kylin简单优化cube

优化Cube

层次结构

理论上，对于N维，你最终会得到2 ^ N维组合。但是对于某些维度组，不需要创建这么多组合。例如，如果您有三个维度：洲，国家，城市（在层次结构中，“更大”维度首先出现）。在深入分析时，您只需要以下三种组合组合：

按大陆分组

按大陆，国家分组

按大陆，国家，城市分组

在这种情况下，组合计数从2 ^ 3 = 8减少到3，这是一个很好的优化。 YEAR，QUATER，MONTH，DATE案例也是如此。

派生列

派生列用于一个或多个维度（它们必须是查找表上的维度，这些列称为“派生”）可以从另一个维度推导出来（通常它是相应的FK，这称为“主机列”）

例如，假设我们有一个查找表，我们将其连接到事实表，并将其与“其中DimA = DimX”。请注意，在Kylin中，如果您选择FK为维度，相应的PK将自动排队，无需任何额外费用。秘诀是，由于FK和PK总是相同的，Kylin可以先在FK上应用过滤器/ groupby，然后将它们透明地替换为PK。这表明如果我们想在我们的立方体中使用DimA（FK），DimX（PK），DimB，DimC，我们可以安全地选择DimA，DimB，DimC。

事实表（连接）查找表

column1，column2 ,,,,,, DimA（FK）DimX（PK）,, DimB，DimC

假设DimA（代表FK / PK的维度）具有到DimB的特殊映射：

dimA    dimB     dimC

1       a       ?

2       b      ?

3       c       ?

4       a       ?

在这种情况下，给定DimA中的值，确定DimB的值，因此我们说dimB可以从DimA导出。当我们构建一个包含DimA和DimB的多维数据集时，我们简单地包含DimA，并将DimB标记为派生。派生列（DimB）不参与长方体生成：

原创组合：

ABC，AB，AC，BC，A，B，C

从A到B时的组合：

AC，A，C

在运行时，如果查询类似于“select count(*) from fact_table inner join looup1 group by looup1 .dimB”，则期望包含DimB的长方体来回答查询。但是，由于派生优化，DimB将出现在NONE的长方体中。在这种情况下，我们首先修改执行计划以使其由DimA（其主机列）进行分组，我们将得到如下的中间答案：

DIMA   COUNT（*）

1         1

2         1

3          1

4          1

之后，Kylin将用DimB值替换DimA值（因为它们的值都在查找表中，Kylin可以将整个查找表加载到内存中并为它们构建映射），并且中间结果变为：

DimB     count(*)

a                1

b                1

c                1

a                1

在此之后，运行时SQL引擎将进一步将中间结果聚合为：

DimB    count(*)

a          2

b          1

c          1

这一步发生在查询运行时，这意味着“以额外的运行时聚合为代价”

 

性能优化

分区列优化

如果cube的分区列与Hive表的分区列相同，那么根据它过滤数据能让Hive聪明地跳过不匹配的分区。因此强烈建议用Hive的分区列（如果它是日期列）作为cube的分区列。这对于那些数据量很大的表来说几乎是必须的，否则Hive不得不每次在这步扫描全部文件，消耗非常长的时间。

文件合并

如果启用了Hive的文件合并，你可以在conf/kylin_hive_conf.xml里关闭它，因为Kylin有自己合并文件的方法(下一节)：

<property>

<name>hive.merge.mapfiles</name>

<value>false</value>

<description>Disable Hive's auto merge</description>

</property>

重新分发中间表

Hive在HDFS上的目录里生成了数据文件：有些是大文件，有些是小文件甚至空文件。这种不平衡的文件分布会导致之后的MR任务出现数据倾斜的问题：有些mapper完成得很快，但其他的就很慢。针对这个问题，Kylin增加了这一个步骤来“重新分发”数据，这是示例输出:

total input rows = 159869711

expected input rows per mapper = 1000000

num reducers for RedistributeFlatHiveTableStep = 160

重新分发表的命令：

hive -e "USE default;

SET dfs.replication=2;

SET hive.exec.compress.output=true;

SET hive.auto.convert.join.noconditionaltask=true;

SET hive.auto.convert.join.noconditionaltask.size=100000000;

SET mapreduce.job.split.metainfo.maxsize=-1;

set mapreduce.job.reduces=160;

set hive.merge.mapredfiles=false;

INSERT OVERWRITE TABLE kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34 SELECT * FROM kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34 DISTRIBUTE BY RAND();"

首先，Kylin计算出中间表的行数，然后基于行数的大小算出重新分发数据需要的文件数。默认情况下,Kylin为每一百万行分配一个文件。在这个例子中，有1.6亿行和160个reducer，每个reducer会写一个文件。在接下来对这张表进行的MR步骤里，Hadoop会启动和文件相同数量的mapper来处理数据(通常一百万行数据比一个HDFS数据块要小)。如果你的日常数据量没有这么大或者Hadoop集群有足够的资源，你或许想要更多的并发数，这时可以将conf/kylin.properties里以下配置设为小一点的数值，比如:

kylin.job.mapreduce.mapper.input.rows=500000

其次，Kylin会运行 “INSERT OVERWRITE TABLE … DISTRIBUTE BY “ 形式的HiveQL来分发数据到指定数量的reducer上。在很多情况下，Kylin请求Hive随机分发数据到reducer，然后得到大小相近的文件，分发的语句是”DISTRIBUTE BY RAND()”。

