最近阅读了《快手万亿级实时OLAP平台的建设与实践》这篇博文，在公司内部也采用了druid作为实时OLAP的查询引擎，快手的在druid中的优化总结如下：
（1）集群规模和效果
（2）druid内部查询技术点
数据的预聚合、列式存储、bitmap索引，查询结果的中间缓存等。
（3）快手使用和查询优化经验
1:资源隔离部署方案.
冷热数据分离，热数据SSD ,冷数据HDD
tier配置，对特殊业务单独配置tier。
2：物化视图
从维度上来讲， 对于一个大的datasource，根据查询维度的热度，再独立建立相应的datasource ，典型的空间换时间。
从时间的维度上来讲，大范围的时间查询，分钟级聚合->小时级聚合->天级别聚合。
3：元数据交互加速（百万级别的segments）
overlord与mysql交互优化：添加慢查询的索引，如 dataSource、used、end.
coordinator 与mysql交互优化：
coordinator全量扫描druid_segments表改为增量扫描。添加used、create_date索引。
coordnator扫描segment匹配rule过程串行->并行。
4: indexing service 调度优化
task count 根据kafka lag 自动伸缩。
middle manager 的indexing task 资源分配从slot改成按照内存分配,可以指定task内存大小进行提交。
并行compaction:串行扫描segments compaction ->hadoop任务，并行compaction .
5:集群管理系统
druid数据源管理系统： 自助管理druid datasource，和indexing task .
druid 探针系统： 数据源冷热查询热度分析，冷/无用数据源的发现，高基维度的发现，无用维度/指标的发现。
6： 数据可视化工具superset
此外还有多time shift支持和改进、多chart窗口联动、报警功能设计。
参考文章：