Kafka中那些巧妙的设计

一、kafka的架构

Kafka是一个分布式、多分区、基于发布/订阅模式的消息队列（Message Queue），具有可扩展和高吞吐率的特点。

kafka中大致包含以下部分：

• Producer： 消息生产者，向 Kafka Broker 发消息的客户端。
• Consumer：消息消费者，从 Kafka Broker 取消息的客户端。
• Consumer Group：消费者组(CG)，消费者组内每个消费者负责消费不同分区的数据，提高消费能力。一个分区只能由组内一个消费者消费，消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
• Broker：一台 Kafka 机器就是一个 Broker。一个集群由多个 Broker 组成。一个 Broker 可以容纳多个 Topic。
• Topic：可以理解为一个队列，Topic 将消息分类，生产者和消费者面向的是同一个 Topic。
• Partition：为了实现扩展性，提高并发能力，一个非常大的 Topic 可以分布到多个 Broker (即服务器)上，一个 Topic 可以分为多个 Partition，每个 Partition 是一个 有序的队列。
• Replica：副本，为实现备份的功能，保证集群中的某个节点发生故障时，该节点上的 Partition 数据不丢失，且 Kafka 仍然能够继续工作，Kafka 提供了副本机制，一个 Topic 的每个分区都有若干个副本，一个 Leader 和若干个 Follower。
• Leader：每个分区多个副本的“主”副本，生产者发送数据的对象，以及消费者消费数据的对象，都是 Leader。
• Follower：每个分区多个副本的“从”副本，实时从 Leader 中同步数据，保持和 Leader 数据的同步。Leader 发生故障时，某个 Follower 还会成为新的 Leader。
• Offset：消费者消费的位置信息，监控数据消费到什么位置，当消费者挂掉再重新恢复的时候，可以从消费位置继续消费。
• Zookeeper：Kafka 集群能够正常工作，需要依赖于 Zookeeper，Zookeeper 帮助 Kafka 存储和管理集群信息。

二、性能指标

评价一个服务的好坏可以通过看它能否满足高可用、高性能、高并发。

2.1 高性能

高性能（High Performance）指的是程序处理速度快、耗能少。与性能相关的一些指标如下：

• 响应时间：系统对请求做出响应的时间。例如系统处理一个 HTTP 请求需要 200ms，这个 200ms 就是系统的响应时间。
• 吞吐量：单位时间内处理的请求数量。
• TPS：每秒响应事务数。
• 并发用户数：同时承载能正常使用系统功能的用户数量。

高并发和高性能是紧密相关的，提高应用的性能，可以提高系统的并发能力。应用性能优化时，对于计算密集型和 I/O 密集型还是有很大差别，需要分开来考虑。

2.2 高可用

高可用性（High Availability）主要目的是为了保障「业务的连续性」，即在用户眼里，业务基本是正常对外提供服务的。

三、kafka的高可用设计

3.1 选举机制

kafka中的选举大致分为2类：控制器的选举、Leader的选举。

3.1.1 控制器选举

在Kafka集群中有多个broker，那么就有一个broker会被选举为控制器，这个控制器的主要责任包括监听Broker的变化、监听Topic变化、监听Partition变化、获取和管理Broker、Topic、Partition的信息、管理Partition的主从信息。同时还会负责副本的选举，当某个分区的leader副本出现故障时，由控制器负责为该分区选举新的leader副本。再比如当检测到某个分区的ISR集合发生变化时，由控制器负责通知所有broker更新其元数据信息。

前面我们有提起过Zookeeper，控制器的选举是由Zookeeper(协调框架)的节点的唯一性来做到的。控制器的选举过程如下：

1. 第一个启动的节点会在ZooKeeper里创建一个临时节点/controller，并写入该节点的注册信息，该节点成为控制器
2. 其他节点在陆续启动过程中，也会尝试去ZooKeeper中创建/controller节点，如果/controller已存在则会报错，利用ZooKeeper的节点特性来保证控制器的唯一
3. 其他节点启动后，会在控制器上注册相应的监听器，各个监听器负责监听各自代理节点的状态变化，当监听的节点状态发生变化时，会触发相应的监听函数

3.1.2 分区leader选举

Kafka是一个多分区，多副本的消息服务，那么每个分区的多副本由一个leader与多个follower构成。而leader负责进行数据读写，并且管理着整个follower中存储的数据状态。若某一时刻该分区leader挂掉了，Broker控制器就会对该分区进行重新选举案leader副本，其中leader的诞生只能从ISR列表中产生。
具体的选举规则：Kafka会在Zookeeper上针对每个Topic维护一个称为ISR副本的的集合，一旦Leader分区丢掉，从中随机挑选一个副本做新的Leader分区。如果ISR中的副本都宕机了，则：

1. 等待ISR中的副本任何一个恢复，接着对外提供服务，需要时间等待。可以保证一致性，但可能需要很长时间
2. 从OSR中选一个做Leader，需设置unclean.leader.election.enable=true，不需要等待，则很可能该副本并不一致。 当宕机的重新恢复时，会把之前commit的数据清空，重新从leader里pull数据。

3.2 多副本机制

在Kafka中，一个主题被划分为若干个分区，一个分区包含一个或多个副本，副本对应着消息存储的日志文件。副本机制就是通过对分区数据的冗余处理，即在不同的broker节点中存储多个副本，来实现Kafka的故障转移，从而提升可靠性。kafka的每个分区都有一个ISR列表，用于维护所有同步的、可用的副本。其中，Leader副本必是同步副本，而对于Follower副本来说，需要满足以下条件才能被认为是同步副本：

