请描述在 Apache Kylin 中，针对 Cube 构建过程，通常采用哪些手段进行性能监控，以及可以通过哪些调优策略来提升构建效率？

回答思路

1. 【回答框架 1】监控方面，核心是关注 Kylin 的 Job 引擎（默认 MapReduce，也可用 Spark）的执行日志、状态和历史记录。重点观察构建各步骤（如 Hive 中间表生成、构建词典、生成 HFile、写入 HBase）的耗时与资源消耗（CPU、内存、IO）。可利用 Kylin Web UI 的 Job 页面查看进度与日志，或通过日志聚合工具（如 ELK）分析超时或失败任务。
2. 【回答框架 2】优化可从配置和模型设计入手。配置上，合理调整 Kylin 的构建并发度、内存分配（如 mapreduce 或 spark 的 executor 内存）、以及 JVM 参数，避免资源不足或浪费。模型层面，应合理设计 Cube 的维度和度量，选择正确的聚合组和 Rowkey 顺序，避免过度预计算导致构建臃肿。
3. 【回答框架 3】对于数据倾斜，可通过预处理 Hive 表进行分桶或使用 Salting 技术平衡负载。另外，使用宽表替代多次 Join 能大幅提升构建效率，减少中间数据量。
4. 【回答框架 4】同时，应根据数据量变化趋势，及时调整 Cube 的自动合并、清理策略，并考虑使用 Kylin 的增量构建配合分区，避免每次全量构建带来的性能压力。
5. 【关键点 1】性能监控重点是各构建阶段耗时与资源利用率，可通过 UI 和日志定位瓶颈
6. 【关键点 2】优化策略包括调大构建并发与内存、优化 Cube 设计（聚合组、Rowkey）、处理数据倾斜
7. 【关键点 3】使用宽表少 Join、增量构建与分区可显著提升整体构建性能
8. 【易错点 1】容易忽略数据倾斜导致的单个 reducer 或 executor 负载过高，需针对性处理
9. 【易错点 2】过度优化 Cube 模型（如过多 Cube 或维度）反而增加构建与存储成本
10. 【易错点 3】依赖默认配置而不管集群资源，可能造成资源竞争和构建不稳定