前面的文章中讲到了OLTP、OLAP的概念，简单回顾下一个是代表像业务系统，主要处理业务流程的。一个是代表BI的分析型系统，主要是处理分析的，典型的代表就是数据仓库。

l OLTP就是Online Transaction Processing System，在线事务处理系统;

l OLAP则是Online Analytical Processing System，在线分析处理系统。

但是严格意义上来讲，OLAP的典型应用不是数据仓库，而是CUBE 多维立方体。只是现在很多解决数据仓库存储的数据库都这么叫了，整个边界越来越模糊了。就像商业智能BI和报表一样，整个边界越来越模糊了，慢慢也就没有人在意了。

这些都没有太大的关系，重点看原理，以及它们解决的是什么样的问题。

先来说一下CUBE到底是个什么东西？什么叫多维立方体？大家可以想象一下，商业智能BI前端可视化分析工具，或者报表工具从数据仓库取数去分析展现，会不会遇到一些查询性能的问题，这些问题都是怎么来的。

数据可视化 – 派可数据商业智能BI可视化分析平台

我们之前有文章曾经分享了有关报表优化四个阶段的原理，大家有兴趣的话可以看看。简单来说，分析页面刷新，前端浏览器不管是报表数据集模式，还是商业智能BI分析模型模式都会有一条SQL语句跑到服务器端去做数据查询，这个查询如果是商业智能BI的话就是到数据仓库上面去查，如果是数据集报表的话可以是从数据仓库，也可以是原始的业务系统数据库，总之有一条SQL语句要执行。

第一种，比如方式A返回的是大宽表到前端，数据量很大，前端再计算函数、慢慢渲染数据才展现出来。

第二种，比如方式B返回的查询汇总之后的结果，数据量很小，前端基本上不用做什么渲染数据就出来了。

方式A的时间损耗在哪里呢？不是在数据库服务器查询上，因为SQL可能很简单，时间的损耗大部分是在从服务器端往浏览器通过HTTP连接返回、IO开销上，以及前端函数聚合汇总、解析和渲染上。

方式B的时间损耗在查询阶段，因为SQL有大量的汇总，时间损耗在这个地方，减少了数据的返回量，前端函数基本上不用怎么处理，页面渲染也会很快。

所以，大家看到了没有，方式B是对方式A的一种性能优化。如果把这种优化提前的比如在ETL调度中实现，头一天晚上先算好，把该聚合的数据聚合好先存到数据仓库中的某一张表里面。除了需要看明细数据的这种查询场景，其它的任何查询就直接从这张已经提前算好的表里面取数就可以了。

数据可视化 – 派可数据商业智能BI可视化分析平台

整个的复杂的聚合过程不是在商业智能BI报表分析的时候再来计算，而是提前算好、存储，用的时候直接把聚合后的结果拉出来使用。大家看，多了一张表、多了一份存储空间，但是却把整个查询、聚合计算的时间给省下来了，这个过程就是我们经常讲到的“空间换时间”的概念。

但是也有一个问题啊，数据聚合的结果存放到数据仓库中，这种数据的格式、形式是不是也相当于提前固化了。比如之前发过去的SQL查询返回的就是一张事实表，里面的度量是固定的，分析的维度属性也是固定的。

如果现在用户改变分析维度或者指标呢？这张事实表就不能用了，新发起的查询就得像前面方式A提到的一样来处理，这样性能就又下降了，于是又得为这种新的查询聚合结果集再提前固化一张数据集市表。这样的场景多了，维护就非常的麻烦。

数据可视化 – 派可数据商业智能BI可视化分析平台

所以数据人员就在想，如果我们能够提前把所有可能分析的维度和维度属性Dimension and Attribute 和所有可能分析的度量Measure 全都组合好，全部算出来把结果提前存储起来，这样后面不管什么样的用户用什么样的维度和度量（指标）组合分析，都不需要临时计算，直接去结果，这样性能是不是就可以实现百倍、千倍甚至万倍的提升了？确实如此，因为你还要考虑到并发查询的问题。

这样一做，就是一个更大范围的用空间换时间的过程，这个过程就是OLAP CUBE多维立方体的设计思想来源和原理。