针对 Apache Kylin 的 Cube 构建过程，有哪些常规的优化手段与通用策略，请逐条说明其作用与适用场景。

回答思路

1. 【回答框架 1】Cube 构建优化的核心目标是减少构建时间和存储开销。在数据源层面，可进行数据裁剪，比如过滤不必要的数据，减少输入量。同时，合理设置粒度，如时间维度按天而非小时，可降低 Cuboid 数量和构建复杂度。
2. 【回答框架 2】使用聚合组是一种重要策略。通过将维度分组，每组内预聚合，可大幅减少 Cuboid 数量，避免组合爆炸。例如将经常一起查询的城市和省份放同一组，而独立维度分别分组，能显著降低构建时间。
3. 【回答框架 3】在构建引擎上，可采用将构建任务拆分并行执行，利用 Spark 或 MapReduce 的资源，并适当调大内存和并行度。此外，开启 Cube 剪枝，跳过无意义的维度和度量组合，也能有效缩短构建时间。
4. 【回答框架 4】调度层面可设置递增合并策略，将小段数据预构建后合并，避免每次全量构建。同时，定期清理未使用的 Cube 段，节约存储并维护性能。
5. 【关键点 1】数据裁剪和粒度选择是基础，减少输入量直接降低构建成本。
6. 【关键点 2】聚合组通过划分维度组减少 Cuboid 数量，是最有效的优化手段之一。
7. 【关键点 3】合理调整构建引擎资源与并行度可加速构建过程。
8. 【关键点 4】使用 Segment 合并与累积构建可避免重复全量计算。
9. 【易错点 1】不当的组合分组可能导致查询效率下降，需权衡构建与查询。
10. 【易错点 2】过度裁剪数据可能丢失维度组合，无法满足扩展分析。
11. 【易错点 3】仅靠增大资源有时无法显著优化，需结合数据模型调整。