请结合 Apache Iceberg 的架构特性，阐述针对读写性能的调优策略，并说明在大规模并发读写场景下应如何设计与处理。
考察说明
考查对 Iceberg 性能优化手段及高并发读写场景应对方案的理解。
回答思路
- 【回答框架 1】Iceberg 的表格式设计（如元数据分层、Manifest 列表与数据文件管理）是优化读写性能的基础。写入方面，可利用分区裁剪、排序分区（如 Z-Order 或 Hilbert）减少数据文件数量与小文件问题，并开启 Compaction（如 Flink/Spark 的自动合并）优化存储布局。
- 【回答框架 2】读取性能优化依赖元数据过滤（Manifest 中列级统计信息），启用 Data Skipping 能力，并合理设置文件格式（Parquet/ORC）的压缩、列裁剪与谓词下推。此外，利用 Iceberg 的 Snapshot 隔离机制，避免频繁快照导致元数据膨胀，定期清理过期快照。
- 【回答框架 3】处理大规模并发写入时，采用 Iceberg 的乐观并发控制（基于快照冲突检测），通过合理设置写入并行度与使用 Iceberg 的 ACID 保证避免冲突。对于多个写入端，可引导使用 Kafka + Flink 等流式写入，并利用 Iceberg 的写时复制（Copy-on-Write）或读时合并（Merge-on-Read）模式平衡写入吞吐与读取延迟。
- 【回答框架 4】读取并发方面，利用 Iceberg 的并行读取能力（如 Spark 的并行任务）并配合缓存（如 FileIO 的缓存）减少重复元数据访问。必要时分库分表或引入预聚合视图，降低热点压力，同时监控并调整资源参数（如 Executor 内存、并行度）。
- 【关键点 1】分区裁剪与排序分区可显著减少读取的数据量，提升查询性能。
- 【关键点 2】定期执行 Compaction 合并小文件，优化存储布局。
- 【关键点 3】利用 Iceberg 的快照隔离与乐观并发控制支持高并发写入，避免数据冲突。
- 【关键点 4】采用列级统计信息进行数据跳过，加速过滤查询。
- 【关键点 5】根据场景选择 Copy-on-Write 或 Merge-on-Read 平衡读写性能。
- 【易错点 1】忽视小文件问题会导致元数据膨胀，读写性能下降。
- 【易错点 2】不合理的并行度设置可能引发频繁的快照冲突，影响写入效率。
- 【易错点 3】未清理过期快照会导致存储资源浪费，增加元数据开销。