随着计算机网络与数据库技术的迅速发展和广泛应用，商业智能系统中的分析型处理（OLAP）在各种商业领域中扮演越来越重要的角色。随着数据处理技术在企业的成功应用，传统的OLAP数据分析操作（对数据进行聚集、汇总、切片和旋转等）已经不能适应当前大数据量、深度分析的需要，因而需要路径分析、时间序列分析、图分析、what-if分析等复杂的统计分析模型。　　其中what-if分析是基于历史数据，对假设场景进行分析的重要手段，它可以为决策者提供重要的预测信息，是一种非常重要的决策支持分析过程，也是OLAP的深入应用之一。　　但是随着大数据时代的来临，传统OLAP技术遇到了前所未有的挑战，已经无法胜任大数据分析的要求。目前，大数据OLAP系统均是以MapReduce的计算模型为依托的，但MapReduce的优势在于以批处理模式处理大数据集，在实时响应需求方面效率仍有待提高。在what-if分析处理中，delta表合并算法是最关键的一步，但传统的delta表合并算法在这种新的计算模型下，时间和空间上都受到严重制约。所以这种基于历史数据的应用场景假设分析需要更加有效的what-if数据视图生成机制的支持。　　同时，随着OLAP的不断发展和企业级业务的需求变化，what-if分析已经很难由单一的用户独立完成，而是需要不同部门、不同层次用户的协同处理，而且处理过程也可能是分阶段来进行的。因此，在what-if分析中就需要多用户的协同处理机制的支持，并通过不同用户之间的协同来完成企业级决策的假设分析。　　因此，本文针对大数据、多用户环境下what-if查询处理策略进行了研究，主要工作包括:　　(1)在传统的delta表合并算法的基础上，提出了基于Bloom Filter和Distributed Cache两种改进方法以提高在大数据OLAP系统中what-if数据视图的生成性能，从而提高what-if的查询处理能力。在标准SSB数据集上与Hive进行对比的实验表明，基于Bloom Filter的what-if算法比在Hive上实现的效率提高了30％，而当delta表较小时，基于Distributed Cache的what-if算法的性能提高幅度更大。　　(2)由于MapReduce本身适用于以批处理模式处理大数据集，过多的产生中间数据会增加磁盘IO的次数，影响了算法的效率。因此，本文将各what-if分析算法移植到Spark环境下，作为一个内存计算框架，Spark使用内存替代了HDFS存储中间结果，因此可以大大减少磁盘IO的次数，从而提升算法的效率。基于标准SSB测试数据集上的性能分析与实验结果表明，基于BloomFilter的算法和基于Distributed Cache算法，在性能上较于MapReduce中都有了大幅度的提高。　　(3)针对what-if分析中需要多用户的协同处理，提出使用众包工作流的机制。为此提出了基于回溯式PDS的众包工作流算法和基于反馈式PDS的众包工作流算法。这两种算法都可以在不同用户之间的协作下对what-if分析目标进行业务上的分解，并采用预合并多版本假设数据更新的算法，将分解后的众多子delta表汇总生成最终的delta表，实现从业务逻辑到假设数据更新的转换。但不同的是，基于回溯式PDS的众包工作流算法在任务无法被完成时可以重新对任务进行分解，保证最终解决方案的正确性和可行性，但过多的回溯过程将会造成时空资源的浪费，所以又提出了基于反馈式PDS的众包工作流算法作为补充，牺牲部分任务的完成度来换取时空效率的提升。基于以上算法，本文设计实现了众包工作流，给出了Delta表生成算法的运行情况示例，结果显示众包工作流可以合理的分解what-if分析目标，并最终形成可以被what-if算法使用的delta表。