[大数据]MOLAP——Kylin总结

首先要明白什么是即席查询。即席查询是用户根据自己的需求，灵活的选择查询条件，系统根据用户的选择生成相应的统计报表。普通查应用查询是定制开发的，即席查询是用户自定义查询条件

1. OLAP分类

1.1 MOLAP

• M即表示多维（Multidimensional）。大多数MOLAP产品均对原始数据进行预计算，得到用户可能需要的所有结果，将其存储到优化过的多维数组存储中， 能够稳定地快速响应，具有高性能。

• 但高性能并不是没有代价的。首先，MOLAP需要进行预计算，这会花去很多时间。如果每次写入增量数据后均要进行全量预计算，显然是低效率的，因此支持仅对增量数据进行迭代计算非常重要。其次，如果业务发生需求变更，需要进行预定模型之外新的查询操作，现有的MOLAP实例就无能为力了，只能重新进行建模和预计算。

• 因此，MOLAP适合业务需求比较固定，数据量较大的场景。

1.2 ROLAP

• R即表示关系型（Relational）。与MOLAP相反，ROLAP无需预计算，直接在构成多维数据模型的事实表和维度表上进行计算。更具可扩展性，增量数据导入后，无需进行重新计算，用户有新的查询需求时只需写好正确的SQL语句既能完成获取所需的结果。

• 但ROLAP的不足也很明显，尤其是在数据体量巨大的场景下，用户提交SQL后，获取查询结果所需的时间无法准确预知，可能秒回，也可能需要花费数十分钟甚至数小时。本质上，ROLAP是把MOLAP预计算所需的时间分摊到了用户的每次查询上，肯定会影响用户的查询体验。

• 相比MOLAP，ROLAP的使用门槛更低，在完成星型或雪花型模型的构建，创建对应schema的事实表和维度表并导入数据后，用户只需会写出符合需求的SQL，就可以得到想要的结果。相比创建“数据立方体”，显然更加方便。

1.3 HOLA

• H表示混合型（Hybrid），MOLAP和ROLAP各有优缺点，而且是互斥的。如果能够将两者的优点进行互补，那么是个更好的选择。对于查询频繁而稳定但又耗时的那些SQL，通过预计算来提速；对于较快的查询、发生次数较少或新的查询需求，像ROLAP一样直接通过SQL操作事实表和维度表。。

2. 概述

2.1 定义

Apache Kylin 是一个开源的分布式分析引擎，提供 Hadoop/Spark 之上的 SQL 查询接口 及多维分析(OLAP)能力以支持超大规模数据，最初由 eBay Inc 开发并贡献至开源社区。 它能在亚秒内查询巨大的 Hive 表。用空间换时间，预计算，是一个MOLAP系统

Apache Kylin? 令使用者仅需三步，即可实现超大数据集上的亚秒级查询。

1. 定义数据集上的一个星形或雪花形模型
2. 在定义的数据表上构建cube
3. 使用标准 SQL 通过 ODBC、JDBC 或 RESTFUL API 进行查询，仅需亚秒级响应时间即可获得查询结果

2.2 Kylin架构

• REST Server Rest服务层。入口点，可以提供查询、获取结果、触发 cube 构建任务、获取元数据以及获取用户权限等等，另外可以通过 Restful 接口实现 SQL 查询。
• Query Engine 查询引擎层。当 cube 准备就绪后，查询引擎就能够获取并解析用户查询。把SQL转化为认识的代码
• Routing 路由层。Hive 与 Kylin 的速度差异过大，导致用户无法对查询的速度有一致的期望，很可能大 多数查询几秒内就返回结果了，而有些查询则要等几分钟到几十分钟，因此体验非常糟糕。 最后这个路由功能在发行版中默认关闭。
• Metadata 元数据。是一款元数据驱动型应用程序，元数据管理工具保存 Kylin 中的所有元数据，其中包括最为重要的 cube 元数据。 Kylin 的元数据存储在 hbase 中。
• Cube Build Engine Cube构建引擎。处理所有离线任务，其中包括 shell 脚本、Java API 以及 Map Reduce 任务等等。

