怎么實現(xiàn)kafka性能技術(shù)分析

本篇文章為大家展示了怎么實現(xiàn)kafka性能技術(shù)分析，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

1.通過磁盤順序讀寫，效率高，appendLog，對比raid-5 7200rpm的磁盤

sequence io 600M/s

random io 100kb/s

kafka寫操作時，依賴底層文件系統(tǒng)的pagecache功能，pagecache會將盡量多的將空閑內(nèi)存，當做磁盤緩存，寫操作先寫到pageCache，并將該page標記為dirty；發(fā)生讀操作時，會先從pageCache中查找，當發(fā)生缺頁時，才會去磁盤調(diào)整；當有其他應用申請內(nèi)存時，回收pageCache的代價是很低的

，使用pageCache的緩存功能，會減少我們隊JVM的內(nèi)存依賴，JVM為我們提供了GC功能，依賴JVM內(nèi)存在kafka高吞吐，大數(shù)據(jù)的場景下有很多問題。如果heap管理緩存，那么JVM的gc會頻繁掃描heap空間，帶來的開銷很大，如果heap過大，full gc帶來的成本也很高；所有的In-Process Cache在OS中都有一份同樣的PageCache。所以通過只在PageCache中做緩存至少可以提高一倍的緩存空間。如果Kafka重啟，所有的In-Process  Cache都會失效，而OS管理的PageCache依然可以繼續(xù)使用。

2.sendFile

傳統(tǒng)網(wǎng)絡IO模型

① 操作系統(tǒng)將數(shù)據(jù)從磁盤拷貝到內(nèi)核區(qū)的pagecache

② 用戶程序?qū)?nèi)核區(qū)的pagecache拷貝到用戶區(qū)緩存

③ 用戶程序?qū)⒂脩魠^(qū)的緩存拷貝到socket緩存中

④ 操作系統(tǒng)將socket緩存中的數(shù)據(jù)拷貝到網(wǎng)卡的buffer上，發(fā)送

問題：四次system call 兩次context切換，同一份數(shù)據(jù)在緩存中拷貝多次，效率很低，拷貝動作完全可以在內(nèi)核中進行，將2 3 步去掉，sendfile就是完成這一功能

kafka設計初衷是數(shù)據(jù)的拷貝完全通過pageCache來進行，盡量減少磁盤讀寫，如果kafka生產(chǎn)消費配合的好，那么數(shù)據(jù)完全走內(nèi)存，這對集群的吞吐量提升是很大的

當集群只有寫操作時，此時的集群只有寫，沒有讀操作。10M/s左右的Send的流量是Partition之間進行Replicate而產(chǎn)生的。從recv和writ的速率比較可以看出，寫盤是使用Asynchronous+Batch的方式，底層OS可能還會進行磁盤寫順序優(yōu)化。而在有Read Request進來的時候分為兩種情況，第一種是內(nèi)存中完成數(shù)據(jù)交換。

② 已經(jīng)從pageCache刷出的數(shù)據(jù)，這時候的數(shù)據(jù)可以看出大部分走的是磁盤io

TIPS

① kafka官方不建議使用log.flush.interval.messages和log.flush.interval.ms來強制刷盤，因為高可靠應該通過replica副本來保證，強制刷盤對系統(tǒng)性能影響很大（生產(chǎn)是100000 和60000）

② 可以通過調(diào)整/proc/sys/vm/dirty_background_ratio和/proc/sys/vm/dirty_ratio來調(diào)優(yōu)性能。

