Apache Kylin的核心思想是根據使用者的資料模型和查詢樣式對資料進行預計算，並在查詢時直接利用預計算結果返回查詢結果。

相比普通的大規模並行處理解決方案，Kylin具有響應時間快、查詢時資源需求小、吞吐量大等優點。

下面是Apache Kylin在使用過程中的一些最佳化技巧：

（1）對於大的事實表可以採用分割槽來增量構建。為了不影響查詢效能，可以設定定期自動做合併Merge操作，合併的週期可以根據實際情況確定，比如10天進行一次合併。

（2）如果每次查詢都帶有某個維度，那麼建議在高階設定步驟中將此維度設定為Mandatory，好處是最終Build出來Cube的大小會減少一半。

（3）對於維表比較大的情況，或者查詢select部分存在複雜的邏輯判斷，或者存在Kylin不支援的函式或語句時，可以先在Hive中對事實表和維表的進行關聯等邏輯處理，並建立Hive檢視，之後根據檢視建立Cube模型。

下面是針對分表的情況，建立檢視進行合併。

create view palearn_cube as

select userid,eventid,label,day,'android' as platform from

palearn_android WHERE category='gc001'

UNION ALL

select userid,eventid,label,day,'ios' as platform from

palearn_ios WHERE category='gc001';

Apache Kylin中Cube依賴的事實表透過view建立，這樣增加了一層對映，可以減小Cube對原始表的依賴，提高靈活性。

（4）Cube的維度如果超過10個，建議將常用的聚合欄位分組，我們對於最大的16個維度分了三個組，每組大概在5個維度左右。當然，你也可以透過修改Kylin的配置引數，限制Cube的維度個數或者維度組合總數。

（5）Cube定義中RowKey順序：Mandatory維度、Where過濾條件中出現頻率較多的維度、高基數維度、低基數維度。

（6）在搭建Kylin的大資料分析平臺時，可以透過Nginx在前端做負載均衡，後端啟動多個Query Server接收查詢請求處理，提高併發度。