Kylin的Cube优化

Cuboid剪枝优化

为什么要进行Cuboid剪枝优化

将以减少Cuboid数量为目的的Cuboid优化统称为Cuboid剪枝。在没有采取任何优化措施的情况下，Kylin会对每一种维度的组合进行预计算，每种维度的组合的预计算结果被称为Cuboid。

• 如果有4个维度，可能最终会有2^4 =16个Cuboid需要计算。但在实际开发中，用户的维度数量一般远远大于4个。
• 如果有10个维度，那么没有经过任何优化的Cube就会存在2^10 =1024个Cuboid
• 如果有20个维度，那么Cube中总共会存在2^20 =104 8576个Cuboid
  这样的Cuboid的数量就足以让人想象到这样的Cube对构建引擎、存储引擎压力非常巨大。因此，在构建维度数量较多的Cube时，尤其要注意Cube的剪枝优化。
  Cube的剪枝优化是一种试图减少额外空间占用的方法，这种方法的前提是不会明显影响查询时间。在做剪枝优化的时候，
• 需要选择跳过那些“多余”的Cuboid --》结合业务来判断哪些cuboid是多余
• 有的Cuboid因为查询样式的原因永远不会被查询到，因此显得多余–》层级维度，省市区，年月日
• 有的Cuboid的能力和其他Cuboid接近，因此显得多余 --》衍生维度
  Kylin提供了一系列简单的工具来帮助他们完成Cube的剪枝优化
  
  实际生产中，有部分cuboid是永远使用不到的，这些不使用的cuboid就可以不预计算。

检查Cuboid数量

Apache Kylin提供了一个简单的工具，检查Cube中哪些Cuboid最终被预计算了，称这些Cuboid为被物化的Cuboid，该工具还能给出每个Cuboid所占空间的估计值。由于该工具需要在对数据进行一定阶段的处理之后才能估算Cuboid的大小，因此一般来说只能在Cube构建完毕之后再使用该工具。
使用如下的命令行工具去检查这个Cube中的Cuboid状态：

bin/kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader CUBE_NAME 
# CUBE_NAME 想要查看的Cube的名字

示例：

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

============================================================================
Statistics of cube_order[20191011000000_20191015000000]

Cube statistics hll precision: 14
Total cuboids: 3
Total estimated rows: 20
Total estimated size(MB): 1.02996826171875E-4
Sampling percentage:  100
Mapper overlap ratio: 0.0
Mapper number: 0
Length of dimension ITCAST_KYLIN_DW.FACT_ORDER.DT is 1
Length of dimension ITCAST_KYLIN_DW.FACT_ORDER.USER_ID is 1
|---- Cuboid 11, est row: 12, est MB: 0
    |---- Cuboid 01, est row: 4, est MB: 0, shrink: 33.33%
    |---- Cuboid 10, est row: 4, est MB: 0, shrink: 33.33%
----------------------------------------------------------------------------

输出结果分析：

Cube statistics hll precision: 14
Total cuboids: 3
Total estimated rows: 20
Total estimated size(MB): 1.02996826171875E-4
Sampling percentage:  100
Mapper overlap ratio: 0.0
Mapper number: 0

• 估计Cuboid大小的精度（Hll Precision）
• 总共的Cuboid数量
• Segment的总行数估计
• Segment的大小估计，Segment的大小决定mapper、reducer的数量、数据分片数量等

|---- Cuboid 11, est row: 12, est MB: 0
    |---- Cuboid 01, est row: 4, est MB: 0, shrink: 33.33%
    |---- Cuboid 10, est row: 4, est MB: 0, shrink: 33.33%

• 所有的Cuboid及它的分析结果都以树状的形式打印了出来
• 在这棵树中，每个节点代表一个Cuboid，每个Cuboid都由一连串1或0的数字组成
• 数字串的长度等于有效维度的数量，从左到右的每个数字依次代表Rowkeys设置中的各个维度。如果数字为0，则代表这个Cuboid中不存在相应的维度；如果数字为1，则代表这个Cuboid中存在相应的维度
• 除了最顶端的Cuboid之外，每个Cuboid都有一个父亲Cuboid，且都比父亲Cuboid少了一个“1”。其意义是这个Cuboid就是由它的父亲节点减少一个维度聚合而来的（上卷）
• 最顶端的Cuboid称为Base Cuboid，它直接由源数据计算而来。Base Cuboid中包含所有的维度，因此它的数字串中所有的数字均为1
• 每行Cuboid的输出中除了0和1的数字串以外，后面还有每个Cuboid的具体信息，包括该Cuboid行数的估计值、该Cuboid大小的估计值，以及这个Cuboid的行数与父亲节点的对比（Shrink值）
• 所有Cuboid行数的估计值之和应该等于Segment的行数估计值，所有Cuboid的大小估计值应该等于该Segment的大小估计值。每个Cuboid都是在它的父亲节点的基础上进一步聚合而成的

