【中间件】消息队列中间件intro

中间件middleware

---

本文还是从理论层面分析消息队列中间件

---

cfeng现在处于理论分析阶段，以中间件例子，之前的blog对于中间件是从使用角度分享了相关的用法，现在就从理论层面分析中间件，后面再从理论出发尝试分析中间件以及实现中间件，这样我们才能更好的自定义相关的功能

intro

消息队列在如今的软件系统中扮演着重要的角色。cfeng之前work中使用RabbitMQ进行的服务通信和解耦，消息队列的发布/订阅模型常常用于服务解耦，众多开源实现（RabbitMQ、RocketMQ、Kafka、QMQ…），都是采用的分布式架构支持弹性高可用。
消息队列的概念很简单： Message Queue，就是消息传播过程中保存消息的一个队列。一端连接生产者，一端连接消费者。

why use MQ

为什么要使用MQ呢，首先就是考虑企业中的应用场景，比如实时索引更新、 异步化流程… 这些使用MQ就可以轻易解决。 MQ最主要的功能就是异步解耦、流量削峰…

• 异步： 消息生产者将消息投递到消息队列中，因为可靠性由MQ保证，所以生产者可以继续处理剩余的业务逻辑，提升可靠性，比如注册成功之后发送通知短信…

• 松耦合： 生产者和消费者不需要知道对方的存在，只需要事先定义好消息的格式，不需要知道对方的实现细节，相比RPC调用强耦合（被调用方异常或者响应慢可能产生回压，甚至雪崩），MQ可以为业务提升稳定性

  cfeng之前work中各个后台系统的通信就采用的MQ进行异步通信，eg： 新增一个用户到系统，需要在主系统中同步，那么我直接在这个队列中增加一条insert的消息，主系统接收即可，因为是异步的，松耦合
  后面这样也出现了问题，本身预算不足，MQ集群规模小，所以MQ的压力增大，后面又改成了PRC调用（Feign）
  

• 数据分发： Fanout广播，不同的消费者组全量拷贝同一主体的消息队列（topic），并且彼此互不干扰，广播模式的MQ在很多场景下可以发挥重要作用，eg： 对于一个旅游列表变更提供方而言，那么机票、酒店、车票、火车票…等多个业务都不需要轮询旅游业务，就都可以收到变更事件

• 流量削峰： 消息队列具备积压能力。很多业务像秒杀具有潮汐效应，就是流量成峰谷状，如果实时性要求不高，那么就可以利用Queue的积压能力，进行削峰填谷，就可以不用增加硬件…

• 可靠投递： 消息队列本身需要考虑的问题就是可靠性，不能够丢失消息。一般成熟的MQ产品都是两次RPC + 一次转储实现整个流程。【生产者投递消息到MQ，MQ作为broker将消息通知给消费者】

消息队列适用场景

1. 上下游业务解耦： 订单支付完成后，核心业务完成，但是可能还需要给用户加积分发放优惠劵，这些不是核心逻辑，可靠性要求低，那么就可以引入MQ来进行解耦
2. 延迟通知: 用户订单下单后可能还没有支付，需要在30分钟内支付，未支付那就取消订单，可以使用延迟MQ实现
3. 大数据离线分析: 用户的行为日志通过实时系统进入MQ，当业务处于低峰期时且资源充裕，即可进行信息分析
4. 缓存同步: 类似实时价格变动事件，需要刷新缓存，可以通过MQ广播给消费者，这样就可以不用进行数据库轮询了【轮询会有实时性误差】

MQ实现漫谈

消息队列主要就是一个中间队列，具有积压消息的功能，同时作为系统间的解耦利器，一定是单独部署的。

NoSQL充当消息队列

如果只是需要一个地方进行消息的存取，那么客户端可以直接将消息比如写入MongoDB中，消费者从里面拖出来即可。没有任何的broker代理

一旦升级，涉及大量的客户端【因为代码耦合严重】，消费者之间的协调只能通过DB进行，会涉及DB的modify等操作，性能很低，没有弹性

 producer ------>  ---Mongo DB---  ------> Consumer

引入中间server充当broker

没有server导致MQ只是一个没有弹性的容器，好的MQ应该能够具有消息协调的功能的

producer ------->  Broker --------> consumer|  |Mongo DB

引入一个broker，生产者和消费者直接交互的是borker，那么broker就可以起一个协调作用，客户端很轻，只是和broker通讯，告诉borker需要发消息即可，升级只需要升级borker即可。

但是这里没有binding，一个topic绑定到一个mongo的表上，存储粒度为一个topic【mongo这边消息的清理思路： 分表-- 写了上一张表写下一张表，上一张表直接drop，不用一张表里面insert、delete】

再引入客户端和服务端SDK

上面的还是一个很基础的实现，因为消费者和生产者和Broker的交互性很低，所以borker的协调性很低，那么客户端和服务端引入SDK，制订一套完整的规则，引入binding，加上一些辅助组件，就可以形成一个综合的MQ

