在处理海量数据时，Tableau 采取了哪些策略来保障性能与可扩展性？

回答思路

1. 【回答框架 1】数据提取（Extract）是核心策略：通过将数据源转换为列式存储的 Tableau 数据引擎，利用内存压缩和索引加速查询，比实时连接更适合大数据分析，尤其对百万级以上行数据。
2. 【回答框架 2】实时连接（Live Connection）适用于需要最新数据的小规模场景，但面对大数据集时依赖数据库自身优化，如索引、分区及聚合，性能易受网络和数据库负载影响，建议结合数据库层预聚合。
3. 【回答框架 3】使用增量提取和自定义 SQL 或数据库端聚合：增量刷新减少全量抽取耗时，而数据库端聚合或使用 Tableau 的聚合存储模式（如聚合提取）能显著降低数据量，提升响应。
4. 【回答框架 4】通过数据源的优化：利用数据提取的过滤、分区字段及行级安全性，并采用初始 SQL 或自定义查询来下推计算，减少传输到 Tableau 的数据量。
5. 【回答框架 5】架构层面可采用 Tableau Server 或 Tableau Cloud 的分布式缓存和负载均衡，支持并发用户，并合理调整内存与缓存配置，如 TSM 设置，以支撑大规模数据集。
6. 【关键点 1】提取模式将大数据集转为列式存储，显著提升查询性能。
7. 【关键点 2】增量提取和数据库预聚合可有效减少数据量。
8. 【关键点 3】实时连接依赖数据库优化，适合小数据或需实时更新的场景。
9. 【关键点 4】下推计算（自定义 SQL）能减少数据传输。
10. 【关键点 5】Server 端缓存和资源分配支撑大规模并发访问。
11. 【易错点 1】不能简单认为提取总优于实时连接，需考虑数据更新频率和内存限制。
12. 【易错点 2】忽略数据库端聚合导致每次查询全量扫描，性能不升反降。
13. 【易错点 3】大规模并发下未配置缓存和资源限制，可能导致服务器崩溃。