请说明在 Apache Druid 中查询性能调优的具体方法和常用优化策略，包括数据模型、查询类型和集群配置等方面的实践。

回答思路

1. 【回答框架 1】Druid 查询调优首先关注数据模型设计：合理选择粒度（如小时、天）以降低数据量，使用合适的索引（如倒排索引、位图索引）加速过滤，并针对高基数维度使用近似聚合或预聚合以提高查询速度。
2. 【回答框架 2】其次优化查询本身：避免大范围扫描，尽量使用时间戳过滤；减少不必要的维度或指标；使用合适的查询类型（如 groupBy、topN、timeseries）并限制结果集大小；利用缓存（如结果缓存和布隆过滤器）减少重复计算。
3. 【回答框架 3】集群配置方面：调整 Broker 的合并线程数、查询超时与内存配置；确保 Historical 节点数据段分布均衡，Segment 大小适中（建议 300MB-1GB），并合理设置堆外内存和并行查询参数。
4. 【回答框架 4】实时摄取调优：调整 Ingestion 任务的并行度、批次大小和窗口期，避免过度分区或数据倾斜；使用 rollup 预聚合减少存储和查询延迟。
5. 【回答框架 5】最后通过监控指标（如查询延迟、吞吐量、Segment 扫描数）定位瓶颈，结合 explain plan 分析查询计划，并进行压测验证优化效果。
6. 【关键点 1】优化数据粒度与预聚合（rollup）可显著减少扫描数据量。
7. 【关键点 2】利用时间过滤和维度索引（如倒排索引）能加速查询过滤。
8. 【关键点 3】合理配置缓存和执行引擎参数（如线程数、内存）是关键。
9. 【关键点 4】查询类型选择影响性能，topN 比 groupBy 在部分场景更高效。
10. 【关键点 5】定期监控和调整 Segment 大小与分布，避免热点。
11. 【易错点 1】不要盲目添加索引，需权衡写入成本与查询收益。
12. 【易错点 2】缓存一致性风险：近似聚合或缓存可能导致结果不完全实时，需理解其语义。
13. 【易错点 3】忽略数据倾斜可能导致部分节点过载，拖慢整体查询。