Apache Kylin 是如何处理复杂 SQL 查询的？它提供了哪些查询优化机制，请具体说明其工作原理和适用场景。

回答思路

1. 【回答框架 1】Apache Kylin 通过预计算技术将原始数据转换为 Cube，存储预聚合结果。对于复杂 SQL，Kylin 会解析 SQL 并尝试将其映射到 Cube 的维度组合上，因此并非所有复杂 SQL 都能直接支持，而是依赖于 Cube 的设计。
2. 【回答框架 2】Kylin 提供多种优化机制：首先，通过构建多级 Cube（如 Base Cuboid、聚合组）来覆盖常见查询模式；其次，使用字典编码和压缩存储减少数据体积；再次，利用位图索引和倒排索引加速维度过滤；最后，支持查询下推，将部分计算推给底层存储如 HBase。
3. 【回答框架 3】对于复杂 SQL，如多表 JOIN、复杂嵌套查询，Kylin 通常需要预先定义事实表和维度表，并构建相应的 Cuboid。若查询不在预计算范围内，Kylin 可能无法高效处理，此时需要调整 Cube 设计或使用其他工具。
4. 【回答框架 4】Kylin 还提供查询路由和缓存机制：查询结果可缓存，加速重复查询；同时，通过智能路由将查询分发给最合适的节点，减少响应时间。此外，Kylin 支持使用星型模型和雪花模型，以支持更复杂的多维分析。
5. 【关键点 1】Kylin 依赖预计算 Cube 加速查询，并非所有复杂 SQL 都能直接优化。
6. 【关键点 2】支持星型和雪花模型，需提前设计维度组合以覆盖常见查询。
7. 【关键点 3】优化机制包括多级 Cuboid、字典编码、位图索引和查询下推。
8. 【关键点 4】查询缓存和路由机制能减少重复计算和网络开销。
9. 【关键点 5】复杂查询不能命中 Cube 时性能可能下降，需要回源或调整 Cube。
10. 【易错点 1】机械认为 Kylin 支持任意复杂 SQL，实际受 Cube 预计算限制。
11. 【易错点 2】忽略查询下推的边界，部分场景下推可能引入额外 IO 和延迟。
12. 【易错点 3】未考虑缓存一致性问题，频繁更新数据时缓存可能导致结果过期。