HBase 是一个分布式的键值数据库，能够处理十亿级别的大规模数据存储与读写，具有高效的读写能力。然而，HBase 原生的查询能力较为有限，它仅仅提供了键值模式查询，这不能满足时空数据应用中时空查询的需求。既往的研究工作在设计 HBase 的多维空间查询时，没有考虑时间维度，并且之前实现多维空间查询的方法通常是通过设计 HBase 的 rowkey 方案，并未从根本上提升检索性能。
为了解决 HBase 查询能力上的不足，本文全面研究了 HBase 内部索引机制，并提出了一种新的基于 HBase 元数据表的时空索引结构，称为 HST（HBase时空索引结构）。在这种结构中，时间索引和空间索引分别通过元数据表进行索引。基于 HST 结构，本文设计了时空范围查询和 k 近邻查询算法及其对应的并行查询算法。在真实的海量数据集上进行的实验结果表明，基于 HST 的时空查询能够为 HBase 中的大规模时空数据提供比之前的工作更高效的检索服务。
研究的关键点和知识点如下：
1. HBase 基础知识：HBase 是基于 Hadoop 的分布式数据库，它允许对大数据集进行快速的读写操作。它以 Hadoop 的文件系统 HDFS 作为其文件存储基础，并且能够提供实时查询的响应。
2. 时空数据查询：时空数据是指具有时间和空间属性的数据，这类数据广泛应用于各种领域，比如气象数据、地理信息系统（GIS）和移动对象数据库等。对时空数据的查询通常涉及到对时间维度和空间维度的联合查询。
3. 索引结构：HBase 中的索引通常是通过 rowkey 来实现的。本文提出了 HST 结构，它使用 HBase 的元数据表（HBase meta）来实现时间索引和空间索引。这样的结构设计能够有效地支持时空查询。
4. k 近邻查询（k-NN）：这是在数据库中一个常见的查询方式，用于查找最近的 k 个邻居，此查询在多种数据应用中都非常重要，例如在推荐系统和位置服务中。
5. 并行查询算法：HBase 中的查询往往需要处理大规模数据，因此提高查询效率非常关键。本文提出的并行查询算法能有效利用 HBase 的分布式特性，同时处理多个查询任务。
6. 空间索引技术：常用的如 R树、四叉树等空间索引方法。这些技术在空间数据库领域中被用来提高空间数据的检索效率。
7. 时间索引：时间数据的索引可以使用时间戳或时间区间，也可以与其他维度结合起来进行多维索引。
8. Hilbert 曲线：Hilbert 曲线是一种空间填充曲线，它可以用于近似地将高维数据映射到低维空间进行索引。在时空查询算法中，Hilbert 曲线可以用来有效地组织和查询数据。
9. 其他数据库系统：文章中提到的数据库如 Cassandra、MongoDB、MySQL 和 Neo4j 等，都是对比 HBase 在时空查询能力方面的其他数据库系统。
10. HBase 元数据表：HBase 的元数据表中存储着关于数据表的元数据信息，包括表的结构、列族的定义等。在本文中，HBase 的元数据表被用于存储索引信息。
通过这些知识点，我们可以了解到 HBase 在处理大规模时空数据时，原有的查询机制的局限性，以及本文提出的基于 HST 结构的时空查询算法如何通过 HBase 的内建索引机制优化查询性能。这些知识点的深入理解，对于设计和优化类似 HBase 这类大规模分布式数据库系统中的时空查询机制具有重要意义。