如果你的cube指定了一个高基数的列，比如”USER_ID”，作为”分片”维度(在cube的“高级设置”页面)，Kylin会让Hive根据该列的值重新分发数据，那么在该列有着相同值的行将被分发到同一个文件。这比随机要分发要好得多，因为不仅重新分布了数据，并且在没有额外代价的情况下对数据进行了预先分类，如此一来接下来的cube build处理会从中受益。在典型的场景下，这样优化可以减少40%的build时长。在这个案例中分发的语句是”DISTRIBUTE BY USER_ID”：

请注意: 1)“分片”列应该是高基数的维度列，并且它会出现在很多的cuboid中（不只是出现在少数的cuboid）。 使用它来合理进行分发可以在每个时间范围内的数据均匀分布，否则会造成数据倾斜，从而降低build效率。典型的正面例子是：“USER_ID”、“SELLER_ID”、“PRODUCT”、“CELL_NUMBER”等等，这些列的基数应该大于一千(远大于reducer的数量)。 2)”分片”对cube的存储同样有好处，不过这超出了本文的范围。

将cuboid数据转换为HFile

这一步启动一个MR任务来讲cuboid文件（序列文件格式）转换为HBase的HFile格式。Kylin通过cube统计数据计算HBase的region数目，默认情况下每5GB数据对应一个region。Region越多，MR使用的reducer也会越多。如果你观察到reducer数目较小且性能较差，你可以将“conf/kylin.properties”里的以下参数设小一点，比如：

kylin.hbase.region.cut=2

kylin.hbase.hfile.size.gb=1

rowkey构建

对rowkey的构建也有一定的要求，一般而言，需要把基数大的字段放在前面，这样可以在scan的过程中尽可能的跳过更多的rowkey。

另一方面将基数小的列放在rowkey的后面，可以减少构建的重复计算，有些cuboid可以通过一个以上的父cuboid聚合而成，在这种情况下，Kylin将会选择最小的父cuboid。例如，AB能够通过ABC（id：1110）和ABD（id：1101）聚合生成，因此ABD会被作为父cuboid使用，因为它的id比ABC要小。基于以上处理，如果D的基数很小，那么此次聚合操作就会花费很小的代价。因此，当设计cube的rowkey顺序的时候，请记住，将低基数的维度列放在尾部。这不仅对cube的构建过程有好处，而且对cube查询也有好处，因为后聚合（应该是指在HBase查找对应cuboid的过程）也遵循这个规则。

数据转换为HFile

kylin将生成的cube通过生成HFile的方式导入到hbase，这个优化点可以配置hbase的相关参数。

1. region数量默认是1，如果数据量大的话可以提高region数量
2. region大小默认是5GB，也就是hbae官方建议的大小；如果cube大小比这个值小太多，可以减小单region的大小
3. hfile文件大小，默认是1GB，由于是通过mapreduce写入的，小文件意味着写入快，但是读取慢，大文件意味着写入慢，读取快

经验

1. 尽量将需要展现的字段作为维度，没必要所有的一股脑加进去。
2. 每次查询或者要经常group by的字段作为Mandatory维度。且该维度放在        rowkey的最前面。
3. 将数量相近也就是说某两个字段通过select count("字段名")获取的结果近似1:1，设置为joint维度。
4. rowkey的顺序按查询频率从高到低，从前往后排。
5. 将经常出现在同一SQL中的不同维度放置在一个维度组中，将从不出现在一个SQL查询中的不同维度设置在不同的维度组中。
6. Dictionary默认为dict类型，如果某个字段中的值非常大（小幽遇到过的一个字段中的值保存成文本足足有23Kb！！！），大到以至或者可能使得Cube在build过程中出现OOM的错误，则需要将该字段的值设置为fixed_length类型,取可以展现这个维度的前length个字节，比如对于之前那个23kb的字段值，经和业务人员协商，发现取前4000个字节就可以表示这个字段了。所以fixed_length的值设置为4000.值得一提的是，Dictionary默认为false，是不给该字段在内存中建立词典树的，而更改为true则表示给该字段建立词典树。有词典树，则会优化带有该字段的SQL查询，提升查询速度，但相应地也会消耗一些内存。

总结

基于kylin的ui，可以看到kylin在构建cube时各个流程的耗时，可以依据这些耗时做相应的优化，常见的，可以从耗时最长的步骤开始优化，比如：

1. 遇到创建hive中间表时间很长，考虑对hive表进行分区处理，对表中的文件格式更改，使用orc，parquet等高性能的文件格式
2. 遇到cube构建时间过长，查看cube设计是否合理，维度的组合关系是否可以再减少，构建引擎是否可以优化

分享一个其他得cube优化设计的推荐：https://www.cnblogs.com/wenBlog/p/10255467.html