 ----------------------   ---> MetaServer -> ----------------------|   Producer         |           |          |       Consumer     ||      HTTP Recelver |  -----> Broker ----> | Http Deliver       ||       APP          |          |           |   App              |----------------------         MySQL        ---------------------

这个也不可能是真正的MQ的架构，只是一个比较抽象的想法。MQ作为成熟的产品，那么就需要具备优秀的性能。需要考虑很多方面的事情：

• 消息的写入： 消息怎么写入的更快（批量?..)
• 消息的投递的及时性： 延迟怎么降低 (partition Stick…， 截获代替轮询， Long Pulling…)
• 集群管理 …

主流消息队列

之前cfeng快速的讲解过Spring中使用RabbitMQ的方式【关键就是binding、exchange和queue，配置的时候一个binding就是将exchange和queue绑定，生产者发送消息的时候指定exchage和bindingKey就可投放到指定的Queue，消费者监听消费Queue中消息即可】

可以看到的是Kafka的可用性相比RabbitMQ是非常高的，拥有成熟生态（日志系统、流式系统…、活跃社区）

Kafka主要是Scala实现的，同时能够很好的集成到java生态中
RabbitMQ主要是Erlang实现的，cfeng之前work业务量小采用的该MQ
RocketMQ是ali利用java实现的，具备较高的可靠性
QMQ是qunar利用java是实现的，采用的无序消费存储模型

Kafka

Kafka将一个Topic分成多个Parition，每一个Partition作为一个Broker的物理文件，通过Apend only的方式实现文件顺序写的高性能，线性提高集群单topic的吞吐量。

但是，当Broker上所有的Topic的Partition总和过多时，会产生随机写

Partition 0  |0|1|2|3|4|5|6|7|..     <--------
Partition 1  |0|1|2|3|4|5|6|...      <-------|----  Writes
Partition 2  |0|1|2|3|4|5|6|7|8|...  <-------|Old -----------------------> new   【Kfaka写入消息】

顺序访问和随机访问的性能不同， 随机访问时，需要小号磁头寻道和盘片旋转等待的时间；

SSD使用的是半导体闪存介质，随机访问和顺序访问的差异不大

 硬盘/吞吐		顺序写		随机写		顺序读		随机读SATA			125M	   548K		  124M  	466KSSD			592M  	   549M		   404M		505M【使用fio测试工具，每次访问4KB工具】测试开发机磁盘访问速度数据

RocketMQ

RocketMQ吸取了Kafka中多Partition消息文件会导致随机写的教训，采用的是单一消息文件 Commit Log， 将所有Topic的消息在物理上全部顺序追加到Commit Log文件中。

上述操作可以能增加消息写入的吞吐量，但是消费方在消费历史【操作系统Page Cache，正在发生IO条件为未命中Page Cache，实时消费基本不会引入IO】消息时候，会引入随机读。

RocketMQ是一主多从架构，主写从读，只有主节点提供写操作，从节点比较空闲，RocketMQ将历史消息消费通过重定向到从节点 ， 来缓解随机读

无论是Kafka还是RocketMQ，都存在一个约束： 一个Partition只能绑定在一个Consumer上

因此： 消费者集群上限是Partition的数目；Partition的均衡性可能导致消费组个别机器的负载高、积压多。

eg: 一个Tpic(cfeng.fx.kafka.example)设置了3个partition(0，1，2)，如果消费组(kafka.example.group)初始化两台机器，一台消费者消费一个partition，另一个消费者消费两个partition；   这个时候，如果消费能力不够，那么通过水平扩容消费者的方案 ❌；   此时Kafka | RocketMQ 只能通过 增加partition来进行Rebalance，但Rebalance之后只能对新生产的消息生效， 原本积压的消息不会被Rebalance；  可能会破环消息的顺序性，同时清理积压会对新的消息有积压耗时partition 1  | | | | | | | | | | |  --------     Consumer 1
partition 2  | | | | | | | | | | |  --------     Consumer 2
partition 3  | | | | | | | | | | |  --------     Consumer 3

生产者通过选定某个字段（如tenant_id）作为Partition Key来决定将消息投递到哪个Partition，因此Partition Key会影响消费速度

eg: 比如一个Partition Key分布不均匀时，就会出现某些Counsmer的消费速度达不到生产速度，也就是消费能力不足，导致消息积压partition 1  | | | |                --------     Consumer 1
partition 2  | | | | | 			    --------     Consumer 2
partition 3  | | | | | | | | | | | | --------     Consumer 3这里就发现 Consumer 3 的消费能力不足，出现消息积压，而Consumer 1和2则相对空闲

QMQ Intro

最近cfeng了解架构的时候，就经常浏览github寻找相关的资料进行辅助的study，在探索消息队列的时候，就在gitee上看到了qunar开源的QMQ【其和Hermes的区别就是Hermes是以MySQL作为消息持久化存储，而QMQ则是以磁盘文件进行存储】

