数据立方体简介

假定我们有一个电商的销售数据集，其中包括时间、产品、地区、三个维度以及销售额这个度量数据。其中，各维度表构成如下：

• 时间维度：时间KEY(time_key)、日期(day)、月(month)、季度(quarter)、年(year)
• 产品维度：产品KEY(product_key)、产品名称(product_name)、品牌(brand)、产品类别(product_type)
• 地区维度：地区KEY(location_key)、城市(city)、省(province)、国家(sumry)

事实表构成如下：

• 事实表: 销售额(sales)、时间KEY(time_key)、产品KEY(product_key)、地区KEY(location_key)

人们很形象的将这种基于维度-事实建模方法得到的数据模型成为星型结构。基于这种结构，我们可以使用SQL分组从不同维度进行数据查询、分析，比如查询2017年每个月份的销售额：

select
    t2.month,
	sum(t1.sales) 
from 
    sales_fact t1,
	time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month

从这个例子中可以看到，在进行查询时需要进行表连接(join)、聚合等比较耗时的操作。为了解决表连接耗时的问题，工程上又提出宽表的方法，也就是接受数据冗余将维度表与事实表合并成一张表，以牺牲空间代价换取时间代价。但是，这仍然没有解决聚合耗时的问题，即使使用spark sql、persto这些新一代的内存计算计算，在数据量达到一定规模的时候，整个查询的耗时也将是分钟级别的，运气好的话，喝完一杯咖啡可以看到查询结果。慢查询会导致整个集群处于高负载下运行、降低集群的整体处理速度，在数据量日益增大的今天显然也是不能接受的。解决查询低效的一个方法是进行预聚合，按照不同维度进行预先聚合，查询时直接查询聚合结果。具体实现上有两种方法：ROLAP、MOLAP。

ROLAP
ROLAP简单来说就是用表的方式来存储按不同维度预先聚合好的数据，比如：

insert into agg_sales_fact_2017(month, sales) from 
select
    t2.month as month, 
	sum(t1.sales) as sales
from 
    sales_fact t1,
	time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month 

当应用程序发起对sales_fact查询时，通常由一个引擎将基于sql语句转换为对聚合表的操作：

-- 应用程序发出的SQL语句
select
    t2.month,
	sum(t1.sales) 
from 
    sales_fact t1,
	time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month

-- 引擎转换后的SQL语句
select 
    month, 
	sales
from 
    agg_sales_fact_2017

显示如果查询条件不带有t2.year = '2017'这样的维度查询条件时，整个查询将退化为对sales_fact、time_dim两个表的关联查询操作，因此需要从设计上加以避免。Mondrian是一个开源的多维查询引擎，可以将MDX查询语句转为相应的SQL语句，MDX是微软设计的一种类SQL查询语言。

MOLAP
MOLAP是一种不同于数据库中表的存储结构，将数据存储在一种称为多维立方体的数据结构中。Apache Kylin是最近比较流行的一个MOLAP存储模型，可以将数据从Hive导入Kylin中进行存储，应用程序通过标准的SQL语句查询Kylin，Kylin具有极高的访问性能，自从开源以来一直热度不减。关于MOLAP，韩佳炜教授的《数据挖掘概念与技术》一书中有详细介绍，有兴趣可进一步学习。

---

参考
[1]: What_are_aggregates Mondrian Documentation
[2]: 数据聚集技术在mondrian中的实现
[3]: OLAP引擎Mondrian的学习
[4]: Mondrian ROLAP 小结
[5]: 数据立方体