• 必须定时向ZooKeeper发送心跳
• 在规定的时间内从Leader副本“低延迟”的获取的消息

如果副本不满足上面条件的话，就会从ISR列表中移除，直到满足条件才会被再次加入。replica.lag.time.max.ms 这个参数值表示Follower副本能够落后Leader副本的最长时间间隔，当前默认值为10s，即只要一个Follower副本落后Leader副本的时间不连续超过10s, kafka就认为两者是同步的。

3.3 ACK确认机制

Kafka的Producer有三种ack机制，参数值有0、1 和 -1

• acks = 0： 相当于异步操作，Producer 不需要Leader给予回复，发送完就认为成功，继续发送下一条消息。这个机制下延迟最低，但是持久性可靠性也最差，当服务器发生故障时，很可能发生数据丢失。
• acks = 1： Kafka 默认的设置。表示 Producer 要 Leader 确认已成功接收数据才发送下一条消息。不过如果Leader宕机且Follower 尚未复制这部分数据的情况下，数据就会丢失。这个机制提供了比较好的持久性和较低的延迟性。
• acks = -1： Leader 接收到消息之后，还必须要求ISR列表里的那些Follower都确认消息已同步，Producer 才发送下一条消息。此机制持久性可靠性最好，但延时性最差。

四、kafka的高性能设计

Reactor多路复用

Kafka SocketServer 是基于Java NIO 开发的，采用了 Reactor 的模式，包含三种角色：Acceptor；Processor；Handler。Kafka Reactor包含一个Acceptor负责接收客户端请求，N个Processor线程负责读写数据（即即为每个 Connection 创建出一个 Processor 去单独处理,每个Processor中均引用独立的Selector），M个Handler来处理业务逻辑。在Acceptor和Processor，Processor和Handler之间都有队列来缓冲请求。

页缓存技术

操作系统本身有一层缓存叫做页缓存(Page Cache)，是操作系统自己管理的内存缓存。页缓存是位于内存和文件之间的缓冲区，它实际上也是一块内存区域，所有的文件IO(包括网络文件)都是直接和页缓存交互，操作系统通过一系列的数据结构，比如inode, address_space, struct page，实现将一个文件映射到页的级别，这些具体数据结构及之间的关系我们暂且不讨论，只需知道页缓存的存在以及它在文件IO中扮演着重要角色，很大一部分程度上，文件读写的优化就是对页缓存使用的优化。

Kafka 在写入磁盘文件的时候，可以直接写入到页缓存里，由操作系统负责将页缓存里的数据刷入到磁盘文件中，这样消息写入就变成了写内存而不是写磁盘，大大提高了kafka写的性能。

零拷贝技术

在消费的时候kafka从磁盘文件上读取数据然后发送给下游的消费者，其数据流转为：
磁盘 -> os cache -> 应用进程缓存 -> socket缓存 -> 网卡 -> 消费者

可以看出来，从os cache 拷贝数据到应用进程缓存， 接着从应用进程缓存拷贝到操作系统的socket缓存这两步是没必要的，期间发生了好几次上下文切换，比较消耗性能。kafka为了解决这个问题，在读取数据的时候引入了零拷贝技术，即让操作系统的 os cache 中的数据直接发送到网卡后传出给下游的消费者，中间跳过了两次拷贝数据的步骤，减少了上下文的切换。其中，Socket缓存中仅仅会拷贝一个描述符过去，不会拷贝数据到Socket缓存。

kafka主要使用到了mmap和sendfile的方式实现了零拷贝。

压缩传输

压缩有助于提高吞吐量，降低延迟并提高磁盘利用率。在 Kafka 中, 压缩可能会发生在两个地方: 生产者端和Broker端, 一句话总结下压缩和解压缩, 即 Producer 端压缩, Broker 端保持, Consumer 端解压缩。

Producer、Broker、Consumer 要使用相同的压缩算法, 在 Producer 向 Broker 写入数据, Consumer 向 Broker 读取数据的时候可以不用解压缩, 只需要在最终 Consumer 到消息的时候才进行解压缩, 这样可以节省大量的网络和磁盘开销。

数据顺序写入

kafka写入数据的时候，会将数据追加到文件的末尾，而不是在文件的随机位置。追加到文件末尾的写法可以大大提升数据写入磁盘的速度。

批处理设计

kafka在0.8版本之后, 进行了简单的改进, 性能得到了指数级上升，即来了一条消息后不会立马发送出去, 而是先写入到一个缓存(RecordAccumulator)队列中,封装成一个个批次(RecordBatch)。这个时候会有一个sender线程会将多个批次封装成一个请求(Request), 然后进行发送, 这样会减少很多请求,提高吞吐量。

内存池设计

Kafka是一个分布式的消息队列系统，它通过内存池（Memory Pool）来管理内存，提高内存的利用率和系统的性能。Kafka的内存池设计如下：

1. 内存池的基本单位是chunk，chunk是一个连续的内存块。
2. 内存池中维护了一个chunk列表，每个chunk都有一个状态（free、allocated、deallocated），表示该chunk当前的使用状态。
3. 当Kafka需要分配内存时，会先在chunk列表中查找一个状态为free的chunk，如果找到了就将其分配出去。
4. 如果没有找到状态为free的chunk，Kafka会尝试从操作系统申请一定数量的内存，并将其分成多个chunk，加入chunk列表中，并将其中一个chunk分配出去。
5. 当chunk被释放时，它的状态会变成deallocated，但是并不会立即释放内存，而是等到内存池中的chunk数量超过一定阈值时才会进行一次批量内存释放。
6. 这种设计可以避免频繁的内存分配和释放操作，提高内存利用率和系统性能。同时，由于chunk是固定大小的，可以减少内存碎片的产生，提高内存分配的效率。