kylin入门到实战：cube详述

版权申明：转载请注明出处。
文章来源：http://bigdataer.net/?p=306

排版乱？请移步原文获得更好的阅读体验

1.什么是cube？

cube是所有dimession的组合，每一种dimession的组合称之为cuboid。某一有n个dimession的cube会有2ⁿ个cuboid，如图：

对应一张hive表，有time,item,location,supplier这四个维度，则0-D cuboid时对应的查询语句为 select sum(money) from table;1-D cuboid对应的查询语句有四个，分别为select sum(money) from table group by time，以及select sum(money) from table group by item,以及select sum(money) from table group by location。对应的在2-D时group by 后面的维度会是time,item,location,supplier两两组合。如果不采取优化措施，理论上kylin在预计算过程中会对上述每一种组合进行预计算，随着维度的增加，计算量将会呈几何倍数的增长。为了解决这种问题，kylin对dimession做了分类，见下文。

2.dimession

为了减少cuboid的数量，kylin对dimession做了如下分类
normal：最为普通常见的dimession类型，与其他类型的dimession组成cuboid。
mandatory：每次查询均会使用到的dimession，在下图中A为Mandatory dimension，则与B、C总共构成了4个cuboid，相较于normal dimension的cuboid（2³=8)减少了一半。

在实际生产应用中，比如对于日报表的分析，可能日期就是一个mandatory dimession。
hierarchy：带层级的dimession,如：年->月->日，要求子级的父级必须存在。如下的例子中cuboid由2ⁿ降为了n+1。

然而，Kylin的Hierarchy dimensions并没有做集合包含约束，比如：kylin_sales_cube定义Hierarchy dimension为META_CATEG_NAME->CATEG_LVL2_NAME->CATEG_LVL3_NAME，但是同一个CATEG_LVL2_NAME可以对应不同META_CATEG_NAME。因此，hierarchy 显得非常鸡肋，以至于在Kylin后台处理时被废弃了。
derived：指该dimession与维表的primary key是一一对应的关系，可以有效减少cuboid的数量，derived dimession只能由Lookup Table生成。

3.measure

measure为事实表的度量值，kylin提供了下面几个函数：
sum,count,max,min,avarage,count_distinct
其中count_distinct有两种实现方式：
（1）近似Count Distinct。Apache Kylin使用HyperLogLog算法实现了近似Count Distinct,提供了错误率从9.75%到1.22%几种精度供选择；
算法计算后的Count Distinct指标，理论上，结果最大只有64KB，最低的错误率是1.22%；这种实现方式用在需要快速计算、节省存储空间，并且能接受错误率的Count Distinct指标计算。
（2）准Count Distinct。从1.5.3版本开始，Kylin中实现了基于bitmap的精确Count Distinct计算方式。当数据类型为tiny int(byte)、small int(short)以及int，
会直接将数据值映射到bitmap中；当数据类型为long,string或者其他，则需要将数据值以字符串形式编码成dict(字典)，再将字典ID映射到bitmap;
指标计算后的结果，并不是计数后的值，而是包含了序列化值的bitmap.这样，才能确保在任意维度上的Count Distinct结果是正确的。
这种实现方式提供了精确的无错误的Count Distinct结果，但是需要更多的存储资源，如果数据中的不重复值超过百万，结果所占的存储应该会达到几百MB。

更多文章请关注微信公众号:bigdataer