Apache Kylin的工作原理本质上是 MOLAP(多维立方体分析)。
维度和度量
- 维度就是观察数据的角度,例如:
- 电商的销售数据,可以从时间的维度来观察,也可以细化从时间和地区的维度来观察
- 统计时,可以把维度值相同的记录聚合在一起,然后应用聚合函数做累加、平均、去重计数等聚合计算
- 度量就是被聚合的统计值,也是聚合运算的结果。
时间(维度) |
销售额(度量) |
2019 1Q |
1.7M |
2019 2Q |
2.1M |
2019 3Q |
1.6M |
2019 4Q |
1.8M |
时间(维度) |
地区(维度) |
销售额(度量) |
2019 1Q |
中国 |
1.0M |
2019 1Q |
北美 |
0.7M |
2019 2Q |
中国 |
1.5M |
2019 2Q |
北美 |
0.6M |
2019 3Q |
中国 |
0.9M |
2019 3Q |
北美 |
0.7M |
2019 4Q |
中国 |
0.9M |
2019 4Q |
北美 |
0.9M |
Cube和Cuboid
- 一个数据表或数据模型上的字段就它们要么是维度,要么是度量(可以被聚合)
- 给定一个数据模型,可以对其上的所有维度进行组合。对于N个维度来说,组合的所有可能性共有2 的N 次方种
- 对于每一种维度的组合,将度量做聚合运算,然后将运算的结果保存为一个物化视图,称为Cuboid(立方形)
- 所有维度组合的Cuboid作为一个整体,被称为Cube(立方体)。一个Cube就是许多按维度聚合的物化视图的集合。
说明 |
维度1地区 |
维度2时间 |
维度3 |
维度4 |
取值 |
0或1 |
0或1 |
0或1 |
0或1 |
- 数据立方体
- Cube 是所有 dimession 的组合
- 每一种 dimession 的组合称之为cuboid(立方形)。某一有 n 个 dimession 的 cube 会有 2^n个 cuboid
- 数据立方体只是多维模型的一个形象的说法
- 为什么叫立方体?
- 立方体本身只有三维,但多维模型不仅限于三维模型,可以组合更多的维度
- 为了与传统关系型数据库的二维表区别开来,才有了数据立方体的叫法
工作原理
Apache Kylin的工作原理是对数据模型做Cube预计算,并利用计算的结果加速查询。具体工作过程如下。
- 指定数据模型,定义维度和度量
- 预计算Cube,计算所有Cuboid并保存为物化视图(存储到hbase中)
- 执行查询时,读取Cuboid,运算,产生查询结果
高效OLAP分析:
- Kylin的查询过程不会扫描原始记录,而是通过预计算预先完成表的关联、聚合等复杂运算
- 利用预计算的结果来执行查询,相比非预计算的查询技术,其速度一般要快一到两个数量级,在超大的数据集上优势更明显
- 数据集达到千亿乃至万亿级别时,Kylin的速度可以超越其他非预计算技术1000倍以上
技术架构
Apache Kylin系统可以分为在线查询和离线构建两部分。
在线查询模式主要处于上半部分,离线构建处于下半部分。以下为Kylin技术架构的具体内容:
- 数据源主要是Hadoop Hive,数据以关系表的形式输入,且必须符合星形模型,保存着待分析的用户数据。根据元数据的定义,构建引擎从数据源抽取数据,并构建Cube
- Kylin可以使用MapReduce或者Spark作为构建引擎。构建后的Cube保存在右侧的存储引擎中,一般选用HBase作为存储
- 完成了离线构建后,用户可以从上方查询系统发送SQL进行查询分析
- Kylin提供了各种Rest API、JDBC/ODBC接口。无论从哪个接口进入,SQL最终都会来到Rest服务层,再转交给查询引擎进行处理
- SQL语句是基于数据源的关系模型书写的,而不是Cube
- Kylin在设计时,刻意对查询用户屏蔽了Cube的概念
- 分析师只需要理解简单的关系模型就可以使用Kylin,没有额外的学习门槛,传统的SQL应用也很容易迁移
- 查询引擎解析SQL,生成基于关系表的逻辑执行计划,然后将其转译为基于Cube的物理执行计划,最后查询预计算生成的Cube并产生结果,整个过程不会访问原始数据源
来源:oschina
链接:https://my.oschina.net/u/4360121/blog/4281969