Cube優化原理
首先要先了解Cuboid生成樹。如圖1所示，在Cube中，所有的Cuboid組成一個樹形結構，根節點是全次元的Base Cuboid，再依次逐層聚合掉每個次元生成子Cuboid，直到出現0個次元時結束。圖1中綠色部分就是一條完整的Cuboid生成路徑。預計算的過程實際就是按照這個流程建構所有的Cuboid。
圖1 Cuboid生成樹
通過這顆Cuboid生成樹，我們不難發現：當次元數量過多，就會導緻Cuboid數量以指數級膨脹；如果次元基數過大，還會使所在的Cuboid結果集變大。這些都是影響Cube膨脹率和建構時間的重要因素。
但是，所有的Cuboid都是必要的嗎？實際上，在多數情況下，我們并不需要這裡的每一個Cuboid，是以需要對Cuboid生成樹做剪枝。剪枝可以從兩個方面入手：資料特性、查詢需求。首先介紹資料特性，考慮下圖2的兩個Cuboid，左側Cuboid包含4個次元（ABCD），右側Cuboid包含3個次元（ABC），而兩個Cuboid都包含相同（或極度相近）行數的記錄，說明讀取兩個Cuboid結果的代價是一樣的，同時左側Cuboid除了具有右側Cuboid的查詢支援能力外，還能支援帶有次元D的查詢，是以右側Cuboid就可以被去除。
圖2 去除備援Cuboid
再考慮查詢需求，在報表或多元分析場景中，有些次元是每次查詢都會出現的，如年份；有些次元總是一起出現的，如開始時間、結束時間；有些次元間是有層級關系的，如商品分類或地理資訊。充分利用查詢的這些實際需求也能去除不需要的Cuboid，例如：如果年份是必要的，那麼所有不包含年份次元的Cuboid都可以被去除；如果兩個次元總是同時出現，那麼這這些次元單獨出現的Cuboid就可以被去除。
在Apache Kylin中，可以通過設定Cube的次元組合規則來去除無用的Cuboid。首先，可以通過定義聚合組對次元分組，隻在每個聚合組内生成Cuboid。此外，在單個聚合組内部，還可以設定次元組合規則，如：必須次元用于定義一定出現的次元、聯合次元用于定義一組同時出現的次元、層級次元用于定義一組有層級關系的次元，詳細的Cuboid生成規則如下圖3所示：