1. Kylin的设计思想
1.1 与其他开源大数据框架设计思想的对比
解决大数据不断增长中高速查询的能力。
怎么保证随着数据量的增长，怎么保证在未来的数据查询性能不受影响。
从算法角度讲，现有的大数据框架可分为以下几类：
1.并行计算：mapreduce、spark
2.列式存储：parquet，节省IO
3.（倒排）索引：节省IO
这三种在集群规模不变的情况下，随着数据的无限增长，查询性能也会线性的下降。比如，数据增长十倍，查询意味着我们扫描的数据量也增长了十倍，这就必然影响查询的效率。从算法时间复杂度讲，还是一个O(N)的问题，解决这个问题，Kylin提出来预计算的思路。
4.预计算：事先将增长的数据量在离线的情况做完，那么用户再来查询的时就可以减少工作量。
1.2 Kylin预计算思想的具体细节
数据建模，这对Kylin用户来说是最重要的工作。
使用关系数据库模型中的星型模型
模型决定了预计算的边界，给定了预计算的范围，内容。从而穷尽所有的计算量，实现预计算。
cube模型：多维立方体理论
有事实表，维度，度量，定义了维度和度量之后就可以做各种维度的排列组合和预计算，
预计算的结果存储在Hbase中，用户查询的结果直接从cube中反馈
cube的设计：
cube的设计过程示例：
另外Kylin还提供了工作管理、web查询界面以及简单的可视化。可视化方面Kylin可以与Tableu集成。
Kylin特性：高并发，低延迟。
2. 工作原理
目标：提供稳定的大数据查询
2.1 引言：物化视图
一个常用的3维立方体，包含：时间、地点、产品
Cuboid = one combination of dimensions
Cube = all combination of dimensions (all cuboids)
Base vs. aggregate cells; ancestor vs. descendant cells; parent vs. child cells
(9/15, milk, Urbana, Dairy_land) - <time, item, location, supplier>
(9/15, milk, Urbana, *) - <time, item, location>
(*, milk, Urbana, *) - <item, location>
(*, milk, Chicago, *) - <item, location>
(*, milk, *, *) - <item>2.2 Kylin的架构
数据源：hive or kafka
计算框架：mapreduce、spark，目前主要用mapreduce，因为spark和mapreduce性能差不多。
结果：存储在HBase中
对外查询接口：REST、JDBC、ODBC
2.3 cube构建工作流
2.4 cube存储
、
2.5 Kylin的查询引擎：Calcite
Calcite的apche社区：http://calcite.apache.org/
Calcite架构
Kylin对Calcite的优化
3. 调优
3.3 增量构建
4. 1.6版本新特性
可以接入kafka数据源，可以按分钟做增量构建
