时间的重要因素。

但是，所有的Cuboid都是必要的吗？实际上，在多数情况下，我们并不需要这里的每一个Cuboid，因此需要对Cuboid生成树做剪枝。剪枝可以从两个方面入手：数据特性、查询需求。首先介绍数据特性，考虑下图的两个Cuboid，左侧Cuboid包含4个维度（ABCD），右侧Cuboid包含3个维度（ABC），而两个Cuboid都包含相同（或极度相近）行数的记录，说明读取两个Cuboid结果的代价是一样的，同时左侧Cuboid除了具有右侧Cuboid的查询支持能力外，还能支持带有维度D的查询，因此右侧Cuboid就可以被去除。

图片描述
图 - 4 去除冗余Cuboid

再考虑查询需求，在报表或多维分析场景中，有些维度是每次查询都会出现的，如年份；有些维度总是一起出现的，如开始时间、结束时间；有些维度间是有层级关系的，如商品分类或地理信息。充分利用查询的这些实际需求也能去除不需要的Cuboid，例如：如果年份是必要的，那么所有不包含年份维度的Cuboid都可以被去除；如果两个维度总是同时出现，那么这这些维度单独出现的Cuboid就可以被去除。

在Apache Kylin中，可以通过设置Cube的维度组合规则来去除无用的Cuboid。首先，可以通过定义(1)聚合组对维度分组，只在每个聚合组内生成Cuboid。此外，在单个聚合组内部，还可以设置维度组合规则，如：(2)必须维度用于定义一定出现的维度、(3)联合维度用于定义一组同时出现的维度、(4)层级维度用于定义一组有层级关系的维度，详细的Cuboid生成规则如下图所示：

图片描述
图 - 5聚合组规则

（5）衍生维度

维表中可以由主键推导出值的列可以作为衍⽣维度。使用场景：以星型模型接入时。例如用户维表可以从userid推导出用户的姓名，年龄，性别。优化效果：维度表的N个维度组合成的cuboid个数会从2的N次方降为2。

此处输入图片的描述

（1）聚集组

聚集组：用来控制哪些cuboid需要计算。

适用场景：不是只需要计算base cuboid的情况下，都需要聚集组。

注意事项：一个维度可以出现在多个聚集组中，但是build期间只会计算一次。

如果不设置聚集组，默认情况下只会计算 base cuboid。

聚集组不宜太多。

（2）强制维度

强制维度：所有cuboid必须包含的维度，不会计算不包含强制维度的cuboid。

适用场景：可以将确定在查询时一定会使用的维度设为强制维度。例如，时间维度。

优化效果：将一个维度设为强制维度，则cuboid个数直接减半。

强制维度

（3）联合维度

联合维度：将几个维度视为一个维度。

适用场景： 1 可以将确定在查询时一定会同时使用的几个维度设为一个联合维度。

2 可以将基数很小的几个维度设为一个联合维度。

3 可以将查询时很少使用的几个维度设为一个联合维度。

优化效果：将N个维度设置为联合维度，则这N个维度组合成的cuboid个数会从2的N次方减少到1。

（4）层次维度

层次维度：具有一定层次关系的维度。

使用场景：像年，月，日；国家，省份，城市这类具有层次关系的维度。

优化效果：将N个维度设置为层次维度，则这N个维度组合成的cuboid个数会从2的N次方减少到N+1。

此处输入图片的描述

（6）Extended Column

在OLAP分析场景中，经常存在对某个id进行过滤，但查询结果要展示为name的情况，比如user_id和user_name。这类问题通常有三种解决方式：

a. 将ID和Name都设置为维度，查询语句类似select name, count(*) from table where id = 1 group by id,name。这种方式的问题是会导致维度增多，导致预计算结果膨胀；

b. 将id和name都设置为维度，并且将两者设置为联合。这种方式的好处是保持维度组合数不会增加，但限制了维度的其它优化，比如ID不能再被设置为强制维度或者层次维度；

c. 将ID设置为维度，Name设置为特殊的Measure，类型为Extended Column。这种方式既能保证过滤id且查询name的需求，同时也不影响id维度的进一步优化。

所以此类需求我们推荐使用 Extended Column。