Kafka 最佳实践

Kafka 最佳实践

下面为PPT的节选和个人的补充:

原文

Kafka 基本配置及性能优化

硬件要求

OS 调优

• OS page cache
  • 通过调整/proc/sys/vm/dirty_background_ratio /proc/sys/vm/dirty_ratio来调优性能
  • 尽量分配与所有日志的激活日志段大小相同的页缓存大小
  • wiki
• fd 限制：100k+；
• 禁用 swapping
• TCP 调优；
• JVM 配置
  • JDK 8 并且使用 G1 垃圾收集器；
  • 至少要分配 6-8 GB 的堆内存

磁盘存储

• 使用多块磁盘，并配置为 Kafka 专用的磁盘；
• JBOD vs RAID10
  • RAID10 成本相对高
• JBOD（Just a Bunch of Disks） 简单说就是普通磁盘
• JBOD限制
  • 比如磁盘失败将导致Kafka异常关闭
  • 跨磁盘数据不保证一致性
  • 多级目录
  • 社区也正在解决这么问题，可以关注 KIP 112、113：
    • 必要的工具用于管理 JBOD；
    • 自动化的分区管理；
    • 磁盘损坏时，Broker 可以将 replicas 迁移到好的磁盘上；
    • 在同一个 Broker 的磁盘间 reassign replicas；
• RAID 10 的特点：
  • 可以允许单磁盘的损坏；
  • 性能和保护；
  • 不同磁盘间的负载均衡；
  • 高命中来减少 space；
  • 单一的 mount point；
• SSD
  • 昂贵的选项
• 文件系统：
  • 使用 EXT 或 XFS；
  • Issue on NFS
  • SNA NAS

基本监控

• CPU 负载
• 网络带宽
• 文件句柄数
• 磁盘空间
• 磁盘 IO 性能
• JVM GC 信息
• ZooKeeper 监控

Kafka Replication

Replication介绍

• Partition 有两种副本：Leader，Follower；
• Leader 负责维护 in-sync-replicas(ISR)
  • replica.lag.time.max.ms：默认为10000，如果 follower 落后于 leader 的消息数超过这个数值时，leader 就将 follower 从 isr 列表中移除；
  • min.insync.replica：Producer 端使用来用于保证持久性

Under Replicated Partitions

• JMX指标：kafka.server:type=ReplicaManager,name=UnderReplicatedPartitions
• 可能原因
  • broker挂了
  • controller问题
  • zk问题
  • 网络问题
• 解决办法
  • 调整ISR参数，比如：
    • min.insync.replica
    • replica.lag.time.max.ms
    • num.replica.fetchers 默认为1，用于从 leader 同步数据的 fetcher 线程数
  • 增加broker

Controller

• 负责管理 partition 生命周期；
• 避免 Controller’s ZK会话超时：
• ISR 抖动；
  • ZK Server 性能问题；
  • Broker 长时间的 GC；
  • 网络 IO 问题；
• 监控：
  • kafka.controller:type=KafkaController,name=ActiveControllerCount- jmx
  • LeaderElectionRate

Unclean leader 选举

• 允许不在 isr 中 replica 被选举为 leader。

  • 这是 Availability 和 Correctness 之间选择，Kafka 默认选择了可用性；
  • unclean.leader.election.enable：默认为 true，即允许不在 isr 中 replica 选为 leader，这个配置可以全局配置，也可以在 topic 级别配置；
  • 监控：kafka.controller:type=ControllerStats,name=UncleanLeaderElectionsPerSec - JMX
  • default下一版本将改变

Broker 配置

基本配置

• log.retention.{ms, minutes, hours} , log.retention.bytes
• message.max.bytes, replica.fetch.max.bytes
• delete.topic.enable：默认为 false，是否允许通过 admin tool 来删除 topic；
• unclean.leader.election.enable = false
• min.insync.replicas = 2
  • 当 Producer 的 acks 设置为 all 或 -1 时，min.insync.replicas 代表了必须进行确认的最小 replica 数，如果不够的话 Producer 将会报 NotEnoughReplicas 或 NotEnoughReplicasAfterAppend 异常
• replica.lag.time.max.ms 超过这个时间没有发送请求的话，follower 将从 isr 中移除）
• num.replica.fetchers = 1 用于从 leader 同步数据的 fetcher 线程数
• replica.fetch.response.max.bytes
• zookeeper.session.timeout.ms = 30s
• num.io.threads：默认为8，KafkaRequestHandlerPool 的大小

Cluster评估

• Broker 评估
  • 每个 Broker 的 Partition 数不应该超过2k
  • 控制 Partition <= 25GB；
• 集群评估（Broker 的数量根据以下条件配置）
  • 数据保留时间
  • 集群的流量大小
• 集群扩容：
  • 磁盘使用率小于60%
  • 网络使用率小于75%
• 集群监控
  • 确保topic分区分布尽量均匀
  • 确保broker节点不会出现磁盘、带宽耗尽

