Kylin 之对大数据量的多维分析

转 ：http://tech.meiyou.com/?p=97

一、Kylin简介
Apache Kylin（http://kylin.apache.org/cn/）是一个开源的分布式分析引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由eBay 开发并贡献至开源社区。它能在亚秒内查询巨大的Hive表。

1、kylin的总体架构
Kylin 作为一个Olap引擎完成了从数据源抓取数据，ETL到自己的存储引擎，提供REST服务等一系列工作，其架构如图所示：

Kylin 的生态圈包括：
Kylin Core: Kylin 引擎的框架，查询、任务、以及存储引擎都集中于此，除此之外还包括一个REST 服务器来响应各种客户端请求。
扩展插件: 各种提供额外特性的插件，如安全认证、SSO等
完整性组件: Job管理器，ETL、监控以及报警
交互界面: 基于Kylin Core之上的用户交互界面
驱动: 提供了JDBC以及ODBC的连接方式

2、Kylin典型的应用场景
场景如下：
数据存于HDFS，利用Hive将HDFS数据以关系数据方式存取，数据量巨大，在500G以上
每天有数G甚至数十G的数据增量导入
有10个左右的分析维度

Kylin的核心思想是利用空间换时间，由于查询方面制定了多种灵活的策略，进一步提高空间的利用率，使得这样的平衡策略在应用中是值得采用的。

二、Cube说明
Cube是一种典型的多维数据分析技术，一个Cube可以有多个事实表，多个维表构成。

1、维度组合Cuboid
Cube是所有的维度组合，任一维度的组合称为cuboid。
理论上来说，一个N维的Cube，便有2的N次方种维度组合（Cuboid），一个Cube包含time，item, location, supplier四个维度，那么组合便有16种：

Kylin中Cube的Build过程，其实是将所有的维度组合事先计算，存储于HBase中，以空间换时间，HTable对应的RowKey，就是各种维度组合，指标存在Column中。
这样，将不同维度组合的查询SQL，转换成基于RowKey的范围扫描，然后对指标进行汇总计算。

2、Kylin构建Cube的过程
如下图所示：

STEP1. 根据Cube定义的事实表和维度，在Hive中生成一张中间表；
STEP2. 使用MapReduce，从事实表中抽取维度的Distinct值，并以字典树的方式压缩编码，同时也对所有维度表进行压缩编码，生成维度字典；
STEP3. 计算和统计所有的维度组合，并保存，其中，每一种维度组合，称为一个Cuboid；
STEP4. 创建HBase Table；
STEP5. 利用step1中间表的数据，使用MapReduce，生成每一种维度组合的数据；
STEP6. 将Cuboid数据转换成HFile，并导入到HBase Table中：
STEP7. 更新Cube信息，清理中间表：
整个Build过程结束。

3、增量Cubing
Kylin与传统的OLAP一样，无法应对数据Update的情况（更新数据会导致Cube的失效，需要重建整个Cube）。面对每天甚至每两个小时这样固定周期的增量数据，Kylin使用了一种增量Cubing技术来进行快速响应。Kylin的Cube可以根据时间段划分成多个Segment。在Cube第一次Build完成之后会有一个Segment，在每次增量Build后会产生一个新的Segment。增量Cubing依赖已有的Cube Segments和增量的原始数据。增量Cubing的步骤和新建 Cube的步骤类似，Segment之间以时间段进行区分。

增量Cubing所需要面对的原始数据量更小，因此增量Cubing的速度是非常快的。然而随着Cube Segments的数目增加，一定程度上会影响到查询的进行，所以在Segments数目到一定数量后可能需要进行Cube Segments的合并操作，实际上merge cube是合成了一个新的大的Cube Segment来替代，Merge操作是一个异步的在线操作，不会对前端的查询业务产生影响。

合并操作步骤如下：
遍历指定的Cube Segment
合并维度字典目录和维度表快照
利用MapReduce合并他们的 N-Dimension cuboid
将cuboid转换成HFile，生成新的HTable，替代原有的多个HTable

三、Kylin使用步骤

1、主要步骤
Kylin中多维分析主要包括以下步骤：
Hive中分析好事实表
Kylin中建立项目(project)
Kylin中建立数据源，从hive同步表
Kylin中建立数据模型model
Kylin中基于model建立Cube
Build Cube
查询Cube

按照上面的过程，最终将Hive中的事实表按照相应的结构，压缩并存储在HBase中。
官网提供了中文文档，说明了如何在Kylin中建立Cube，非常详细：
http://kylin.apache.org/cn/docs15/tutorial/create_cube.html

