面对大规模元数据场景，Apache Atlas 在存储与查询性能方面通常采用哪些手段来保证系统可用性？

回答思路

1. 【回答框架 1】Apache Atlas 采用分层存储模型，将元数据实体与关系存储在图数据库（JanusGraph）中，并利用HBase作为底层持久化，索引部分通过Solr实现，以支持灵活的元数据检索。
2. 【回答框架 2】为提升大规模元数据查询性能，Atlas 引入了类型系统与索引策略，对常用的实体类型、属性及关系建立索引，并支持基于全文检索和属性过滤的查询，从而减少全表扫描。
3. 【回答框架 3】在存储扩展方面，Atlas 支持分区与分片，结合HBase的分布式特性，将元数据分散存储，降低单点压力；同时利用缓存机制（如本地缓存与分布式缓存）加速热点数据的访问。
4. 【回答框架 4】针对查询性能，Atlas 提供查询优化器，对复杂查询进行改写与简化，并推荐使用批量操作与分页查询，避免一次性加载大量数据；还支持将查询结果异步化或预计算，以平衡实时性与资源开销。
5. 【回答框架 5】此外，监控与调优持续进行，通过分析慢查询日志和系统指标，调整索引配置、缓存大小及存储参数，并考虑基于读写分离或副本扩展来支撑更大并发。
6. 【关键点 1】存储利用HBase与JanusGraph，结合Solr索引，分工处理事务与检索。
7. 【关键点 2】通过索引策略、缓存、分页及查询优化提升查询效率。
8. 【关键点 3】扩展能力依赖水平分片与集群复制，需要配合监控与参数调优。
9. 【关键点 4】极端场景采用预聚合或业务拆分，辅以冷热数据分离。
10. 【易错点 1】误以为只靠增加索引即可解决所有性能问题，忽略了写入放大与存储成本。
11. 【易错点 2】忽视缓存一致性，在元数据频繁更新时导致查询结果过期。
12. 【易错点 3】不加区分地对所有元数据启用齐全索引，导致资源浪费且维护开销高。