【技术帖】Apache Kylin 深入Cube和查询优化

近几年，Apache Kylin作为一个高速的开源分布式大数据查询引擎正在迅速崛起。它充分发挥Hadoop、Spark、HBase等技术的优势，通过对超大规模数据集进行预计算，实现秒级甚至亚秒级的查询响应时间，同时提供标准SQL接口。目前，Apache Kylin已在全球范围得到了广泛应用，如百度、美团、今日头条、eBay等，支撑着单个业务上万亿规模的数据查询业务。在超高性能的背后，Cube是至关重要的核心。一个优化得当的Cube既能满足高速查询的需要，又能节省集群资源。本文将从多个方面入手，介绍如何通过优化Cube提升系统性能。

Cube基本原理

在传统多维分析就有多维立方体（OLAP Cube）的概念。Apache Kylin在大数据领域对Cube进行了扩展，通过执行 MapReduce/Spark任务构建Cube，对业务所需的维度组合和度量进行预聚合，当查询到达时直接访问预计算聚合结果，省去对大数据的扫描和运算，这就是Apache Kylin高性能查询的基本实现原理。

如图1所示，Apache Kylin会对SQL的查询计划进行改写，把源表扫描、多表连接、指标聚合等在线计算转换成对预计算结果的读取，极大减少了在线计算和I/O读写的代价。 而查询所访问的预计算结果保存在Cuboid当中（见图1红色方框），Cuboid大小只和维度列的基数有关，和源数据行数无关，这使得查询的时间复杂度可以取得一个量级的提升。

图1 预计算查询计划

一个Cuboid对应着一组分析的维度，并保存了度量的聚合结果。Cube就是所有Cuboid的集合，如图2所示，每个节点代表一个Cuboid。当查询到达，Apache Kylin会根据SQL所使用的维度列在Cube中选择最合适的Cuboid，最大程度地节省查询时间。

图2 Cube示意图

Cube优化案例

社区不乏一些使用Apache Kylin的成功案例分享，但经常还会看到很多朋友遇到性能问题，例如SQL查询过慢、Cube构建时间过长甚至失败、Cube膨胀率过高等等。究其原因，大多数问题都是由于Cube设计不当造成的。因此，合理地进行Cube优化就显得尤为重要。

这里先分享两个社区用户进行优化的案例：

案例1 – 提升Cube查询效率

背景：某智能硬件企业使用Apache Kylin作为大数据平台查询引擎，对查询性能有较高要求，希望提高查询效率。

数据：

• 9个维度，其中1个维度基数是千万级，1个维度基数是百万级，其他维度基数是10w以内
• 单月原始数据6亿条

优化方案：

• 数据清理：将时间戳字段转换成日期，降低维度的基数
• 调整聚合组：不会同时在查询中出现的维度分别包含在不同聚合组（如崩溃时间、上传时间等）
• 设置必须维度：把某些超低基数维度设为必须维度

优化成果：

• 查询性能：提升5倍
• 构建时间：缩短30%
• Cube大小：减小74%

案例二 – 提升Cube构建效率

背景：某金融企业使用Apache Kylin作为报表分析引擎，发现Cube膨胀率多大、构建时间过长，希望对这一情况进行改善。

硬件：20台高配置PC服务器

数据：事实表有100多万条记录，度量是某些列的平均值

优化方案：

• 维度精简：去除查询中不会出现的维度
• 调整聚合组：设置多个聚合组，每个聚合组内设置多组联合维度

优化成果：

Cube优化原理

从以上案例可以看出，通过Cube调优可以显著改善Apache Kylin的构建性能、查询性能及Cube膨胀率。那么这些改进的背后究竟是什么原理呢？

为了深入理解Cube，首先要先了解Cuboid生成树。如图3所示，在Cube中，所有的Cuboid组成一个树形结构，根节点是全维度的Base Cuboid，再依次逐层聚合掉每个维度生成子Cuboid，直到出现0个维度时结束。图3中绿色部分就是一条完整的Cuboid生成路径。预计算的过程实际就是按照这个流程构建所有的Cuboid。

图3 Cuboid生成树

通过这颗Cuboid生成树，我们不难发现：当维度数量过多，就会导致Cuboid数量以指数级膨胀；如果维度基数过大，还会使所在的Cuboid结果集变大。这些都是影响Cube膨胀率和构建时间的重要因素。

但是，所有的Cuboid都是必要的吗？实际上，在多数情况下，我们并不需要这里的每一个Cuboid，因此需要对Cuboid生成树做剪枝。剪枝可以从两个方面入手：数据特性、查询需求。首先介绍数据特性，考虑下图的两个Cuboid，左侧Cuboid包含4个维度（ABCD），右侧Cuboid包含3个维度（ABC），而两个Cuboid都包含相同（或极度相近）行数的记录，说明读取两个Cuboid结果的代价是一样的，同时左侧Cuboid除了具有右侧Cuboid的查询支持能力外，还能支持带有维度D的查询，因此右侧Cuboid就可以被去除。