2、实例-搜索多维统计

搜索业务有以下汇总维度：
时间段、app、操作系统、用户身份、搜索位置、关键词、结果类型、结果类型细分类型
、结果位置，怀孕身份下还需要区分孕周。有10个维度。

任意维度组合下要查询一些指标：
关键词曝光量、曝光人数，搜索量、搜索人数，结果点击量、结果点击人数等等……

操作步骤如下：
准备好搜索行为埋点流水表，从hive同步到kylin。

建立model，基于model创建cube。

设置上述维度

设置上述指标

设置保留数据阀值

高级设置：设置cube组合优化，rowkey顺序

Cube创建完，build。

build结束后cube会处于ready状态。

此时即可查询

任意时间段任意纬度组合查询

四、Count Distinct计算
从1.5.3开始，Apache Kylin提供了两种Count Distinct计算方式，一种是近似的，一种是精确的，精确的Count Distinct指标在Build时候会消耗更多的资源（内存和存储），Build的过程也比较慢。

1、近似Count Distinct
Apache Kylin使用HyperLogLog算法实现了近似Count Distinct,提供了错误率从9.75%到1.22%几种精度供选择。算法计算后的Count Distinct指标，理论上，结果最大只有64KB，最低的错误率是1.22%，这种实现方式用在需要快速计算、节省存储空间，并且能接受错误率的Count Distinct指标计算。
具体的算法可见Paper： http://algo.inria.fr/flajolet/Publications/FlFuGaMe07.pdf

2、精准Count Distinct
从1.5.3版本开始，Kylin中实现了基于bitmap的精确Count Distinct计算方式。当数据类型为tiny int(byte)、small int(short)以及int，会直接将数据值映射到bitmap中；当数据类型为long,string或者其他，则需要将数据值以字符串形式编码成dict(字典)，再将字典ID映射到bitmap。
指标计算后的结果，并不是计数后的值，而是包含了序列化值的bitmap，这样才能确保在任意维度上的Count Distinct结果是正确的。这种实现方式提供了精确的无错误的Count Distinct结果，但是需要更多的存储资源，如果数据中的不重复值超过百万，结果所占的存储应该会达到几百MB。

3、全局字典(Global Dictionary)
默认情况下，Kylin在每个Segment中，将数据值编码到一个字典中，同一个数据值，在不同Segment中编码后的ID值也是不同的，因此在这跨两个Segment中进行Count Distinct计算时候，结果是不正确的。

在1.5.3版本中，Kylin引进了”Global Dictionary”，用来确保同一个数据值编码后的ID值始终是相同的，与此同时，字典的容量也进行了扩充，一个字典的最大容量达到了20亿，之前默认的字典最大容量为500万。全局字典可以代替之前的默认字典。
当前版本1.5.3的UI中，没有提供定义全局字典的地方，需要手动修改Cube的json：
1. "dictionaries": [
2. {
3. "column": " USER_ID ",
4. "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder"
5. }
6. ]
详见文档 http://kylin.apache.org/blog/2016/08/01/count-distinct-in-kylin/

Example：
1. | DT | USER_ID | FLAG1 | FLAG2 | USER_ID_FLAG1 | USER_ID_FLAG2 |
2. | :———-: | :——: | :—: | :—: | :————-: | :————-: |
3. | 2016-06-08 | AAA | 1 | 1 | AAA | AAA |
4. | 2016-06-08 | BBB | 1 | 1 | BBB | BBB |
5. | 2016-06-08 | CCC | 0 | 1 | NULL | CCC |
6. | 2016-06-09 | AAA | 0 | 1 | NULL | AAA |
7. | 2016-06-09 | CCC | 1 | 0 | CCC | NULL |
8. | 2016-06-10 | BBB | 0 | 1 | NULL | BBB |

表中有几个基础列：DT、USER_ID、FLAG1、FLAG2，假设Cube按天Build，有3个Segments。如果不使用全局字典，在一个Segment（一天数据）中计算Count Distinct是准确的，但是如果在两个Segment中计算Count Distinct，结果是错误的
1. select count(distinct user_id_flag1) from test where dt in (‘2016-06-08’, ‘2016-06-09’)
这个查询结果是将会是2，而不是3， 因为在Segment 2016-06-08的字典中，AAA的编码ID为1，BBB的编码ID为2，而在Segment 2016-06-09中，CCC的编码ID也为1,因此，编码ID去重后，结果是2.
如果使用下面的方式配置了全局字典，那么这三个值的编码ID为: AAA=>1, BBB=>2, CCC=>3,去重后的结果是正确的3。
事实上，USER_ID_FLAG1和USER_ID_FLAG2都是USER_ID的子集，这时候，只需要使用USER_ID来创建全局字典，那么另外两个，其实可以复用的。

1. "dictionaries": [
2. { "column": "USER_ID", "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder" },
3. { "column": "USER_ID_FLAG1", "reuse": "USER_ID", "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder" },
4. { "column": "USER_ID_FLAG2", "reuse": "USER_ID", "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder" }
5. ]

“reuse”是用来优化字典的，当多个字段的值是同一个数据集的时候，指定复用同一个字典即可，不需要再建立字典。全局字典不能用在维度的编码中，如果一个字段即是维度，又是Count Distinct指标，那么就需要为维度指定其他的编码方式。

