kylin作为OLAP查询最好的工具之一，但在kylin构建维度时，会生成很多不必要的维度cube，造成维度爆炸，占用大量的存储空间，为了缓解 Cube 的构建压力，减少生成的 Cuboid 数目，Apache Kylin 引入了一系列的高级设置，帮助用户筛选出真正需要的 Cuboid，本文主要介绍kelin维度优化配置–联合维度（Joint Dimension）。
在介绍优化之前，先来看一看造成维度爆炸的原因：
例如：有A,B,C,D四个维度，那么构建这样一个4个维度的cube就会产生（Kylin cube构建生成个数n个维度生成个cube）个cube（如图），但是这16个维度在中，我们并不会用到所有的维度。
随着维度数(N)的增加，cube数呈指数增长(KaTeX parse error: Expected group after '^' at position 2: 2^̲)，不仅占用大量的存储空间还会延长 Cube 的构建时间。为了缓解 Cube 的构建压力，Apache Kylin 引入了一系列的高级优化设置，达到减少生成的 Cuboid 数目的目的，这些高级设置包括聚合组（Aggregation Group）、联合维度（Joint Dimension）、层级维度（Hierarchy Dimension）和必要维度（Mandatory Dimension）等。
通过上述案例我们可以看到，仅4个维度就生成了16个cube，其中有很多的维度我们用不到，这这显然不是我们所期望的，我们希望kylin构建cube是尽量的减少不必要的维度生成，那么我们就需要给他设置联合维度（Joint Dimension）。比如在业务中只会出现group by A,B,C 其中A,B，或者B,C等维度都不会出现，那么我们就可设置联合维度为 A,B,C，这样维度就只会构建A,D,C，这样维度就会减少到4个，如图：
在真实案例中，例如：有project_id,dt,gender,age 4个维度，加入查询只会查询project_id,dt,gender，并不会单独查询gender，或者dt维度，那么我们就可以设置project_id,dt,gender 为联合维度，如图：
如图，
聚合组：project_id,dt,gender,age
联合维度： project_id,dt,gender
但是如果聚合中查询出现group by project_id,dt ，则没有现成的完全匹配的 Cuboid，Apache Kylin 会通过在线计算的方式，从现有的 Cuboid 中计算出最终结果