Kylin构建Cube的流程与算法

我这一篇参考这个，感谢作者：https://www.cnblogs.com/zlslch/p/7404465.html

1.Kylin中重要的结构Cube

在解释kylin中的cube结构里，网络上比较流行的一个图，其中的Cube共有三个维度：时间(time)、地点(location)、产品(product)，data cell里面是度量，也就是统计的值。

那我们就可以通过这三个维度的值来直接确定度量的值。Kylin它就是把这三个维度下，所有的维度值可能出现的组合都给计算出来，其中每个组合都有个名词：cuboid

可以想象到 n维的数据最多有2的n次方个cuboid，但是我们可以通过维度的详细设置，减少cuboid的数量。

2.Cube算法

首先，Kylin团队的老哥们想的办法是很暴力的，就是逐层计算，最复杂的情况下，就是n维度的cube不作处理，这样就会出现2的n次方个子立方体。

这个图是四维的cube，Cuboid的结果是key-value作为输入，key的各个维度拼在一起的，在里面找到聚合的维度，筛选它的值作为新的key，对value操作。MapReduce对所有新的key进行排序，输送给Reducer，做聚合运算，结合key输出就完成一轮计算了。每轮计算都是MapReduce任务，串行执行的。多少个维度，就有多少轮的MapReduce

后来考虑到这个算法的效率有点低，对HDFS的读写操作有点多，开销会随着集群的增长而变大。 kylin的老哥们进行了算法的优化，给这个算法起名也很简单粗暴——Fast Cubing

其实这个思想如果了解过concurrentHashMap或者了解过Hbase2所优化的算法特性的同学们会比较容易理解。 这个概念是Segment，也就是分片，逐块计算。

主要的思想是Mapper所分配的数据块，计算一个小块Cube，所有Mapper把计算好的Cube输出给Reducer做合并，生成大的Cube，这个大Cube就是结果。

如上图所示，Mapper这次会用内存先做预聚合，算所有组合，Mapper输出的key不同，这样给MapReduce处理的数据量就减少了。Hadoop任务调配不用那么赶了，大大的减轻了hadoop的压力。

子立方体生成树的遍历：

旧算法里是按照层级遍历的，所以是BFS(广度优先遍历)，一层一层的生成Cuboid。

在新算法里是换用了DFS(深度优先遍历)计算，父Cuboid压栈，计算子Cuboid，直到没有需要计算的Cuboid为止，输出给Hadoop，这样就解释了为啥上文说减轻Hadoop压力了，N个维度的情况下，最多就暂存N个Cuboid。

首先，避免了重复计算。其次减少内存占用，提高效率。

按照DFS的次序，在0维Cuboid 输出前的计算次序是 ABCD -> BCD -> CD -> D -> ， ABCD, BCD, CD和D需要被暂存；在被输出后，D可被输出，内存得到释放；在C被计算并输出后，CD就可以被输出； ABCD最后被输出。