a. 臟頁率超過第一個指標會啟動pdflush開始Flush Dirty PageCache。

b. 臟頁率超過第二個指標會阻塞所有的寫操作來進行Flush。

c. 根據(jù)不同的業(yè)務需求可以適當?shù)慕档蚫irty_background_ratio和提高dirty_ratio。

（生產(chǎn)是10 和 20）

2 partition

Partition是Kafka可以很好的橫向擴展和提供高并發(fā)處理以及實現(xiàn)Replication的基礎(chǔ)。

擴展性方面。首先，Kafka允許Partition在集群內(nèi)的Broker之間任意移動，以此來均衡可能存在的數(shù)據(jù)傾斜問題。其次，Partition支持自定義的分區(qū)算法，例如可以將同一個Key的所有消息都路由到同一個Partition上去。 同時Leader也可以在In-Sync的Replica中遷移。由于針對某一個Partition的所有讀寫請求都是只由Leader來處理，所以Kafka會盡量把Leader均勻的分散到集群的各個節(jié)點上，以免造成網(wǎng)絡流量過于集中。

并發(fā)方面。任意Partition在某一個時刻只能被一個Consumer Group內(nèi)的一個Consumer消費(反過來一個Consumer則可以同時消費多個Partition)，Kafka非常簡潔的Offset機制最小化了Broker和Consumer之間的交互，這使Kafka并不會像同類其他消息隊列一樣，隨著下游Consumer數(shù)目的增加而成比例的降低性能。此外，如果多個Consumer恰巧都是消費時間序上很相近的數(shù)據(jù)，可以達到很高的PageCache命中率，因而Kafka可以非常高效的支持高并發(fā)讀操作，實踐中基本可以達到單機網(wǎng)卡上限。

不過，Partition的數(shù)量并不是越多越好，Partition的數(shù)量越多，平均到每一個Broker上的數(shù)量也就越多?？紤]到Broker宕機(Network Failure, Full GC)的情況下，需要由Controller來為所有宕機的Broker上的所有Partition重新選舉Leader，假設每個Partition的選舉消耗10ms，如果Broker上有500個Partition，那么在進行選舉的5s的時間里，對上述Partition的讀寫操作都會觸發(fā)LeaderNotAvailableException。

再進一步，如果掛掉的Broker是整個集群的Controller，那么首先要進行的是重新任命一個Broker作為Controller。新任命的Controller要從Zookeeper上獲取所有Partition的Meta信息，獲取每個信息大概3-5ms，那么如果有10000個Partition這個時間就會達到30s-50s。而且不要忘記這只是重新啟動一個Controller花費的時間，在這基礎(chǔ)上還要再加上前面說的選舉Leader的時間 -_-!!!!!!

此外，在Broker端，對Producer和Consumer都使用了Buffer機制。其中Buffer的大小是統(tǒng)一配置的，數(shù)量則與Partition個數(shù)相同。如果Partition個數(shù)過多，會導致Producer和Consumer的Buffer內(nèi)存占用過大。

tips

1. Partition的數(shù)量盡量提前預分配，雖然可以在后期動態(tài)增加Partition，但是會冒著可能破壞Message Key和Partition之間對應關(guān)系的風險。

2. Replica的數(shù)量不要過多，如果條件允許盡量把Replica集合內(nèi)的Partition分別調(diào)整到不同的Rack。

3. 盡一切努力保證每次停Broker時都可以Clean Shutdown，否則問題就不僅僅是恢復服務所需時間長，還可能出現(xiàn)數(shù)據(jù)損壞或其他很詭異的問題。

3

Producer

Kafka的研發(fā)團隊表示在0.8版本里用Java重寫了整個Producer，據(jù)說性能有了很大提升。我還沒有親自對比試用過，這里就不做數(shù)據(jù)對比了。本文結(jié)尾的擴展閱讀里提到了一套我認為比較好的對照組，有興趣的同學可以嘗試一下。

其實在Producer端的優(yōu)化大部分消息系統(tǒng)采取的方式都比較單一，無非也就化零為整、同步變異步這么幾種。

Kafka系統(tǒng)默認支持MessageSet，把多條Message自動地打成一個Group后發(fā)送出去，均攤后拉低了每次通信的RTT。而且在組織MessageSet的同時，還可以把數(shù)據(jù)重新排序，從爆發(fā)流式的隨機寫入優(yōu)化成較為平穩(wěn)的線性寫入。

