请阐述 Apache Kylin 在处理大规模数据集时，实现增量数据同步与全量数据同步的具体方法及适用场景。

回答思路

1. 【回答框架 1】Kylin 通过构建 Cube 来加速查询，数据同步主要指将 Hive 等数据源的变化导入到 Kylin 的 Cube 中。全量同步即重新构建整个 Cube，适用于数据量较小或维度变化频繁的场景；增量同步则只处理新增或变化的数据段（Segment），常用时间分区字段进行切片。
2. 【回答框架 2】增量同步的核心是使用增量构建（Incremental Build），需要指定分区列（如日期字段）和分区格式，Kylin 会根据分区的起始与结束时间自动创建新的 Segment。每次增量构建只读取对应时间段的数据，显著减少计算开销，但不能处理历史数据变更（如更新或删除）。
3. 【回答框架 3】全量同步（全量构建）则重新加载所有数据并重建 Cube，能反映数据的完整状态，但耗时与资源消耗大。适用于首次构建、数据大量回刷或维度信息彻底变更的场景。在实际项目中，通常采用全量加增量的混合策略：定期全量构建，日常使用增量构建。
4. 【回答框架 4】在执行增量同步时，还需注意 Segment 合并（Segment Merge）以控制 Segment 数量，避免小文件过多导致查询性能下降。同时，需配置 Hive 表的增量数据准备，确保新增数据符合分区条件。Kylin 也支持流式数据源（如 Kafka）的实时同步，但底层依旧会形成 Segment 进行管理。
5. 【回答框架 5】针对大规模数据集，应优先评估数据变更频率与查询延迟要求。若变更频繁且多为新增数据，增量构建更高效；若要求强一致或频繁更新历史数据，则全量构建更可靠。此外，可结合 Kylin 的 Cube 存储引擎（如 Parquet 存储）与构建调优参数来优化同步性能。
6. 【关键点 1】增量构建只处理特定时间范围的新增数据，大幅降低构建成本，但无法处理历史数据更新，需配合全量构建或定期合并。
7. 【关键点 2】全量构建重建整个 Cube，能保证数据完全一致，但耗时和资源消耗高，适合数据回刷或维度大改场景。
8. 【关键点 3】采用混合策略：日常增量构建，定期全量构建，平衡效率与一致性。
9. 【关键点 4】Segment 是 Kylin 管理数据同步的基本单元，过多的 Segment 会降低查询性能，需进行合并。
10. 【易错点 1】将 Kylin 的增量同步等同于实时同步：增量同步底层仍是批处理，无法覆盖实时的数据更新操作。
11. 【易错点 2】忽略分区列的选择：若分区列不是稳定的时间字段，会导致增量构建结果不准确。
12. 【易错点 3】不关注 Segment 数量变化：长期只增不减会严重恶化查询性能。