请阐述 Apache Kylin 在查询优化方面的设计思路，并说明有哪些手段可以提升查询效率？

回答思路

1. 【回答框架 1】Kylin 的核心优化思想是空间换时间，通过预先对维度组合进行 Cube 构建，将聚合结果物化为 HBase 中的存储，查询时直接读取预计算结果，避免对原始数据的实时扫描。
2. 【回答框架 2】查询优化主要依赖 Cuboid 剪枝和查询路由。Kylin 根据查询的维度、度量与已有 Cuboid 匹配，选择能覆盖查询且包含结果的最小 Cuboid，减少数据扫描量。同时，利用字典编码和位图索引存储措施，压缩体积，加快过滤与聚合。
3. 【回答框架 3】在查询阶段，Kylin 使用 SQL 解析、规则改写和执行计划生成，将下推操作交给存储引擎，并尽量在存储端完成过滤和聚合。对于维度组合，通过层级、强制、聚合组等派生优化减少无效 Cuboid。
4. 【回答框架 4】提高查询效率的手段还包括：合理设计 Cube 维度层次和粒度、使用 Rowkey 优化排序与压缩，以及调整 HBase 的 Region 数量和缓存；同时，根据查询模式裁剪 Cuboid 数量，避免过多维度的随意组合导致膨胀。
5. 【关键点 1】Kylin 通过预计算 Cube 将聚合结果物化，实现秒级查询。
6. 【关键点 2】查询优化依赖 Cuboid 剪枝和最小覆盖选择，减少扫描数据量。
7. 【关键点 3】字典编码和位图索引压缩存储，加快过滤与聚合。
8. 【关键点 4】Rowkey 设计优化数据排序和压缩，影响查询性能。
9. 【关键点 5】合理设计 Cube 模型和维度层次可避免 Cuboid 爆炸。
10. 【易错点 1】不能认为任意查询都能命中预计算结果，未覆盖的查询会回退到原始计算，性能下降。
11. 【易错点 2】Cube 构建维度过大会导致存储膨胀和构建耗时增加，需权衡。
12. 【易错点 3】HBase 存储的预聚合结果不支持实时更新，不适合频繁更新的数据。