Apache Kylin 深入Cube和查询优化

Apache Kylin 在中企的使用主要在新数仓系统以及 BI 报表的数据计算工作，带来的变化有：

一方面Kylin帮助我们提升了开发效率，减少了开发人员需要手动编写HQL/SQL 语句去查询维度数据的状况；

另一方面解耦现有系统设计，数据计算层主要包括Spark类的实时计算和HQL的离线计算（Kylin在我司目前还没有接入实时流计算，后期会尝试接入），通过引入Kylin，整个离线计算这一块就可以转到Kylin去处理，灵活度高了很多；

最后，Apache Kylin采用HBase做为结果集的存储，对外提供API，并且支持大部分BI展示工具，目前2.0+版本也提供了基于Spark的计算引擎和雪花模型，可见，在未来Kylin在中企动力的应用场景会越来越丰富。

在Apache Kylin高性能的背后，Cube是至关重要的核心。Cube是所有Dimension 的组合，每一种Dimension 的组合称之为Cuboid，有N个Dimension的Cube就会有2^n个Cuboid。因此，一个优化得当的Cube既能满足高速查询的需要，又可节省集群资源，本文将从Kylin Cube的设计方面带大家了解Cube的优化方案。

为何需要优化Cube？

前面说过，Cube是所有维度的组合，当我们有10个维度时，那么就会预计算2^10 也就是1024个Cuboid，但当我们真正查询的时候，可能只会用到100个Cuboid，如果不对Cube进行优化的话：

1、会使得Build出来的Cube Size 很大，从而占用大量的磁盘空间；

2、Cube Building的时间会很长 ；

3、会占用集群的计算资源 。

因此，如果使用Apache Kylin做数据分析，Cube优化将是我们必做的一项工作。

Cube 维度优化主要方式

· Cube ID 剪枝优化

· 衍生维度优化

· 聚合组优化

· 强制维度

· 层次维度

· 联合维度

· Cube并发粒度优化

以上7种优化方式，都可以认为是对维度的一种剪枝，因为每种优化的最终目的都是为了减少Cuboid的数量，下面我将逐个介绍每个优化项的概念以及使用场景。

Cube ID 剪枝优化

前面说到如果有10个维度，那么就会生成2^10=1024个Cuboid，如果有20个维度那么将会生成2^20=1048576个Cuboid，是指数级增长，kylin.properties中参数 kylin.cube.aggrgroup.max-combination＝4096，也就是说当Cuboid数量大于4096时， Cube定义是无法保存的的，会报TooManyCuboidException异常。

1.检查Cuboid数目

执行命令 ：

bin/kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader cubeName



2.检查Cube Size

在kylin web gui 的model界面选择一个READY状态的Cube，将光标移到Cube Size上面，会显示出Cube源数据的大小，以及当前Cube的大小除以源数据大小的比例，如图：



一般，Cube的膨胀率应该在0%－1000%之间，如果Cube的膨胀率超过了1000%，那么就需要查询其中的原因了，导致膨胀率高的原因一般为以下几点：

1)、Cube的维度数量较多，没有进行很好的剪枝；

2)、Cube中存在较高基数的维度，导致这类维度每个Cuboid占用的空间很大，从而造成Cube体积变大；

3)、存在比较占用空间的度量。

对于Cube膨胀率高的情况，需要针对实际的业务需求进行分析，可以考虑通过下面的几种优化方式进行优化：

［Derived Dim］衍生维度优化

衍生维度（Derived Dim）：当一个或者多个维度能够从主键中推断出来，那么这些维度列就称之为衍生“Derived” 列。

衍生维度（Derived Dim）优化效果：维度表中的n个维度计算，将Cuboid从2^n 减为2。

使用场景：在星型模型中，有一个用户维度表，表中包含了ID，A，B，C ，其中ID 为PK，在这里通过ID的值就可以确定A，B，C的值，因为A，B，C为ID的Derived。当进行build一个Cube包含A，B，C 的时候，只需要包含ID，并且将A，B，C标记为derived ，这样derived列就不会生成Cuboid 。



［Aggregation Group］聚合组优化

聚合组（Aggregation Group）: 根据业务的维度组合，划分出具有强依赖的组合，这些组合称之为聚合组，在聚合组内，维度之间的组合会预计算，聚合组之间并不交叉预计算，从而减少Cuboid的数量.

聚合组优化效果：如果有4个维度，分别为A，B，C，D，那么就会有16个Cuboid，如果AB和CD分别为聚集组的话，那么Cuboid的数量就缩减为8个。

使用场景：所有维度中，有部分维度之间具有聚合操作的，可以将这些维度放在一个聚合组内。不放在聚合组里面的，就直接进行Base Cube操作。



［Mandatory Dimensions］强制维度

强制维度（Mandatory Dimensions）：所有Cubeid中都包含的维度称之为强制维度，不包含强制维度的Cubeid不会计算。

优化效果：只计算包含强制维度的Cubeid，Cubeid的数量会缩减一半。

使用场景：假如有三个维度A，B，C，那么Cuboid就会有8个，分别为ABC，AB，BC，AC，A，B，C，这时将A设置为强制维度，那么就只会计算ABC，AB，AC，A这四个 Cubeid。



［Hierarchy Dimension］层次维度

层次维度（Hierarchy Dim）：某些维度之间具有上下层次关联。

优化效果：如果有三个维度A，B，C 设置为层次维度，那么Cuboid数量将由2^3减为3＋1。

使用场景：比较适用于进行下钻分析，比如年月日，省市县这种。

［Joint Dimension］联合维度

联合维度（Joint Dimension）：固定用来分组的维度查询。

优化效果：将多个维度优化到一个维度。

使用场景：假如有ABC三个维度，但是在查询的时候只会出现Group by A，B，C，而不会出现Group A，Group by B，Group by A、B等等这种情况，那么就可以将A，B，C设置为联合维度。



调整Cube并发粒度

当Segment中某个Cuboid的大小超出一定的阈值时，系统会将该Cuboid的数据分片到多个Hbase Region Server，从而实现Cuboid数据读取的并行化，优化Cube的查询速度。

kylin的默认设置中

kylin.storage.hbase.region-cut-gb=5，

kylin.storage.hbase.min-region-count=1,

kylin.storage.hbase.max-region-count=500

在实际应用中（根据实际数据量调整），可以将

kylin.storage.hbase.min-region-count=2,

kylin.storage.hbase.max-region-count=100，

kylin.storage.hbase.region-cut-gb＝1

上面设置为最小为2个分区，每个分区大小为1G，最多设置100个region分区。