请解释 Apache Kylin 存储层的内部工作机制，并描述它是如何依赖 HBase 来存放和读取多维分析数据的？

回答思路

1. 【回答框架 1】Kylin 的核心思想是预计算，即提前将多维聚合结果存储为 Cube。构建时从 Hive 读取事实表与维度表，通过 MapReduce 或 Spark 计算，生成多个维度组合的预聚合结果。
2. 【回答框架 2】每个 Cube 对应若干 Cuboid，每个 Cuboid 代表一组维度的聚合数据。Kylin 将 Cuboid 的行键按维度值编码，度量值作为列族存储。行键设计是查询加速的关键。
3. 【回答框架 3】Kylin 将数据写入 HBase 表，每个 Cube 对应一张表。行键由维度值编码拼接而成，支持按前缀匹配；列族存储度量值。HBase 的按行键有序扫描特性使范围查询高效。
4. 【回答框架 4】查询时，Kylin 解析 SQL，生成请求，从 HBase 中读出匹配的行，然后聚合结果并返回。HBase 负责分布式存储和高速随机访问，Kylin 负责元数据管理和查询路由。
5. 【回答框架 5】这种设计牺牲了存储空间换来查询速度，适用于高并发、固定模式的分析场景。但构建数据量受 HBase 存储和构建计算资源的限制，适合批量更新的场景。
6. 【关键点 1】Kylin 预计算 Cube，以空间换时间，将复杂聚合结果提前存储在 HBase。
7. 【关键点 2】HBase 行键按维度编码，支持快速范围扫描，列族存储度量值。
8. 【关键点 3】查询通过行键定位预聚合结果，避免了实时扫描海量明细数据。
9. 【关键点 4】Cuboid 和维度组合是存储的核心结构，每个 Cuboid 对应一组聚合数据。
10. 【关键点 5】构建过程从 Hive 读取数据，利用分布式计算生成 Cube，然后写入 HBase。
11. 【易错点 1】混淆预计算与实时计算：Kylin 存储层只支持预计算，数据更新需要重新构建 Cube。
12. 【易错点 2】误以为 HBase 存储了明细数据：实际上存的是聚合结果，空间开销大，但查询快。
13. 【易错点 3】忽视行键设计的重要性：不合理的行键会导致查询效率低下，甚至全表扫描。