全局字典是比较大的，在Build时候，”Build Base Cuboid Data”这一步会消耗较长时间。
如果字典大小超过Mapper的内存大小时候，字典需要消耗大量时间在缓存加载和回收上，解决该问题的办法是修改Cube的参数，适当增大Mapper使用的内存：
kylin.job.mr.config.override.mapred.map.child.java.opts=-Xmx8g
kylin.job.mr.config.override.mapreduce.map.memory.mb=8500

4、总结
选择哪种Count Distinct计算方式呢？
1. 如果能接受1.22%以内的误差，近似计算肯定是最好的方式；
2. 如果业务需要精确去重计数，那么肯定得选择精确Count Distinct；
3. 如果不需要跨Segment（天）的去重，或者字段值是tinyint/smallint/int, 或者字段去重后的值小于500万，那么就是用默认字典；否则，就需要配置全局字典，同时，如果可以，则是用“reuse”来进行优化。

五、注意事项

1、事实表的准备
Kylin只支持简单的聚合函数，sum、count等、尽量在hive做好预处理。
对于维表比较大的情况，或者查询Select部分存在复杂的逻辑判断，存在Apache Kylin不支持的函数或语句时，可以将事实表和维表的关联处理创建为Hive视图，之后根据视图创建Cube模型。

2、Cube高级设置
Cube的计算量主要跟维度个数、维度基数有关。尽量减少不必要的维度组合计算。

（1）Mandatory Dimension
每次查询必然带有的条件建议在字典设置步骤将其设置为Mandatory。这样会最终 Build出来Cube的大小会减少一半。

（2）Hierachy Dimension
一系列具有层次关系的Dimension组成一个Hierachy， 比如年、月、日组成了一个Hierachy， 在Cube中，如果不设置Hierarchy， 会有 年、月、日、年月、年日、月日 6个cuboid， 但是设置了Hierarchy之后Cuboid增加了一个约束，希望低Level的Dimension一定要伴随高Level的Dimension 一起出现。

（3）Joint Dimensions
这是一个将维度进行分组，以求达到降低维度组合数目的手段。不同分组的维度之间不会进行组合计算。将经常出现在同一SQL中的不同维度放置在一个维度组中，将从不出现在一个SQL查询中的不同维度设置在不同的维度组中。
Group的优化措施与查询SQL紧密依赖，可以说是为了查询的定制优化。 维度组合从2的（k+m+n）次幂降低到 2的k次幂加2的m次幂加2的n次幂。如果查询的维度是跨Group的，那么Kylin需要以较大的代价从N－Cuboid中聚合得到所需要的查询结果

（4）Cube定义中RowKey顺序：按查询频率从高到低，从前往后排。Mandatory维度，Where过滤条件中出现频率较多的维度，高基数维度，低基数维度。

3、Segment的合并和清理
大的事实表采用天分区增量构建，为了不影响查询性能，可以定期做合并(Merge)，周期可以根据实际情况确定。

这里需要注意的是：kylin可以设置数据自动清理策略，例如只保留30天的数据。但是实际上它不是按天算的，是按Segments个数。如果是按天构建，不合并数据的情况下每天都会有一个Segments，这时设置保留30天确实是保留30天；设置了合并数据的情况下，假设每周合并一次，那每周都会有7个Segments（天）合并成一个大的Segments（周），那保留30个Segments数据就远不止一个月的。要根据合并策略设置合适的清理策略。

而且在kylin里面清理的数据只是去除了关联，数据实际上还在hbase上，需要手动清理
Steps:
1. Check which resources can be cleanup, this will not remove anything:
export KYLIN_HOME=/path/to/kylin_home
${KYLIN_HOME}/bin/kylin.sh org.apache.kylin.storage.hbase.util.StorageCleanupJob --delete false
Here please replace (version) with the specific Kylin jar version in your installation;
2. You can pickup 1 or 2 resources to check whether they’re no longer be referred; Then add the “–delete true” option to start the cleanup:
${KYLIN_HOME}/bin/kylin.sh org.apache.kylin.storage.hbase.util.StorageCleanupJob --delete true
On finish, the intermediate HDFS location and HTables should be dropped;
详查http://kylin.apache.org/docs15/howto/howto_cleanup_storage.html

4、部署层面
可以通过Nginx在前端做负载均衡，后端启动多个Query Server接收查询请求处理。

5、新功能展望

近实时的流计算：
Apache Kylin v1.6.0带来了更可靠更易于管理的从Apache Kafka流中直接构建Cube的能力，使得用户可以在更多场景中更自然地进行数据分析，使得数据从产生到被检索到的延迟，从以前的一天或数小时，降低到数分钟。
http://kylin.apache.org/cn/blog/2016/12/04/release-v1.6.0/

Spark 构建引擎：
Apache Kylin v2.0.0 引入了一个全新的基于 Apache Spark 的构建引擎。它可用于替换原有的 MapReduce 构建引擎。初步测试显示 Cube 的构建时间一般能缩短到原先的 50% 左右。
http://kylin.apache.org/cn/blog/2017/02/25/v2.0.0-beta-ready/