星型模式水平缩放
Star Schema horizontal scaling
AFAIK，对于 MPP 硬件上的关系数据库，性能的关键是正确的数据分布。虽然维度建模是关于查询灵活性的，但您甚至不知道将来数据将如何查询（打乱）。
例如，您有 MPP 数据仓库（Greenplum、Redshift、Synapse Analytics）。例如，在 1-2 年内，您预计事实 table 将增长到 100 亿行，并且您将拥有 15-30 个维度 table 的 1000 万行。 数据应该如何跨 DW 节点分布？有什么共同的技术吗？ 比如分片事实 table 和复制维度 tables。或者我应该尽量减少 MPP DW 中的节点数量？
我可以提出具体的用例，但我认为问题源于我对维度建模如何与横向扩展相结合的误解。
我看到过去成功应用的一项技术是：分割事实 table（例如，通过 mod'ing 日期键），并在所有节点上分布所有维度.这样所有连接都可以在本地完成。
请注意，即使维度很大，它们在磁盘上的总大小也应该是事实 table 所需总大小的一小部分。
AFAIK，对于 MPP 硬件上的关系数据库，性能的关键是正确的数据分布。虽然维度建模是关于查询灵活性的，但您甚至不知道将来数据将如何查询（打乱）。
例如，您有 MPP 数据仓库（Greenplum、Redshift、Synapse Analytics）。例如，在 1-2 年内，您预计事实 table 将增长到 100 亿行，并且您将拥有 15-30 个维度 table 的 1000 万行。 数据应该如何跨 DW 节点分布？有什么共同的技术吗？ 比如分片事实 table 和复制维度 tables。或者我应该尽量减少 MPP DW 中的节点数量？
我可以提出具体的用例，但我认为问题源于我对维度建模如何与横向扩展相结合的误解。
我看到过去成功应用的一项技术是：分割事实 table（例如，通过 mod'ing 日期键），并在所有节点上分布所有维度.这样所有连接都可以在本地完成。
请注意，即使维度很大，它们在磁盘上的总大小也应该是事实 table 所需总大小的一小部分。