随着业务的不断发展,人们已不满足于大数据技术提供的海量存储与离线分析能力,希望能支持联机分析处理(OLAP)场景。然而在海量数据条件下,对OLAP纬度、指标数量、查询的并发度及响应时间都有较高的要求。传统的RMDBS或SQL on Hadoop能...随着业务的不断发展,人们已不满足于大数据技术提供的海量存储与离线分析能力,希望能支持联机分析处理(OLAP)场景。然而在海量数据条件下,对OLAP纬度、指标数量、查询的并发度及响应时间都有较高的要求。传统的RMDBS或SQL on Hadoop能力有限,不能有效支撑。以Druid和Kylin为代表的预聚合技术的出现,在较大程度上满足了大数据OLAP场景的需求。文章在简述OLAP技术发展的基础上,分析这类预聚合技术的系统特点及应用场景。展开更多
文摘随着业务的不断发展,人们已不满足于大数据技术提供的海量存储与离线分析能力,希望能支持联机分析处理(OLAP)场景。然而在海量数据条件下,对OLAP纬度、指标数量、查询的并发度及响应时间都有较高的要求。传统的RMDBS或SQL on Hadoop能力有限,不能有效支撑。以Druid和Kylin为代表的预聚合技术的出现,在较大程度上满足了大数据OLAP场景的需求。文章在简述OLAP技术发展的基础上,分析这类预聚合技术的系统特点及应用场景。
