课程概要

案例背景:
这个背景下项目遇到的挑战， 单OLAP引擎Kylin无法法满足公司多样的业务场景需求，具体表现在：Kylin预计算消耗的存储和计算资源较大；随着维度数目的增加Cuboid 的数量会爆炸式地增长，导致Kylin实际能够支持的维度有限，无法满足有些较多维度指标需求；预计算模式灵活性不够，指标变更需要回刷所有历史数据，对一些数仓场景没法支持，例如缓慢变化维度、多值维度，不支持明细数据的查询。并且，Kylin也无法满足公司日益增长的实时指标需求。

解决思路:
主要解决思路是解耦OLAP平台对Kylin的强依赖，让平台能够支持其他OLAP引擎，同时保持对上层应用的透明。我们在指标平台层引入一个抽象层，来解耦其对Kylin的依赖，指标开发人员在抽象层进行数据建模，而由指标平台将抽象模型映射到具体不同的OLAP引擎，同时扩展查询引擎功能对指标平台提供统一查询接口，屏蔽底层OLAP平台查询语言差异，并在查询引擎层支持统一缓慢，智能路由等功能。目前我们已经支持Druid引擎、Clickhouse引擎，Doris引擎也即将上线。

成果：
目前项目达到预期的结果，基于Druid和Clickhouse的指标均上线服务，并能够在上层应用透明的情况实现指标在不同引擎的迁移，在运行时也能够实现引擎的动态切换（多个引擎都存在数据时）。

听众收益

1. 了解OLAP平台设计；
2. 了解业界流行的OLAP引擎Kylin、Druid、Doris和Clickhouse及其各自应用场景；
3. 了解数据仓库建模；
4. 了解指标查询性能优化的最佳实践