2.3 工作原理和过程

Apache Kylin的工作原理本质上是MOLAP（多维立方体分析），即对数据模型做Cube预计算，并利用计算的结果加速查询

1. 指定数据模型，定义维度和度量

2. 预计算Cube，计算所有Cuboid并保存为物化视图

Kylin 的数据模型本质上是将二维表（Hive 表）转换为 Cube，然后将 Cube 存储到 HBase 表中，也就是两次转换。

• 第一次转换，其实就是传统数据库的 Cube 化，Cube 由 CuboId 组成，下图每个节点都被称为一个 CuboId，CuboId 表示固定列的数据数据集合，比如“ AB” 两个维度组成的 CuboId 的数据集合等价于以下 SQL 的数据集合：

select A, B, sum(M), sum(N) from table group by A, B

• 第二次转换，是将 Cube 中的数据存储到 HBase 中，转换的时候 CuboId 和维度信息序列化到 rowkey，度量列组成列簇。在转换的时候数据进行了预聚合。下图展示了 Cube 数据在 HBase 中的存储方式。

2.4 特点

1. 标准 SQL 接口：Kylin 是以标准的 SQL 作为对外服务的接口。

2. 支持超大数据集： Kylin 对于大数据的支撑能力可能是目前所有技术中最为领先的。 早在 2015 年 eBay 的生产环境中就能支持百亿记录的秒级查询，之后在移动的应用场景中 又有了千亿记录秒级查询的案例。

3. 亚秒级响应：Kylin 拥有优异的查询相应速度，这点得益于预计算，很多复杂的计算， 比如连接、聚合，在离线的预计算过程中就已经完成，这大大降低了查询时刻所需的计算量， 提高了响应速度。

4. 可伸缩性和高吞吐率：单节点 Kylin 可实现每秒 70 个查询，还可以搭建 Kylin 的集 群。

5. BI 工具集成，ODBC、JDBC、RestAPI、Zepplin插件

6. 安装 Kylin 前需先部署好 Hadoop、Hive、Zookeeper、Hbase、Spark，

2.4 和Druid 比较

• Kylin是完全的预计算引擎，通过枚举所有维度的组合，建立各种Cube进行提前聚合，以HBase为基础的OLAP引擎。

• Druid则是轻量级的提前聚合(roll-up)，同时根据倒排索引以及位图索引提高查询效率的时间序列数据和存储引擎 。是一个实时处理时序数据的Olap数据库，因为它的索引首先按照时间分片，查询的时候也是按照时间线去路由索引。

3. Cube 构建原理

3.1 维度和度量

• 维度 ：即观察数据的角度。比如员工数据，可以从性别角度来分析，也可以更加细化， 从入职时间或者地区的维度来观察。维度是一组离散的值，比如说性别中的男和女，或者时 间维度上的每一个独立的日期。因此在统计时可以将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、最大和最小值等聚合计算。

• 度量：即被聚合(观察)的统计值，也就是聚合运算的结果。比如说员工数据中不同性 别员工的人数，又或者说在同一年入职的员工有多少。

3.2 Cube 和 Cuboid

? 给定一个数据模型，我们可以对其上的所有维度进行聚合，对于 N 个维度来说，组合的所有可能性共有 2^n 种。对于每一种维度的组合，将度量值做聚合计算，然后将结果保存 为一个物化视图，称为 Cuboid。所有维度组合的 Cuboid 作为一个整体，称为 Cube。

下面举一个简单的例子说明，假设有一个电商的销售数据集，其中维度包括时间[time]、 商品[item]、地区[location]和供应商[supplier]，度量为销售额。那么所有维度的组合就有 2^4 = 16 种，如下图所示：

• 一维度(1D)的组合有：[time]、[item]、[location]和[supplier]4 种;

• 二维度(2D)的组合有：[time， item]、[time， location]、[time， supplier]、[item， location]、 [item， supplier]、[location， supplier]3 种;