图4 去除冗余Cuboid

再考虑查询需求，在报表或多维分析场景中，有些维度是每次查询都会出现的，如年份；有些维度总是一起出现的，如开始时间、结束时间；有些维度间是有层级关系的，如商品分类或地理信息。充分利用查询的这些实际需求也能去除不需要的Cuboid，例如：如果年份是必要的，那么所有不包含年份维度的Cuboid都可以被去除；如果两个维度总是同时出现，那么这这些维度单独出现的Cuboid就可以被去除。

在Apache Kylin中，可以通过设置Cube的维度组合规则来去除无用的Cuboid。首先，可以通过定义聚合组对维度分组，只在每个聚合组内生成Cuboid。此外，在单个聚合组内部，还可以设置维度组合规则，如：必须维度用于定义一定出现的维度、联合维度用于定义一组同时出现的维度、层级维度用于定义一组有层级关系的维度，详细的Cuboid生成规则如下图所示：

图5 聚合组规则

Cube优化工具

上文介绍了Cube设计和优化的基本原理，但是如何实践是一个比较有挑战的事情，需要操作者对这些原理的实现细节、数据特性、查询需求都有较深理解。所谓工欲善其事，必先利其器。这里介绍一个Cube优化的神器KyBot（https://kybot.io），可以通过可视化手段展现Apache Kylin中的各项统计指标，并进行智能化评分及规则，有助于快速定位查询、构建瓶颈和寻找解决方案。

KyBot的使用也十分简单，只需要简单上传包含日志的诊断包，后台会自动对诊断包中的查询、构建日志等历史进行分析，挖掘可能的Cube设计缺陷，通过可视化页面直观地展现出来。如果希望对日志中的敏感信息（如IP地址等）进行脱敏保护，也可以简单解决。

图6 KyBot网站

寻找Cube设计缺陷

当KyBot分析完成，在Cube仪表盘上就能看到Cube的诊断结果了，包括Cube评分、Cube排行、Cube详情等。图7的雷达图展示的就是所有Cube的整体评分，包含查询性能、构建性能、膨胀倍数、使用率、模型设计等5个维度。通过这个评分，就可以一眼对整个Apache Kylin的性能体现有一个直观认识，也可以直观地看出Cube优化的重要性和必要性。例如在这个例子中可以看出，虽然整体的查询、构建性能较好，但模型设计依然有很大提升的空间。

图7 Cube总体评分雷达图

了解整体性能之后，还需要进一步缩小范围寻找可优化的Cube，通过图8的Cube排行就可以。图中从膨胀倍数、查询次数、慢查询次数对Cube进行了排名，排在首位的就是在这一排名中最需要优化的Cube，例如，膨胀倍数排名第一个Cube的膨胀倍数远远高于其他Cube，说明有巨大的优化空间，如果对数据存储或构建时间有要求，就可以先从这个Cube入手进行优化。同样的，如果对查询效率有要求，就可以从慢查询次数排行入手。

图8 Cube排行

锁定了优化目标，单击这个Cube的柱状图查看Cube详情，如图9所示。图中1区域是当前Cube的评分，可以直观看出Cube在模型设计和查询性能方面有缺陷，其中模型设计的优劣来自对Cuboid重合率和查询匹配度的统计。评分下方的柱状图显示Cuboid重合率排名，Cuboid重合率代表一个Cuboid和他父节点Cuboid行数的比例，如果重合率接近100%，根据上文“Cuboid优化原理”一节，这个Cuboid是可以被去除的。根据图中的例子，有800多个Cuboid重合率高于90%，都是可以被去除的。

图9 Cube调优

接下来进入实际操刀环节，先来看模型设计的问题。图中2区域是Cuboid层级的树状图，在根节点（Base Cuboid）的8个子节点里，发现有6个节点的重合率超过了98%，且行数超过了1千万，说明这些Cuboid即使比父Cuboid相比少了一个维度，但依然没有减少结果集数量，换句话说，少掉的这个维度收缩力较弱，原因可能是因为这个维度基数较低，或者Cuboid中包含超高基数的维度。通过单击第一个子Cuboid，在区域3查看各个维度的详细信息，不难发现，该Cuboid并没有超高基数维度，而和父级Cuboid差异的维度YYYYMM基数很低。虽然YYYY和YYYYMM两列已是层级维度，但两个维度的基数均很低。同理，发现CATA1_ID和CATA2_ID的组合也是如此，如下图所示。鉴于YYYY、YYYYMM、CATA1_ID、CATA2_ID这4个维度的收缩力较弱，可以合并成一个联合维度。

