Overview
Kylin的使命是超高速的大数据OLAP（Online Analytical Processing），也就是要让大数据分析像使用数据库一样简单迅速，用户的查询请求可以在秒内返回。其中的关键就是打破查询时间随着数据量成线性增长的这个规律。解决方案是针对维度聚合的预计算，因为由于业务范围和分析需求是有限的，有意义的维度组合也是相对有限的，一般不会随着数据的膨胀而增长。传统的Hadoop生态提供了大规模并行处理和列式存储两大关键技术，预计算是Kylin提供的第三大关键技术。
Concept
- MOLAP（Multidimensional Online Analytical Processing）Cube 多维立方体分析
- Dimension and Measure（维度和度量）
维度是观察数据的角度，度量是被聚合的统计值
- Cube and Cuboid
N个维度，组合的可能性共有2^N种；对于每一种维度的组合，将度量做聚合运算，然后将运算的结果保存为一个物化视图，称为
Cuboid;所有维度组合的Cuboid作为一个整体，被称为Cube。一个Cube就是许多按维度聚合的物化视图的集合。
Process
Kylin的工作原理就是对数据模型做Cube预计算，并利用计算的结果加速查询：
- 指定数据模型，定义维度和度量
- 预计算Cube，计算所有Cuboid并保存为物化视图
- 执行查询时，读取Cuboid，运算，产生查询结果
Kylin提高性能的本质是在原始记录和结果数据之间设置了一个中间层;
理论上，Kylin可以支撑的数据集大小没有上限，仅受限于存储系统和分布式计算系统的承载能力，并且查询速度不会随着数据集的增大而缓慢。Kylin在数据集规模上的局限性主要在于维度的个数和基数。它们一般由数据模型决定，不会随着数据量的增大而增大。
Architecture
Kylin 系统可以分为在线查询和离线构建两大部分
- 离线构建：首先从数据源（
Hive或HDFS）抽取数据，通过MapReduce构建Cube，将Cube存储在存储引擎中，一般是HBase。 - 在线查询：Kylin提供了
Rest API和JDBC/ODBC查询接口，二者最终会进入Rest服务层，Rest服务层再转交给查询引擎进行处理。
查询引擎会将基于关系表的逻辑执行计划翻译成为基于Cube的物理执行计划，然后查询预计算生成的Cube并产生结果。
路由选择在最初设计的时候，曾考虑将Kylin不能执行的查询引导去Hive中执行，但在实践后发现Hive与Kylin的速度差异过大，导致用户无法对查询的速度有一致的期望，体验非常糟糕，后来这个功能在发行版中默认关闭。
Kylin1.5将数据源、构建引擎、存储引擎三大依赖抽象为接口，而Hive，MapReduce，HBase只是默认实现。