QMQ相比其他的MQ比较小众，这里也就简单的探究一下这款MQ产品

事务消息 && 生产者消息可靠投递

一些业务比如订单类型业务对于可靠性的要求很高，一些场景如业务系统宕机或网络暂时不可用时，也需要确保消息可靠投递 — 如何解决？

QMQ的解决方案： 生产者侧引入持久化存储【MySQL、MongoDB…】，发送消息之前，先将消息持久化到存储中，之后再异步化发送消息，当Broker返回消息发送成功的结果之后，将消息从持久化存储中del，当生产者突然宕机，那么负责补发消息的watch dog会代理消息发送的工作

QMQ同时支持事务消息，依赖的是存储的本地事务，实现分布式事务还可以通过两阶段提交 Two-phase Commit ，但是两阶段提交的对于本地事务来说： 交互过多，流程复杂，性能较低， 并且业务系统大多依赖MySQL进行存储

延迟消息

这是很多MQ都支持的一个特性，比如超时30分钟未支付，订单取消就可以使用延迟MQ进行实现

定时重试

某些业务系统特定的流程，也就是状态机，只有当某个前置条件满足时才会消费这条消息，条件队列， 这个时候不能直接丢弃这种消息， QMQ可以设置定时重试的功能，让业务定时重新进行消费

同机房生产与消费

生产者采用同机房投递的策略，这样可以避免跨机房流量的产生； 消费者默认多机房消费； （消费者不用关心生产者机房部署结构）核心链路的业务支持单元化，只是消费本单元内的消息，可以实现单元隔离

消息检索追踪

消息检索追踪是非常必要的，应该实现离线任务按照时间回溯选择性重发、端到端耗时的长尾问题排查、未消费问题的排查重发、死信重发…

按照时间端筛选消息
记录每条消息的消息ID、创建时间、接收时间、broker组、详细信息，支持重发等操作也就是MQ具有良好的消息治理功能

同时QMQ还支持广播消息、Server随意扩容等多种特性，再Spring中使用也是annotation化，非常便捷

QMQ架构

QMQ服务端包含3个核心组件： Meta Server、 Broker、 Delay

• Meta Server ： 元信息管理服务， 用于消息路由控制下发，维持Broker和Server的心跳， 还有上下线挂历、消费者进度管理… 当Meta Server检测到Broker或者Delay的心跳失联，那就标记下线

• Broker是QMQ存储核心， 用于接收消息并持久化到磁盘文件中，创建消息索引，管理消费进度，响应拉取请求。Broker实现HA采用的是主从模式， Master能接收读写请求， （仿照的PacificA实现主从切换…当Master宕机，自动选举新的Master继续服务）

• Delay 是接收延迟消息并持久化到本地磁盘，当超过延迟时间后，消息将被投递到Broker。 Delay的HA也是采用的主从模式，副本保证消息的灾备。

  可以看出延迟消息是剥离的单独的服务【RocketMQ是集成在Broker的逻辑中，RabbitMQ也是在Broker的逻辑中，但是是增加了死信交换机和死信队列】
  QMQ考虑的因素：
  1. 延迟和实时是两种消息类型，隔离可以不互相影响，提高可靠性
  2. 在达到延迟时间时，消费者路由可能发生迁移，如果逻辑耦合在Broker中，那么就需要进行重定向，【单一职责最好】RabbitMQ模型RabbitMQ broker--------------------------
  producre 1 ---->     |  exchange1  ---> quwuw1 |---> consumer1，2.|    ....   |
  producer 2 ---->     |  exchange2  ---> queue2 |  ---> consumer n-------------------------
  

QMQ 存储模型

之前提到过Kafka和RocketMQ的存储模型中的Parition缺点，QMQ采用的是独特的无序消费存储模型， 同时有序模型和二者是相同的

• Message Log 存储所有Topic的消息，消息顺序写入此文件中， 避免发生类似Kafka多partition文件造成文件随机写性能下降的问题
• Consumer Log 是以Topic为维度组织的Message Log的索引文件。索引记录固定长度，记录这个Topic的第X条消息在Message中的物理偏移量和消息大小 【感觉类似OS中的存储】

QMQ的无序存储模型中 不存在Q与单一Consumer的绑定关系，而是一个消费者组（consumer group）中的消费者合力消费一个Q，所以消费者组是支持动态扩容的

当没有了单一的consumer和Q的绑定关系：
每一个消费者的ACK和pull都是离散的，所以不能通过Q的ACK和pull（offset）来管理消费者的消费进度
QMQ 抽象一层Pull Log： 记录Consumer在Consumer Log中的offset， 当Consumer重启后，读取pull Log即可定位进行消费

当消费者拉取积压过久的消息，没有命中Page Cache时（👆提到），就会产生读磁盘操作，对于文件系统负担过重。 QMQ采用的时类似RocketMQ所有消息顺序写入Message Log，索引文件对应的物理偏移基本是块离散的，【一个物理块可能是多个消息Topic】 QMQ就给Message Log进行排序，排序后的Message Log再增加索引文件 ----- 相同主题Topic的消息是块连续，可以充分利用OS的预读特性，提升效率

后面Cfeng会结合QMQ的源码进行详细的分析，这里只是见到那提及QMQ整体上的架构，和RabbitMQ相比，可能更好的适配java生态🎄