Kylin的工作原理本质上是MOLAP(Multidimensional Online Analytical Processing) Cube，也就是多维立方体分析。
在说明MOLAP Cube之前先介绍 维度(Dimension) 和 度量(Measure) 这两个概念。
- 维度：
被group by的字段，观察数据的角度，正常是时间，地点等不用于计算的值；- 度量：
被sum等聚合的字段，指被聚合的统计值，也就是聚合运算的结果，可以是销售额，销售商品数量等统计值。
- 给定一个数据模型，可以对其上的所有维度进行组合。对于N个维度来说，组合的所有可能性共有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，成为Cube，所以简单来说，一个Cube就是许多按维度聚合的物化视图的集合。
举一个例子解释一下上面的说法：
假设有一个电商的销售数据集，其中有4个维度和一个度量，维度为时间(Time)、地点(Location)、商品(Item)和供应商(Supplier)，度量为销售额(GMV)。那么所有维度就有2^4=16种(如图)，比如一维度(1D)的组合有[Time]、[Item]、[Location]、[Supplier] 4种；二维度(2D)的组合有[Time, Item]、[Time, Location]、[Time, Supplier]、[Item, Location]、[Item, Supplier]、[Location, Supplier] 6种；三维度(3D)的组合也有4种；最后零维度(0D)和四维度(4D)的组合各有1种，总共16种。
计算Cuboid，即按维度来聚合销售额。
如果用SQL语句来表达计算Cuboid[Time, Location]，那么SQL语句如下：Select Time, Location, Sum(GMV) as GMV from Sales group by Time, Location；
将计算的结果保存为物化视图，所有Cuboid物化视图的总称就是Cube。
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，具体过程如下：
- 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。
事实表和维度表
事实表（Fact Table）是指存储有事实记录的表，如系统日志、销售记录、传感器数值等；事实表的记录是动态增长的，所以它的体积通常远大于维度表。
维度表（Dimension Table）或维表，也成为查找表（Lookup Table），是与事实表相对应的一种表；它保存了维度的属性值，可以跟事实表做关联；相当于将事实表上经常重复的属性抽取、规范出来用一张表进行管理。常见的维度表有：日期表（存储与日期对应的周、月、季度等属性）、地区表（包含国家、省/州、城市等属性）等。维度表的变化通常不会太大。使用维度表有许多好处：
- 缩小了事实表的大小。
- 便于维度的管理和维护，增加、删除和修改维度的属性，不必对事实表的大量记录进行改动。
- 维度表可以为多个事实表重用。
星形模型
- 星形模型（Star Schema）是数据挖掘中常用的几种多维数据模型之一。它的特点是只有一张事实表，以及零到多个维度表，事实表与维度表通过主外键相关联，维度表之间没有关联，就像许多小星星围绕在一颗恒星周围，所以名为星形模型。
- 另一种常用的模型是雪花模型（SnowFlake Schema），就是将星形模型中的某些维表抽取成更细粒度的维表，然后让维表之间也进行关联，这种形状酷似雪花的的模型称为雪花模型。
- 还有一种更为复杂的模型，具有多个事实表，维表可以在不同事实表之间公用，这种模型被称为星座模型。
不过，Kylin目前只支持星形模型。
