1.2 Kylin 工作原理
Apache Kylin 的工作原理本质上是 MOLAP（Multidimensional Online Analytical Processing）Cube，也就是
这是数据分析中相当经典的理论，在关系数据库年代就已经有了广泛的应用.
在说明 MOLAP Cube 之前需要先介绍一下维度（Dimension）和度量(Measure）这两个概念。
1.2.1 维度(Dimension)和度量(Measure)简介
维度
简单来讲，维度就是观察数据的角度。它通常是数据记录的一个属性，例如时间、地点等。
比如电商的销售数据，可以从时间的维度来观察, 也可以进一步细化，从时间和地区的维度来观察.
维度一般是一组离散的值，比如时间维度上的每一个独立的日期，或者商品维度上的每一件独立的商品。
因此统计时可以把维度值相同的记录聚合在一起，然后应用聚合函数做累加、平均、去重复计数等聚合计算。
度量
度量就是被聚合后的统计值，也是聚合运算的结果，如图中的销售额，抑或是销售商品的总件数。
度量是基于数据所计算出来的考量值；它通常是一个数值，如总销售额、不同的用户数等。
通过比较和测算度量，分析师可以对数据进行评估，比如今年的销售额相比去年有多大的 增长，增长的速度是否达到预期，不同商品类别的增长比例是否合理等。
在一个 SQL 查询中，Group By 的属性通常就是维度，而所计算的值则是度量
1.2.2 Cube 和 Cuboid
有了维度和度量，一个数据表或数据模型上的所有字段就可以分类了，它们要么是维度，要么是度量（可以被聚合）。于是就有了根据维度和度量做预计算的
给定一个数据模型，我们可以对其上的所有维度进行组合。对于N个维度来说，组合的所有可能性共有 2^n 种。
对于每一种维度的组合，将度量做聚合运算，然后将运算的结果保存为一个物化视图，称为Cuboid。
所有维度组合的Cuboid作为一个整体，被称为Cube。
所以简单来说，一个 Cube 就是许多按维度聚合的物化视图的集合。
下面来列举一个具体的例子。
假定有一个电商的销售数据集，其中维度包括:
- 时间(Time)
- 商品(Item)
- 地点(Location)
- 供应商(Supplier)
度量:
- 销售额(GMV)。
那么所有维度的组合就有2^4=16种
一维度（1D）的组合有[Time]、[Item]、[Location]、[Supplier]4种；
二维度（2D）的组合有[Time，Item]、[Time，Location]、[Time、Supplier]、 [Item，Location]、[Item，Supplier]、[Location，Supplier]6种；
三维度（3D）的组合也有4种；
最后零维度（0D）和四维度（4D）的组合各有1种
总共 16 中.
计算 Cuboid，即按维度来聚合销售额。如果用SQL语句来表达计算 Cuboid[Time，Loca-tion]，那么SQL语句如下：
将计算的结果保存为物化视图，所有Cuboid物化视图的总称就是Cube。
1.2.3 工作原理
Apache Kylin 的工作原理就是对数据模型做Cube预计算，并利用计算的结果加速查询，具体工作过程如下。
指定数据模型, 定义维度和度量。
预计算
Cube, 计算所有Cuboid并保存为物化视图。执行查询时, 读取
Cuboid运算, 产生查询结果。
由于 Kylin 的查询过程不会扫描原始记录，而是通过预计算预先完成表的关联、聚合等复杂运算，并利用预计算的结果来执行查询，因此相比非预计算的查询技术，其速度一般要快一到两个数量级，并且这点在超大的数据集上优势更明显。