面对 Kylin 的高并发查询场景，你会采取哪些优化手段？请列举并说明常见的优化策略。
考察说明
考查候选人是否掌握 Kylin 在并发场景下的性能调优方法，以及能否结合原理给出可落地的优化方案。
回答思路
- 【回答框架 1】Kylin 的核心是预计算，将多维预聚合结果存储为 HBase 中的 Cube 数据，查询时直接扫描预计算结果，避免对明细数据的实时计算。高并发下查询压力主要落在 HBase 的 Region Server 上，因此需要针对存储层和查询引擎进行优化。
- 【回答框架 2】常见优化策略包括：1）合理设计 Cube，减少维度组合数量，使用聚合组、联合维度、层级维度等裁剪 Cuboid，降低存储和扫描开销；2）优化 HBase 表设计，包括预分区、合理设置行键、启用压缩（如 SNAPPY）和布隆过滤器，提升随机读性能；3）调整 Kylin 查询并发相关的配置，例如查询线程池大小、超时时间、缓存设置。
- 【回答框架 3】还可以使用 Kylin 的查询缓存（如 Redis 或 Memcached）缓存热门查询结果，减少底层存储访问；对查询进行限流和优先级控制，避免大查询占用过多资源；针对特定场景，可启用查询下压（Pushdown）到 Spark SQL，但对延迟敏感的场景需谨慎。
- 【回答框架 4】监控是关键：通过 Kylin 的查询日志和 HBase 监控指标识别慢查询和热点，结合慢查询日志进行 SQL 优化、Cube 重构或增加 Replica 数量，持续迭代调整。
- 【关键点 1】预计算是 Kylin 应对高并发的核心，查询命中预计算结果而非明细数据。
- 【关键点 2】优化 Cube 设计：聚合组、联合维度、层级维度等减少 Cuboid 数量，降低存储和扫描成本。
- 【关键点 3】HBase 层面：预分区、合理行键、压缩和布隆过滤器可提升读性能。
- 【关键点 4】使用查询缓存（Redis/Memcached）和并发控制（限流、线程池调优）缓解峰值压力。
- 【关键点 5】持续监控慢查询并优化，必要时进行 Cube 重构或调整存储配置。
- 【易错点 1】不要盲目增加查询并行度，可能导致 HBase 过载，应结合资源限制和压测调优。
- 【易错点 2】过度裁剪 Cuboid 可能导致查询无法命中预计算，被迫走 HBase 原始扫描，性能反而下降。
- 【易错点 3】缓存策略需注意一致性，Cube 刷新后应设计合理的缓存失效机制。