此外，還要著重介紹的一點是，Producer支持End-to-End的壓縮。數(shù)據(jù)在本地壓縮后放到網(wǎng)絡上傳輸，在Broker一般不解壓(除非指定要Deep-Iteration)，直至消息被Consume之后在客戶端解壓。

當然用戶也可以選擇自己在應用層上做壓縮和解壓的工作(畢竟Kafka目前支持的壓縮算法有限，只有GZIP和Snappy)，不過這樣做反而會意外的降低效率?。。?！ Kafka的End-to-End壓縮與MessageSet配合在一起工作效果最佳，上面的做法直接割裂了兩者間聯(lián)系。至于道理其實很簡單，壓縮算法中一條基本的原理“重復的數(shù)據(jù)量越多，壓縮比越高”。無關(guān)于消息體的內(nèi)容，無關(guān)于消息體的數(shù)量，大多數(shù)情況下輸入數(shù)據(jù)量大一些會取得更好的壓縮比。

不過Kafka采用MessageSet也導致在可用性上一定程度的妥協(xié)。每次發(fā)送數(shù)據(jù)時，Producer都是send()之后就認為已經(jīng)發(fā)送出去了，但其實大多數(shù)情況下消息還在內(nèi)存的MessageSet當中，尚未發(fā)送到網(wǎng)絡，這時候如果Producer掛掉，那就會出現(xiàn)丟數(shù)據(jù)的情況。

為了解決這個問題，Kafka在0.8版本的設計借鑒了網(wǎng)絡當中的ack機制。如果對性能要求較高，又能在一定程度上允許Message的丟失，那就可以設置request.required.acks=0 來關(guān)閉ack，以全速發(fā)送。如果需要對發(fā)送的消息進行確認，就需要設置request.required.acks為1或-1，那么1和-1又有什么區(qū)別呢？這里又要提到前面聊的有關(guān)Replica數(shù)量問題。如果配置為1，表示消息只需要被Leader接收并確認即可，其他的Replica可以進行異步拉取無需立即進行確認，在保證可靠性的同時又不會把效率拉得很低。如果設置為-1，表示消息要Commit到該Partition的ISR集合中的所有Replica后，才可以返回ack，消息的發(fā)送會更安全，而整個過程的延遲會隨著Replica的數(shù)量正比增長，這里就需要根據(jù)不同的需求做相應的優(yōu)化。

tips

1. Producer的線程不要配置過多，尤其是在Mirror或者Migration中使用的時候，會加劇目標集群Partition消息亂序的情況(如果你的應用場景對消息順序很敏感的話)。

2. 0.8版本的request.required.acks默認是0(同0.7)。

4

Consumer

Consumer端的設計大體上還算是比較常規(guī)的。

? 通過Consumer Group，可以支持生產(chǎn)者消費者和隊列訪問兩種模式。

? Consumer API分為High level和Low level兩種。前一種重度依賴Zookeeper，所以性能差一些且不自由，但是超省心。第二種不依賴Zookeeper服務，無論從自由度和性能上都有更好的表現(xiàn)，但是所有的異常(Leader遷移、Offset越界、Broker宕機等)和Offset的維護都需要自行處理。

? 大家可以關(guān)注下不日發(fā)布的0.9 Release。這幫貨又用Java重寫了一套Consumer。把兩套API合并在一起，同時去掉了對Zookeeper的依賴。據(jù)說性能有大幅度提升哦~~

tips

強烈推薦使用Low level API，雖然繁瑣一些，但是目前只有這個API可以對Error數(shù)據(jù)進行自定義處理，尤其是處理Broker異?；蛴捎赨nclean Shutdown導致的Corrupted Data時，否則無法Skip只能等著“壞消息”在Broker上被Rotate掉，在此期間該Replica將會一直處于不可用狀態(tài)。

上述內(nèi)容就是怎么實現(xiàn)kafka性能技術(shù)分析，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關(guān)注億速云行業(yè)資訊頻道。