誰(shuí)是性能殺手？Kafka多Topic下啟用SSL時(shí)延增大問(wèn)題分析

問(wèn)題背景

項(xiàng)目中將Kafka接口進(jìn)行RESTful封裝，在使用RESTful接口進(jìn)行性能測(cè)試時(shí)，發(fā)現(xiàn)Topic數(shù)增多后，開(kāi)啟SSL與非SSL進(jìn)行測(cè)試，發(fā)現(xiàn)開(kāi)啟SSL后性能下降得厲害。例如600個(gè)Topic總數(shù)每個(gè)Topic3分區(qū)3副本的場(chǎng)景下，使用1200個(gè)線程只發(fā)送10個(gè)Topic，開(kāi)啟SSL的TPS只有3100，但是不開(kāi)啟SSL性能達(dá)到11000。

其中測(cè)試客戶端會(huì)啟動(dòng)多個(gè)線程，每個(gè)線程采用同步發(fā)送的方式調(diào)用RESTful API發(fā)送，即每次發(fā)送成功一條后才發(fā)送下一條。 客戶端會(huì)根據(jù)發(fā)送線程在Topic數(shù)之間進(jìn)行均分，例如1200個(gè)線程發(fā)送10個(gè)Topic，則每個(gè)Topic同時(shí)有120個(gè)線程進(jìn)行發(fā)送。

定位與分析過(guò)程

1.SSL性能下降

1.定位分析

開(kāi)啟SSL是會(huì)導(dǎo)致性能下降的， 主要來(lái)自于CPU的耗時(shí)與JVM的具體實(shí)現(xiàn)，參見(jiàn)Kafka官網(wǎng)的解釋：

從我們之前測(cè)試的結(jié)果來(lái)看，高可靠場(chǎng)景SSL性能下降并沒(méi)有太厲害（從2.3W TPS下降到2.1W TPS）。應(yīng)該是觸發(fā)了某些其他問(wèn)題。通過(guò)JStack查看啟動(dòng)SSL下的堆棧，發(fā)現(xiàn)存在一些發(fā)送線程被Block?。?/p>

這個(gè)堆棧里面做的事情，是來(lái)自于java.security.SecureRandom要產(chǎn)生隨機(jī)數(shù)，采用”SHA1PRNG”算法。在sun/oracle的jdk里，這個(gè)隨機(jī)算法的的實(shí)現(xiàn)在底層依賴到操作系統(tǒng)提供的隨機(jī)數(shù)據(jù)，默認(rèn)用的是/dev/random，在讀取時(shí)，/dev/random設(shè)備會(huì)返回小于熵池噪聲總數(shù)的隨機(jī)字節(jié)。/dev/random可生成高隨機(jī)性的公鑰或一次性密碼本。若熵池空了，對(duì)/dev/random的讀操作將會(huì)被阻塞，直到收集到了足夠的環(huán)境噪聲為止。這個(gè)問(wèn)題在網(wǎng)上也查到，主要是JDK提供的SecureRandom函數(shù)存在1個(gè)全局的鎖，在熵源不足且SSL線程多的時(shí)候很容易碰到這個(gè)問(wèn)題，具體見(jiàn)：

https://github.com/netty/netty/issues/3639

http://bugs.java.com/view_bug.do?bug_id=6521844

2.解決措施

措施一：更新JDK

目前這個(gè)問(wèn)題是在OpenJDK 1.8中解決了，可以通過(guò)升級(jí)JDK到使用OpenJDK，但是這個(gè)方案不太好替換，并且OpenJDK和原來(lái)有什么不兼容還不清楚。

措施二：采用非阻塞的熵源: /dev/urandom

通過(guò)設(shè)置-Djava.security.egd=file:/dev/./urandom宏，隨機(jī)數(shù)時(shí)選擇/dev/urandom，它會(huì)重復(fù)地使用熵池中的數(shù)據(jù)以產(chǎn)生偽隨機(jī)數(shù)據(jù)避免阻塞，不過(guò)隨機(jī)安全性會(huì)降低。

2.Topic多情況下性能下降

1.定位分析

發(fā)現(xiàn)在Topic600個(gè)情況下，非SSL與SSL的時(shí)延其實(shí)差距并沒(méi)有原先發(fā)現(xiàn)的問(wèn)題那么大，以下是我們用SDK接口測(cè)試的時(shí)延數(shù)據(jù)：