• 三维度(3D)的组合也有 4 种;

• 最后还有零维度(0D)和四维度(4D)各有一种，总共 16 种。

注意：每一种维度组合就是一个 Cuboid，16 个 Cuboid 整体就是一个 Cube。

3.3 Cube 存储原理

3.4 Cube构建方法

可以在property中设置

3.4.1 逐层构建算法 layer

每一轮的计算都是一个 MapReduce 任务，且串行执行;一个 N 维的 Cube，至少需要 N 次 MapReduce Job。

总体而言，该算法的效率较低，尤其是当 Cube 维度数较大的时候。

? 在逐层算法中，按维度数逐层减少来计算，每个层级的计算(除了第一层， 它是从原始数据聚合而来)，是基于它上一层级的结果来计算的。比如，[Group by A， B]的 结果，可以基于[Group by A， B， C]的结果，通过去掉 C 后聚合得来的;这样可以减少重复计 算;当 0 维度 Cuboid 计算出来的时候，整个 Cube 的计算也就完成了。一般来说是多个MR任务

算法优点：

1. 此算法充分利用了 MapReduce 的优点，处理了中间复杂的排序和 shuffle 工作，故而 算法代码清晰简单，易于维护;

2. 受益于 Hadoop 的日趋成熟，此算法非常稳定，即便是集群资源紧张时，也能保证最 终能够完成。

算法缺点：

1. 当 Cube 有比较多维度的时候，所需要的 MapReduce 任务也相应增加;由于 Hadoop 的任务调度需要耗费额外资源，特别是集群较庞大的时候，反复递交任务造成的额外开销会 相当可观;

2. 由于 Mapper 逻辑中并未进行聚合操作，所以每轮 MR 的 shuffle 工作量都很大，导致效率低下。

3. 对 HDFS 的读写操作较多：由于每一层计算的输出会用做下一层计算的输入，这些 Key-Value 需要写到 HDFS 上;当所有计算都完成后，Kylin 还需要额外的一轮任务将这些 文件转成 HBase 的 HFile 格式，以导入到 HBase 中去;

3.4.2 快速构建算法(inmem)

该算 法的主要思想是，每个 Mapper 将其所分配到的数据块，计算成一个完整的小 Cube 段(包 含所有 Cuboid)。每个 Mapper 将计算完的 Cube 段输出给 Reducer 做合并，生成大 Cube，

与逐层构建算法相比，快速算法主要有两点不同：

1. Mapper 会利用内存做预聚合，算出所有组合;Mapper 输出的每个 Key 都是不同的， 这样会减少输出到 Hadoop MapReduce 的数据量，Combiner 也不再需要;

2. 一轮 MapReduce 便会完成所有层次的计算，减少 Hadoop 任务的调配。

4. Cube构建优化

4.1 检查问题Cube

? 在Web GUI的Model页面选择一个READY状态的Cube，当我们把光标移到该Cube的Cube Size列时，Web GUI会提示Cube的源数据大小，以及当前Cube的大小除以源数据大小的比例，称为膨胀率（Expansion Rate）。

? 一般来说，Cube的膨胀率应该在0%~1000%之间，如果一个Cube的膨胀率超过1000%，那么Cube管理员应当开始挖掘其中的原因。通常，膨胀率高有以下几个方面的原因。

1. Cube中的维度数量较多，且没有进行很好的Cuboid剪枝优化，导致Cuboid数量极多;

2. Cube中存在较高基数的维度，导致包含这类维度的每一个Cuboid占用的空间都很大，这些Cuboid累积造成整体Cube体积变大;

4.2 并发粒度优化

? 当Segment中某一个Cuboid的大小超出一定的阈值时，系统会将该Cuboid的数据分片到多个分区中，以实现Cuboid数据读取的并行化，从而优化Cube的查询速度。构建引擎根据Segment估计的大小，以及参数

