在 Apache Druid 中，数据分层存储与智能缓存机制分别包含哪些核心设计，它们又是如何协作以提升查询性能的？

回答思路

1. 【回答框架 1】Druid 采用多级分层存储架构：历史数据段按时间分块，冷热数据分别存于深层存储（如 S3、HDFS）和本地或分布式缓存中。查询时，元数据服务协调 Broker 路由请求，只加载所需数据块，减少 IO 开销。
2. 【回答框架 2】智能缓存包括段缓存和查询结果缓存。段缓存将常用的数据段驻留在内存或本地磁盘，避免重复从深层存储拉取；查询结果缓存直接返回已计算的聚合结果，特别适合高频相同查询。
3. 【回答框架 3】两种机制协同工作：数据分层让缓存管理更有针对性，冷数据不占内存，热数据缓存命中率高；同时 Druid 的实时和批量索引会更新段，缓存失效策略保证数据一致性。
4. 【回答框架 4】性能提升还依赖于时间范围分区和聚合粒度优化：按时间裁剪数据分片，只扫描相关区间；预聚合的 rollup 减少存储量和计算量，配合缓存达到亚秒级响应。
5. 【关键点 1】Druid 的分层存储按时间分区，冷热数据分离，降低存储成本并提升查询访问效率。
6. 【关键点 2】智能缓存包括段缓存和查询结果缓存，前者缓存数据段，后者缓存聚合结果。
7. 【关键点 3】缓存与存储分层协同，通过数据局部性提高命中率，减少深层存储 IO。
8. 【关键点 4】时间范围裁剪和预聚合进一步加速查询，减少扫描数据量。
9. 【易错点 1】不要忽略缓存一致性：数据更新后需及时使相关缓存失效，避免查询读到旧数据。
10. 【易错点 2】不能认为缓存总能提升性能，当查询模式多变或缓存命中率低时，缓存可能成为管理负担。