600個(gè) Topic總量下，400個(gè)線程同時(shí)發(fā)送10個(gè)Topic，非SSL與SSL時(shí)延對(duì)比：

可以看出時(shí)延差距在20%之內(nèi)，主要的時(shí)延增加來(lái)自于Topic增多導(dǎo)致的。 

為什么Topic增多會(huì)導(dǎo)致時(shí)延增多？針對(duì)這個(gè)問(wèn)題通過(guò)在程序進(jìn)行打點(diǎn)測(cè)試，以下是在不同的Topic數(shù)量情況下，針對(duì)10個(gè)Topic，總發(fā)送5000條消息的場(chǎng)景下，非SSL時(shí)延對(duì)比：

其中總時(shí)延 = 消息的待發(fā)送隊(duì)列等待時(shí)延 + 服務(wù)端處理平均時(shí)延 + 網(wǎng)絡(luò)發(fā)送與響應(yīng)時(shí)延。

從上面的表格可以看出基本上每個(gè)處理環(huán)節(jié)上都增加了時(shí)延4~5倍。為什么會(huì)出現(xiàn)這種情況？分析如下可能點(diǎn)：

1、磁盤(pán)的寫(xiě)速度變慢

2、Server由于Topic多需要過(guò)濾信息變慢

3、復(fù)制處理在多Topic下變慢。即使無(wú)數(shù)據(jù)，多Topic下復(fù)制線程也會(huì)一直發(fā)送空請(qǐng)求

4、Topic多資源占用大

通過(guò)逐一分析、排除與測(cè)試，主要原因還是在第三點(diǎn)：服務(wù)端在復(fù)制處理在Topic數(shù)量多的情況下變慢導(dǎo)致的。

例如10個(gè)Topic的時(shí)候，如果用10個(gè)復(fù)制線程（目前性能測(cè)試就是配置10）用于副本復(fù)制，則每個(gè)復(fù)制線程會(huì)分配到1個(gè)Topic；而當(dāng)Topic有600個(gè)的時(shí)候，如果還是10個(gè)復(fù)制線程用于副本復(fù)制，則每個(gè)復(fù)制線程會(huì)分配到60個(gè)Topic。 如果此時(shí)只發(fā)送前10個(gè)Topic的時(shí)候，很有可能只有1個(gè)復(fù)制線程在工作，其他的復(fù)制線程由于分配到的Topic沒(méi)有數(shù)據(jù)，基本處于空閑狀態(tài)。

2.解決措施

既然復(fù)制線程變慢，我們可以通過(guò)繼續(xù)增加復(fù)制線程的方式提高性能，在600個(gè)Topic場(chǎng)景只發(fā)送10個(gè)Topic場(chǎng)景下，我們把復(fù)制線程提升到60個(gè)，這樣10個(gè)Topic能盡可能分配到不同的復(fù)制線程中，提高了復(fù)制的速度。以下是實(shí)際測(cè)試結(jié)果：

可以看到增加到60個(gè)fetch線程后，時(shí)延變?yōu)?00ms左右。同時(shí)原來(lái)的環(huán)境下，通過(guò)增加復(fù)制線程（修改配置num.replica.fetchers=60），在原環(huán)境下1200個(gè)發(fā)送線程即使啟動(dòng)SSL，性能也能達(dá)到11000+。

性能提升措施總結(jié)

RESTful API是同步接口，但是內(nèi)部使用的SDK接口是異步發(fā)送。根據(jù)高可靠場(chǎng)景下異步發(fā)送的能力能達(dá)到2W+ TPS來(lái)看，主要還是同步接口的并發(fā)壓力上不去導(dǎo)致的，可以通過(guò)以下措施來(lái)改進(jìn)：

1、增加請(qǐng)求等待時(shí)間linger.ms

通過(guò)在客戶端增加參數(shù)linger.ms，使得每個(gè)請(qǐng)求回等待指定的時(shí)間后再發(fā)送，使得每個(gè)請(qǐng)求可以發(fā)送更多的數(shù)據(jù)，即增加合包率。

2、增加同步發(fā)送對(duì)同1個(gè)Topic的并發(fā)數(shù)量

3、減少Topic的分區(qū)數(shù)

因?yàn)槟壳癛ESTful API并沒(méi)有用盡服務(wù)端的能力（1個(gè)分區(qū)的能力瓶頸還沒(méi)達(dá)到），默認(rèn)的3個(gè)分區(qū)是浪費(fèi)資源，并且會(huì)導(dǎo)致合包率降低，如果采用1個(gè)分區(qū)，則同樣的壓力下，合包率能提升3倍，這樣性能也能提升。這個(gè)措施還可以支持更多的Topic數(shù)。

4、增加復(fù)制線程

5、考慮提供異步發(fā)送SDK接口