图10 Cube维度信息

此外，还有多个基数较低的维度（LOCATION、TYPE、PIPE_ID）也有收缩力较弱的问题，也应合并成一组联合维度。这样，如下图所示，由于联合维度的引入使Cuboid数从28减小到25，有效地降低了Cube膨胀率、提升构建性能，同时又不影响查询性能。

图11 设置联合维度

最后来看查询效率的问题。如下图所示，发现这个Cube中有一个维度WORKER_ID基数在1300以上，且被设为必须维度。但是在使用统计中看到，这个维度并没有被SQL用到过，这些SQL本身可以访问一个体量较小的Cuboid，但由于WORKER_ID被设为必须维度，所有的Cuboid都会包含这个1300+基数的维度，导致所有Cuboid记录数膨胀，造成查询性能普遍较差。因此，取消这一维度的必须维度设置，势必能够大大提升Cube的查询性能。

图12 去除不恰当的必须维度

寻找Cube构建瓶颈

在Apache Kylin中，Cube的构建是通过一系列MapReduce和Spark任务完成的，其中MapReduce占多数。在KyBot上也可以看到Cube构建任务的可视化过程，如下图所示，就是一个Cube构建的生命周期，其中每一条绿色泳道代表了构建任务的一个步骤，泳道最长的一步说明耗时最大，如果要优化，就可以首先研究这一步。

图13 Cube构建生命周期

如果上传了这个任务的任务诊断包，还可以继续查看每一个MapReduce步骤的可视化过程。单击这个耗时最久的泳道，就会打开下图所示的MapReduce生命周期，在这个例子中，我们发现同一时间只有一个Task在运行，第一个task开始前还有较长的等待时间，说明集群资源可能较为紧张。如要优化，建议检查集群资源配置和调度。

图14 MapReduce任务生命周期

寻找查询瓶颈

查询是Apache Kylin的强项，但也存在种种因素导致某些查询变慢。查询性能一般通过整体的性能、并发统计数据来体现，KyBot的查询仪表盘可以直观展现不同维度的查询统计信息。如下图所示，这里可以看到查询响应时间的90百分位和95百分位、不同响应时间分布、每日性能变化等，用于直观把握查询性能的整体表现；下方的查询次数、人均查询次数、每日查询次数等直观展现Apache Kylin作为查询服务的使用率和并发数。

图15 查询统计图

为了提升Apache Kylin的查询性能，首先要定位慢查询。查询仪表盘下方的查询明细列表中可以看到慢查询列表，并从这里进入一个查询的详情页面，如下图所示：

图16 查询详情页

在查询的详情页，区域1是该查询的历史执行记录，通过单击图中的空心圆圈可以定位到某次查询记录。区域2是该查询击中的Cuboid及Rowkey的使用情况，绿色代表这个Rowkey作为查询的过滤条件，蓝色代表Rowkey作为查询的GROUP BY字段，白色代表出现在Cuboid上但没被查询用到的Rowkey。因为Apache Kylin使用HBase作存储引擎，所以参与过滤的Rowkey排在Cuboid前面会对查询性能有帮助。因此，蓝绿颜色的顺序就显得尤为重要了。图17是一个需要优化的查询例子，绿色Rowkey在末尾，可能影响HBase过滤的效率；中间有6个白色Rowkey，是因为这个6个维度被设为了必须维度，其中还有4个是高基数维度，会带来较高的存储扫描和在线计算代价，影响查询的效率。优化方案是取消必须维度的设置或改用联合维度。

图17 待优化查询（1）

图16的区域3是该查询执行的生命周期，其中绿色泳道代表Apache Kylin查询节点的线程，蓝色泳道代表HBase节点的执行线程。图18是一个需要优化的例子，图中两条蓝色泳道长度区别很大，是由于数据切分Region不平衡导致不同Region Server负载差异较大。因此可以通过设置Shard By字段或调整Region切分相关的参数来加速查询。

图18 待优化查询（2）

总结

本文着重介绍了Apache Kylin中对Cube和查询进行优化的原理、工具、方案和案例，希望能够帮助使用Apache Kylin的朋友解决工作上的棘手问题。查询需求可能随着业务发展而不断变化，而Cube优化就是不断保证Cube性能的有效手段。为了更加高效地完成调优，使用KyBot是一个最简单的方式，未来的KyBot也会更加自动化和智能化。最后，希望“麒麟神兽”在每一片大数据草原上都能施展最大的威力！
作者：李栋，Kyligence Inc技术合伙人兼高级软件架构师，Apache Kylin Committer & PMC Member，专注于大数据技术研发，KyBot技术负责人。毕业于上海交通大学计算机系；曾任eBay全球分析基础架构部高级工程师、微软云计算和企业产品部软件开发工程师；曾是微软商业产品Dynamics亚太团队核心成员，参与开发了新一代基于云端的ERP解决方案。