针对 Apache Kudu，你会采用哪些方法实现数据的冷热分离？请列举并说明几种常见的分层存储策略及其适用场景。
考察说明
考查对 Kudu 冷热分离与分层存储策略的理解，以及能否结合 Kudu 特性给出具体方案。
回答思路
- 【回答框架 1】Kudu 自身不直接支持冷热分层存储，但可基于其列式存储和分区能力实现。常见策略是按时间维度对表进行 range 分区，将近期热数据放入 Kudu，将历史冷数据定期导出至 HDFS 或对象存储（如 OSS/S3），并使用 Impala 或 Spark 进行联合查询。
- 【回答框架 2】另一种策略是利用 Kudu 的按需扫描和谓词下推能力，在 Kudu 内部仅保留热分区，冷分区通过 TTL（如 Kudu 的存活时间特性）自动删除或迁移，但注意 Kudu 的 TTL 仅适用于表或分区，需搭配外部表或快照管理冷数据。
- 【回答框架 3】对于极热数据，可考虑将 Kudu 与内存型存储（如 Alluxio）结合，但 Kudu 自身不是内存数据库，热数据优化应侧重分区合理性和列裁剪，避免全表扫描。分区键应选择时间或业务 ID，以支持高效裁剪。
- 【回答框架 4】常见分层策略还包括：1) 热数据存 Kudu，温数据存 Parquet 文件在 HDFS，冷数据存对象存储；2) 使用 Kudu 的压缩编码（如 plain、bitshuffle）减少存储；3) 通过定期任务（如 Spark 作业）根据时间戳归档旧数据，并更新视图或元数据。
- 【关键点 1】Kudu 无原生冷热分层，需结合分区和外部存储。"， "按时间 range 分区，热数据放 Kudu，冷数据归档到 HDFS/对象存储。"， "使用 Impala 或 Spark 实现冷热数据统一查询。"， "利用 Kudu 的 TTL 或定期删除来清理过期数据。"， "
- 【易错点 1】不要将 Kudu 的 TTL 当作冷热自动迁移机制，它只负责物理删除。"， "避免对冷数据频繁全量扫描，应使用分区裁剪和列裁剪。"， "注意跨存储查询时的数据一致性和延迟，需设计合理的归档流程。