Paimon如何优化Join操作的性能？

当Join键与分桶键一致时（如user_id分桶后Join），相同哈希值的数据落在同个Bucket，避免Shuffle。例如两表均按user_id%100分桶，Join时可直接按桶号局部关联，减少90%以上的网络传输。

对高频Join的复合键（如(user_id, item_id)）采用Z-Order物理排序，提升Sort-Merge Join效率。数据块内有序存储，使得归并时减少比较次数，实测可降低30%的CPU消耗。

通过BloomFilter或Min-Max索引提前过滤无效数据。例如大表Join小表时，先提取小表的Join键构建布隆过滤器，大表扫描时直接跳过95%不匹配的数据块。
-- 启用动态过滤（Flink 1.16+）
SET table.optimizer.dynamic-filtering.enabled=true;

对维表使用主键索引实现高效Lookup Join。例如事实表流式Join用户维表时，通过Paimon的主键B+树索引，将随机查询优化为O(1)复杂度。

流式场景下，通过Changelog机制识别增量数据，仅处理变更部分。例如配置scan.mode=delta时，系统自动跟踪带+I/-U标记的数据，避免全量数据重复计算。