多维分析

kylin cube

如何构建更好的数据立方体系统(Cube)
https://www.huaweicloud.com/articles/7cadf877f0785d24ab1b18ecddf68b79.html

Apache Kylin 在有赞科技的高性能运维实践

https://cn.kyligence.io/blog/apache-kylin-%e5%9c%a8%e6%9c%89%e8%b5%9e%e7%a7%91%e6%8a%80%e7%9a%84%e9%ab%98%e6%80%a7%e8%83%bd%e8%bf%90%e7%bb%b4%e5%ae%9e%e8%b7%b5/

早期 OLAP 平台：预计算 + MySQL
此方式存在灵活性差、开发效率低下等问题。但有赞当时业务处于起步阶段，这种方式技术栈简单，学习成本也很低。

2018 年左右，有赞引进 Druid，但很快就无法满足有赞的业务需求
当时引进 Druid 是因为其支持实时报表的开发，并且查询灵活度比较高。但随着有赞业务越来越复杂，Druid 的缺点也日益明显，首先是不支持精确去重，其次是聚合度不高，还有实时数据的修复必须在 T+1，在 SaaS 场景下 RT（Response Time）和快速恢复无法满足，同时也不支持明细的 ROLAP。

2019 年至今，有赞基本完成了把 Druid 逐步往 Kylin 和 ClickHouse 上迁移的工作
选择 Kylin 的主要原因是：Kylin 的 RT 在所有预计算 OLAP 引擎里是最低的，同时聚合度也比较高，精确去重和非精确去重的性能最强。引入 ClickHouse 则主要是支持明细 OLAP 的查询。有赞目前和将来的 OLAP 就会包含 Kylin 和 ClickHouse 两个技术栈。