请阐述在 Presto 分布式查询引擎中开展 JOIN 操作的优化手段，并说明如何识别与规避 JOIN 场景下的数据倾斜问题？

回答思路

1. 【回答框架 1】Presto 的 JOIN 默认采用分布式哈希连接，根据 JOIN 键的哈希值将数据分发到不同 worker 并行处理；优化核心是减少网络传输与单点压力，优先使用广播连接将小表复制到各节点，避免全量 shuffle。
2. 【回答框架 2】数据倾斜的直接表现是部分 worker 处理时间远超其他 worker，常见成因包括 JOIN 键空值过多、热点键取值集中、或分区键与过滤条件不匹配；需先通过查询计划或指标定位倾斜节点。
3. 【回答框架 3】对倾斜优化可采取：对空值或热点键加随机盐打散后再聚合，或拆分为正常与倾斜两路分别处理；在 SQL 层面可用加盐 JOIN 或重写为多个 UNION ALL，必要时调整 session 参数如 join_distribution_type 为 BROADCAST。
4. 【回答框架 4】系统层面可根据表统计信息选择合适的 JOIN 策略，保持字段类型一致避免隐式转换，并优先过滤参与 JOIN 的行以减少数据量；同时可结合分桶表或使用 WITH 子句物化中间结果以稳定执行计划。
5. 【关键点 1】广播连接适用于小表，可显著减少网络 shuffle；大表 JOIN 需依赖哈希分区与 rehash。
6. 【关键点 2】数据倾斜主要源于空值或热点键，治本需从数据模型与分桶设计入手，临时可用加盐或拆分处理。
7. 【关键点 3】Presto 的动态过滤与基于统计信息的优化器能辅助选择策略，但仍需人工识别极端倾斜并调整 SQL。
8. 【易错点 1】不可仅依赖优化器自动处理；极端倾斜常需人工重写查询。
9. 【易错点 2】加盐方案会增加中间数据量，需权衡放大效应与倾斜收益。
10. 【易错点 3】调整 session 参数可能影响整个查询集群，需谨慎验证。