多维数据模型和OLAP的实用价值在哪？

Posted 2021-12-20 卖山楂啦prss

感觉学完瞬间懂了，分享给大家

作者：Kyligence
链接：多维数据模型和OLAP的实用价值在哪？
来源：知乎

---

首先理解一下多维数据模型和OLAP的含义。OLAP区别与传统的交易型业务系统（做增删查改），也叫OLTP。OLAP的目的不是为了方便数据可以随时增删改，而是方便数据可以随时做统计分析，因此其存储数据的结构和模型设计上就会跟OLTP完全不一样。而多维数据模型就是一种非常适合OLAP的模型，通过将维度（分析角度）拆分出来形成维度表，然后跟基于事务交易的记录事实表进行关联，形成多维度的星型或者雪花模型。在进行数据分析时，想基于哪个维度来统计查询，就将该维度表与事实表简单关联即可。以下星型模型借用网上的一张图：

这样的模型结构优势是非常方便进行数据的统计分析，且结构清晰，关系简单。但是，当数据量大的情况下，对表关联后再进行实时的聚合，group by，sum, count等操作，基于不同数据库的性能瓶颈，会需要较长的响应时间，特别是在Hadoop架构之上进行表之间的join关联操作。所以还有一个OLAP Cube（数据立方体）的概念，对于OLAP是很有帮助的。见下图（也来自于网络）

我们通过把第一张图的星型模型做多维预计算处理，形成一个cube的数据存储结构。在需要统计数据时，直接查询其中一个小立方体，获取结果数据，返回给用户，可以达到秒级响应。因为cube是预计算存储的，所以在查询统计数据时，不需要再实时关联join维度表与事实表，以及进行实时的group by, sum, count等操作，所以数据分析的性能非常快。基于这种思想的工具有很多，除了基于大数据Hadoop架构的Apache Kylin，也有基于传统架构的微软SSAS，IBM Cognos，Oracle Essbase等。

---

kylin 通过一种cube的方式，提前把所有可能的结果计算起，存起来，当用户需要分析查询数据时，直接去“库房”拿提前计算好的数据，相当于用空间换时间。

Kylin Flink Cube 引擎的前世今生

---