Presto 的智能查询优化器在应对复杂查询时，具体采取了哪些优化策略和机制？请结合其架构特性说明。

回答思路

1. 【回答框架 1】Presto 查询优化器采用基于成本的优化（CBO）与基于规则的优化（RBO）相结合的方式。CBO 通过统计信息估算执行代价，选择最优执行计划；RBO 则应用一系列启发式规则进行等价变换，如谓词下推、列裁剪等，减少数据扫描和传输量。
2. 【回答框架 2】其优化过程贯穿 SQL 解析、逻辑计划、物理计划等阶段。在逻辑层面进行子查询去关联化、连接重排序等；在物理层面选择 join 策略（如 hash join、broadcast join）、动态过滤等，以适应分布式执行环境。
3. 【回答框架 3】针对复杂查询，Presto 会利用分区裁剪、动态分区剪枝等技术，减少读取的数据量。同时支持基于成本的 join 重排，通过估算表大小和选择率，确定最优连接顺序，降低中间结果规模。
4. 【回答框架 4】Presto 优化器还支持物化视图和谓词下推至连接数据源，对于 Hive、Iceberg 等外部数据源，可下推过滤条件，减少网络和存储访问开销。此外，通过并行度和资源队列配置，保证大查询的稳定性。
5. 【关键点 1】CBO 与 RBO 结合，以统计信息驱动最优计划选择。
6. 【关键点 2】优化覆盖逻辑阶段和物理阶段，包括 join 重排序、动态过滤。
7. 【关键点 3】分区裁剪和谓词下推显著减少数据读取量。
8. 【关键点 4】优化器会考虑资源限制和并行度，确保大查询高效执行。
9. 【易错点 1】CBO 高度依赖准确的统计信息，信息过时可导致次优计划。
10. 【易错点 2】动态过滤和谓词下推对数据源连接器支持有限制，并非所有场景均生效。