多维分析应用中，事实表会有很多维表，比如，订单表的维表如下图：

这些维表和事实表的关联运算就是 SQL 中的 JOIN，数据库技术一般采用 HASH JOIN 算法实现。这个算法每次只能解析一个 JOIN，有 N 个 JOIN 要执行 N 遍动作，每次关联后都需要保持中间结果供下一轮使用，计算过程复杂，数据也会被遍历多次，计算性能会严重下降。

而且，在维表个数和层数较多时，数据库的优化器常常不能找出最合适的解析次序，而不同的次序会导致不同的数据产生和复制运算量，如果每次关联都有大表参与，这些额外的计算量就会很大，数据库的计算性能会急剧下降。HASH JOIN 算法也不容易并行，难以充分利用并行计算的性能优势。

维表一般比较小，我们可以事先在系统启动时就将其装入内存并建好索引，维表之间的关联也可以事先建立好。然后，只要在遍历事实表的过程中与内存中的维表进行关联，可以少计算一次 HASH 值，而且也不会发生找不到合适解析次序的问题。另外，维表和事实表区分明确，只要将事实表分段就很容易并行。

用开源集算器 SPL 实现这种算法的代码：

l  系统初始化代码如下：

A1=file("customer.btx").import@b().keys@i(cid)

      // 读入客户维表并建立索引

A2=file("product.btx").import@b().keys@i(pid).switch(sid,file("supplier.btx").import@b().keys(sid))      

      // 产品维表与供应商维表预关联

>env(customer,A1),env(product,A2)

l  多维分析计算代码：

A1=file("orders.ctx").open().cursor@m(pid,cid,quantity).switch(pid,product;cid,customer)

      // 用索引查找并关联维表记录，并行计算

A2=A1.select(pid.sid.name=="raqsoft.com").groups(cid.city;sum(pid.price*quantity))

      // 预关联好的事实表和维表，先按照供应商名称切片，再按照客户所在城市分组汇总

如果事实表也不大，甚至还可以在系统启动时也装入内存，与维表之间的关联也事先建好，在计算时直接引用维表记录中的字段，不必再做任何 HASH JOIN，性能提高会更明显。

l  系统初始化代码：

A1=file("customer.btx").import@b().keys@i(cid)

      // 客户维表建立主键（带索引）

A2=file("product.btx").import@b().keys@i(pid).switch(sid,file("supplier.btx").import@b().keys(sid))

      // 产品维表与供应商维表预关联

A3=file("orders.btx").import@b().switch(cid,A1;pid,A2)

      // 订单事实表与客户维表、产品维表（多层）预关联

>env(orders,A3)      // 预关联好的事实表和维表，存入全局变量，供后续计算使用

l  多维分析计算代码：

orders.select(pid.sid.name=="raqsoft.com").groups(cid.city;sum(pid.price*quantity))

      // 预关联好的事实表和维表，先按照供应商名称切片，再按照客户所在城市分组汇总

事实表很大时，还可以预先做序号化处理：一次性将事实表中的维度字段转换为对应内存维表记录的序号。计算时，将事实表数据分批读入内存，用维度字段值（也就是维表序号），直接取内存维表对应位置的记录，性能要比索引查找快很多，和内存预关联性能几乎是一样的。

l  序号化转换代码：

A1=file("orders-original.ctx")                    // 原数据表

A2=A1.reset@n(file("orders.ctx"))              // 复制结构到新数据表

A3=A1.open().cursor().run(pid=file("product.btx").import@b().keys@i(pid).pfind(pid),cid= file("customer.btx").import@b().keys@i(pid).pfind(cid))

> file("orders.ctx").append(A3)                  // 序号转换后，存入新数据表

l  系统初始化代码：

A1=file("product.btx").import@b().switch(sid,file("supplier.btx").import@b().keys(sid))

      // 产品维表与供应商维表预关联

>env(customer,file("customer.btx").import@b()),env(product,A1)

      // 存入全局变量，不必生成客户、产品维表的索引，可以节省内存

l  多维分析计算代码：

A1=file("orders.ctx").open().cursor(pid,cid,quantity).switch(pid,product:#;cid,customer:#)

      // 用序号定位维表记录

A2=A1.select(pid.sid.name=="raqsoft.com").groups(cid.city;sum(pid.price*quantity))

      // 多维分析计算的代码和内存预关联时的写法一致

关系数据库没有对象指针这个概念，并且基于笛卡尔积定义的 JOIN 运算也无法假定外键指向记录的唯一性，没办法实施上述算法。有些数据库能在工程层面做类似上述算法的优化，也能一定程度地改善多维表一次解析和并行能力。不过，这种优化在只有两个表 JOIN 时问题不大，在有很多表及各种 JOIN 混在一起时，数据库就很难优化了。所以我们经常会发现当维表增加到四、五个后，数据库多维分析计算性能就会急剧下降。上述分析还表明，维表很多时，采用 SQL 模型的内存数据库做多维分析计算也很难快起来。要改变对 JOIN 运算的看法并使用不同的计算方案才能获得高性能的多维分析效果。