文献综述（或调研报告）：
大数据通常具备两个特性：一是时间属性，二是数据不会经常变动。对于数据仓库来说，要数据尽量的去冗余才能够形成大数据。数据仓库是面向主题设计的，而数据库是面向事务设计的。MySQL存储的数据是围绕着事务展开的，且要尽量避免数据冗余，这也导致MySQL并不适合分析大数据。
大数据分析方法的结构由四个关键组件组成：数据源、数据接收模块、分析处理模块和分析请求模块[3]。在分析处理组件方面，数据模型（即NoSQL，关系，图形）是实施大数据解决方案的重要决策。因此，可以将数据分析方法大致分为以下三种：基于NoSQL的体系结构、基于关系并行数据库的体系结构和基于图数据库的体系结构[5]。
许多旅行网站利用大数据来支撑决策过程。例如将用户评论应用到住宿、交通上，以便给其他客人提供一个参照，Airbnb就是一个例子[8]。用户点评已经成为互联网消费非常重要的一个部分，对客户的购买行为有着极大的影响。通过Airbnb所提供的数据，进行适当的整合与分析，可得出有哪些因素对入住产生了影响。为了探究这一问题，可采用数据挖掘领域的XGBoost分析入住率的影响因素，并进行预测[9]。而本次课题所采用的Kylin对市场、管理、销售等场景也非常适合[15]，因此也可以用来分析Airbnb的相关数据。
作为一种多维数据分析的工具，Apache Kylin属于基于NoSQL架构的工具。Apache Kylin默认的数据源是大数据领域中最常用的数据仓库Hive，Hive本身就具备海量数据存储和分析的能力[19]。编程模型是常见的MapReduce模型[13]，扩展性也较好。Hive的本质是一个从HiveQL到MapReduce的转换器。Apache Kylin安装的前提要求是Hadoop，Hive，Hbase必须已经安装而且能正常工作。
Hive数据仓库不支持对单条数据进行操作，它通过批量导入来加载数据到仓库中，并将这些数据直接以文件的格式存储在HDFS中。之后可以通过追加或全部覆盖两种方式继续导入数据[19]。
Apache Kylin的功能是分析大数据，具有许多特性，包括可扩展的超快 OLAP 引擎、Hadoop ANSI SQL 接口、交互式查询能力、多维立方体和与 BI 工具无缝整合。通过交互式查询能力，用户可以以秒级以下的延迟水平实现与Hadoop数据的交互，其性能优势远远大于Hive的查询机制[4]。
Kylin的具体工作大致分为以下几个步骤：指定数据模型，定义维度和度量；预计算 Cube，计算所有 Cuboid 并保存为物化视图；执行查询时（Kylin支持Restful API/JDBC/ODBC驱动），读取 Cuboid运算，产生查询结果[7]。系统架构设计通常为：将数据源存入Hive数据仓库，通过HDFS生成数据预聚合子系统，再通过MapReduce生成OLAP数据立方体，获取数据后得到多维数据可视化子系统[19]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