检查Cube大小

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：

• 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
• 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
• 存在比较占用空间的度量，例如Count Distinct，因此需要在Cuboid的每一行中都为其保存一个较大度量数据，最坏的情况将会导致Cuboid中每一行都有数十KB，从而造成整个Cube的体积变大。
• Kylin的核心思想：空间换时间
  对于Cube膨胀率居高不下的情况，管理员需要结合实际数据进行分析，优化。

使用衍生维度

示例：

• 有两张表 用户维度表（dim_user）、订单事实表（fact_order），要根据各个维度建立MOLAP立方体
  用户维度表（dim_user）
  
  订单事实表（fact_order）
  
  问题：
• 生成Cube时，如果指定维度表中的：姓名、出生年份、政治面貌、职业、性别、民族、省份、市、区等维度生成Cube，这些维度相互组合，会造成较大的Cube膨胀率
  使用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。
  
  创建Cube的时候，这些维度如果指定为衍生维度，Kylin将会排除这些维度，而是使用维度表的主键来代替它们创建Cuboid。后续查询的时候，再基于主键的聚合结果，再进行一次聚合。
• 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。

不适用的场景：

• 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，此时作为一个普通的维度聚合更合适，否则会影响Kylin的查询性能

• 第一种情况
  
  22222-1=31
  

• 第二种情况
  
  222-1=7
  

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

• 第一种情况创建的cuboid数量会比第二种情况创建的cuboid数量多
  所以使用衍生维度能够大量减少计算任务和空间的占用。

聚合组

• 聚合组（Aggregation Group）是一种更强大的剪枝工具
• 聚合组假设一个Cube的所有维度均可以根据业务需求划分成若干组
• 同一个组内的维度更可能同时被同一个查询用到，每个分组的维度集合均是Cube所有维度的一个子集
• 不同的分组各自拥有一套维度集合，它们可能与其他分组有相同的维度，也可能没有相同的维度
• 每个分组各自独立地根据自身的规则贡献出一批需要被物化的Cuboid，所有分组贡献的Cuboid的并集就成为了当前Cube中所有需要物化的Cuboid的集合
• 不同的分组有可能会贡献出相同的Cuboid，构建引擎会察觉到这点，并且保证每一个Cuboid无论在多少个分组中出现，它都只会被物化一次
  
  对于每个分组内部的维度，用户可以使用如下三种可选的方式定义它们之间的关系，具体如下：

强制维度（Mandatory）

• 如果一个维度被定义为强制维度，那么这个分组产生的所有Cuboid中每一个Cuboid都会包含该维度。所有cuboid必须包含的维度，不会计算不包含强制维度的cuboid
• 每个分组中都可以有0个、1个或多个强制维度
• 如果根据这个分组的业务逻辑，则相关的查询一定会在过滤条件或分组条件中，因此可以在该分组中把该维度设置为强制维度
• 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

层级维度（Hierarchy）

• 每个层级包含两个或更多个维度
• 假设一个层级中包含D1，D2…Dn这n个维度，那么在该分组产生的任何Cuboid中，这n个维度只会以（），（D1），（D1，D2）…（D1，D2…Dn）这n+1种形式中的一种出现
• 每个分组中可以有0个、1个或多个层级，不同的层级之间不应当有共享的维度
• 如果根据这个分组的业务逻辑，则多个维度直接存在层级关系，因此可以在该分组中把这些维度设置为层级维度
• 使用场景
  • 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

联合维度（Joint）

• 每个联合中包含两个或更多个维度，如果某些列形成一个联合，那么在该分组产生的任何Cuboid中，这些联合维度要么一起出现，要么都不出现
• 每个分组中可以有0个或多个联合，但是不同的联合之间不应当有共享的维度（否则它们可以合并成一个联合）。如果根据这个分组的业务逻辑，多个维度在查询中总是同时出现，则可以在该分组中把这些维度设置为联合维度
• 适用场景
  • 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
• 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
    

示例：

• 对Cube膨胀率进行调优
  准备：
• 执行Kylin\kylin_Cube调优中的SQL脚本
• 导入Kylin中的数据
  优化前：
  
  优化后：
  
• 指定层级维度