1. kylin.hbase.region.cut 的设置决定Segment在存储引擎中总共需要几个分区来存储，如果存储引擎是HBase，那么分区的数量就对应于HBase中的Region数量。kylin.hbase.region.cut的默认值是5.0，单位是GB，也就是说对于一个大小估计是50GB的Segment，构建引擎会给它分配10个分区。
2. kylin.hbase.region.count.min（默认为1）和kylin.hbase.region.count.max（默认为500）两个配置来决定每个Segment最少或最多被划分成多少个分区。

4.3 使用聚合组(Aggregation group)

聚合组(Aggregation Group)是一种强大的剪枝工具。根据业务需求划分成若干组(当然也可以是一个组)

1. 强制维度(Mandatory)，强制维度自己也不能单独出现。比如规定有A，那么所有能够提供查询的组里必须有A
2. 层级维度(Hierarchy)，年-月-日，限定月的时候必须带上年不然没有意义。有A必有B
3. 联合维度，这些联合维度要么一起出现，要么都不出现。

4.4 使用衍生维度(derived dimension)

实际上就是把预计算的时间分摊到查询的时候，如果从维度表主键到某个维度表维度所需要的聚合工作量非常大，则不建议使用衍生维度。

? 衍生维度用于在有效维度内将维度表上的非主键维度排除掉，并使用维度表的主键(其实是事实表上相应的外键)来替代它们。Kylin 会在底层记录维度表主键与维度表其他维度之间的映射关系，以便在查询时能够动态地将维度表的主键“翻译”成这些非主键维度，并进行实时聚合。

4.5 Row Key优化

Kylin 会把所有的维度按照顺序组合成一个完整的 Rowkey，并且按照这个 Rowkey 升序 排列 Cuboid 中所有的行。

1. 被用作过滤的维度放在前边。
2. 基数大的维度放在基数小的维度前边。 当逐层构建的时候，三层（1101、1110）到两层（11）的聚合，会选择cuboid小的（1101），所以基数大的维度向前调，能够更好聚合

5. 创建项目流程

1. 登陆系统 并 创建工程 （项目名和描述）
2. 选择加载数据的方式（Hive表 或者 Kafka流），并同步数据
3. 创建Model（名称和描述），选择事实表、维度表，及join字段和方式（left、inner等）；选择维度信息，度量信息；添加分区信息及过滤条件
4. 创建Cube ，添加真正的维度字段(将来会影响 Cuboid 的个数，并且只能从 model 维度字段里面选择)，选择维度表的维度字段和类型（normal 和 Derived），如果是3个正常维度cuboid个数是2^3 -1 = 7个。添加真正度量值字段(将来预计算的字段值，只能从 model 度量值里面选择)，动态更新相关、高阶设置、property设置、Cube信息展示，配置完成。可以查看cube的执行计划和底层执行的SQL
5. 构建Cube触发预计算，查看Build进度和详细执行情况

#!/bin/bash
# 每日自动构建 Cube
#从第 1 个参数获取 
cube_name cube_name=$1
#从第 2 个参数获取构建 cube 时间 
if [ -n "$2" ]
then
	do_date=$2
else
	do_date=`date -d '-1 day' +%F` fi
#获取执行时间的 00：00：00 时间戳(0 时区) 
start_date_unix=`date -d "$do_date 08：00：00" +%s` 
#秒级时间戳变毫秒级 
start_date=$(($start_date_unix*1000))
#获取执行时间的 24：00 的时间戳 stop_date=$(($start_date+86400000))
curl -X PUT -H "Authorization： Basic QURNSU46S1lMSU4=" -H 'Content-Type： application/json' -d '{"startTime"：'$start_date'， "endTime"：'$stop_date'， "buildType"："BUILD"}' http：//hadoop102：7070/kylin/api/cubes/$cube_name/build

6. 使用注意事项

1. 只能按照构建 Model 的连接条件来写 SQL，创建Model时用的是什么join就只能用什么join
2. 查询时事实表在前，维度表在后
3. 只能按照构建 Cube 时选择的维度字段分组统计
4. 只能统计构建 Cube 时选择的度量值字段