请阐述 Apache Kylin 在处理构建失败或节点异常时采用了怎样的容错策略，并解释在 Cube 构建流程中具体通过哪些机制来确保数据的一致性与可靠性。

回答思路

1. 【回答框架 1】Kylin 的容错机制主要围绕构建任务的重试与恢复：构建任务被分解为多个阶段，每个阶段可记录状态，失败后可根据状态机进行重试。同时，Hadoop 生态提供底层容错，如任务失败自动重试，YARN 资源管理器会处理节点故障。
2. 【回答框架 2】在数据一致性方面，Kylin 采用快照隔离：构建开始时基于输入数据的快照，构建过程不影响已有查询的 Cube。构建完成前，新的 Cube 段不会对外可见，仅在构建成功后原子切换，保证读取一致性。
3. 【回答框架 3】Kylin 还利用 HBase 的原子性和事务特性：段数据写入 HBase 时，通过行键设计确保数据唯一性，写完成后通过更新元数据（如状态标记）来发布新段落。若构建失败，未发布的段会被清理，不影响现有数据。
4. 【回答框架 4】乐观锁与版本控制：Kylin 在元数据存储中采用乐观锁，当多个任务并发修改同一资源时，通过版本号检测冲突，保证更新的一致性。若冲突则重试或报错，避免脏写。
5. 【回答框架 5】对于数据源变更，Kylin 依赖增量构建的偏移量管理，确保每个 Cube 段处理的数据范围不重叠且连续，且通过校验和等机制验证数据完整性，防止数据丢失或重复。
6. 【关键点 1】Kylin 充分利用 Hadoop 底层容错，结合任务级重试和状态机恢复。
7. 【关键点 2】使用快照隔离和原子切换，构建期间不影响查询，保证数据一致性。
8. 【关键点 3】元数据更新采用乐观锁和版本控制，防止并发冲突。
9. 【关键点 4】增量构建通过偏移量管理确保段数据范围连续不重叠。
10. 【易错点 1】误以为 Kylin 所有容错都只依赖自身，其实底层任务调度也提供保障。
11. 【易错点 2】忽略快照隔离的语义：构建基于快照，但输入数据变化可能需要增量构建配合。
12. 【易错点 3】不可笼统说强一致，Kylin 保证的是基于版本控制的最终一致性，需要理解其具体实现。