Broker 监控

• Partition 数：kafka.server:type=ReplicaManager,name=PartitionCount - JMX
• Leader 副本数：kafka.server:type=ReplicaManager,name=LeaderCount - JMX
• ISR 扩容/缩容率：kafka.server:type=ReplicaManager,name=IsrExpandsPerSec - JMX
• 读写速率：Message in rate/Byte in rate/Byte out rate
• 网络请求的平均空闲率：NetworkProcessorAvgIdlePercent
• 请求处理平均空闲率：RequestHandlerAvgIdlePercent

Topic 评估

• partition 数
  • Partition 数应该至少与最大 consumer group 中 consumer 线程数一致
  • 对于使用频繁的 topic，应该设置更多的 partition
  • 控制 partition小于等于25GB 左右
  • 考虑应用未来的增长（可以使用一种机制进行自动扩容）
• 使用带 key 的 topic
  • 相同的key 进入相同的partition
• partition 扩容：当 partition 的数据量超过一个阈值时应该自动扩容（实际上还应该考虑网络流量）

分区选择

• 根据TPS的要求设置 partition 数：
  • 假设 Producer 单 partition 的吞吐量为 P
  • consumer 消费一个 partition 的吞吐量为 C
  • 而要求的吞吐量为 T
  • 那么 partition 数至少应该大于 T/P、T/C 的最大值
• 更多分区意味着更多的文件句柄、消息处理延时和更多的内存使用
  • 一条消息只有其被同步到 isr 的所有 broker 上后，才能被消费，partition 越多，不同节点之间同步就越多，这可能会带来毫秒级甚至数十毫秒级的延迟
  • 对于每一个 segment，在 broker 都会有一个对应的 index 和实际数据文件，而对于 Kafka Broker，它将会对于每个 segment 每个 index 和数据文件都会打开相应的 file handle（可以理解为 fd），因此，partition 越多，将会带来更多的 fd
  • Producer 和 Consumer 都会按照 partition 去缓存数据，每个 partition 都会带来数十 KB 的消耗，partition 越多, Client 将会占用更多的内存
• 参考

Quotas

• 避免恶意客户端并维护SLA - 安全认证
• 设定字节率阈值限制
• 监控throttle-rate，byte-rate
• replica.fecth.response.max.bytes： 设置follower副本fetch请求response大小
• 限制带宽： kafka-reassign-partitions.sh --throttle options

Kafka Producer

• 使用Java版本producer
• 使用kafka-producer-perf-test.sh测试
• 设置好内存、cpu、batch、压缩等参数
  • batch.size: 越大，TPS越大，延时也越大
  • linger.ms: 越大，TPS越大，延时也越大
  • max.in.flight.requests.per.connection: 增加TPS，影响消息接收顺序
  • compression.type: 设置压缩类型，提升TPS
  • acks: 设置消息持久性级别
• 避免发送大消息(会使用更多内存，降低broker处理)

性能调优

• 如果吞吐量小于网络带宽
  • 增加线程；
  • 提高 batch.size；
  • 增加更多 producer 实例；
  • 增加 partition 数；
• 设置 acks=-1 时，如果延迟增大：可以增大 num.replica.fetchers（follower 同步数据的线程数）来调解
• 跨数据中心的传输：增加 socket 缓冲区设置以及 OS tcp 缓冲区设置

监控指标

• batch-size-avg
• compression-rate-avg
• waiting-threads
• buffer-available-bytes
• record-queue-time-max
• record-send-rate
• records-per-request-avg

Kafka Consumer

• 使用 kafka-consumer-perf-test.sh 测试环境；
• 吞吐量问题：
  • partition 数不够
  • OS缓存命中太低，分配更多页缓存
  • 应用的处理逻辑
• offset topic
  • offsets.topic.replication.factor：默认为3；
  • offsets.retention.minutes：默认为1440，即 1day；
  • MonitorISR，topicsize；
• offset commit慢的问题：异步 commit 或 手动 commit

基本配置

• fetch.min.bytes 、fetch.max.wait.ms fetch最小bytes和最大等待时间
• max.poll.interval.ms：调用 poll() 之后延迟的最大时间，超过这个时间没有调用 poll() 的话，就会认为这个 consumer 挂掉了，将会进行 rebalance
• max.poll.records：当调用 poll() 之后返回最大的 record 数，默认为500；
• session.timeout.ms；
• Consumer Rebalance
  • check timeouts
  • check processing times/logic
  • GC Issues
• 网络配置

监控

监控消费速度

• Consumer Lag：consumer offset 与 the end of log（partition 可以消费的最大 offset） 的差值
• 监控
  • metric 监控：records-lag-max；
  • 通过 bin/kafka-consumer-groups.sh 查看
  • 用于 consumer 监控的 LinkedIn’s Burrow
• 减少 Lag
  • 分析 consumer：是 GC 问题还是 Consumer hang 住了
  • 增加 Consumer 的线程
  • 增加分区数和 consumer 线程
  • 提高业务处理速度

如何保证数据不丢？

1. producer

• retries = MAX
• acks=all
• max.in.flight.requests.per.connection = 1

2. broker

• replication factor >= 3
• min.insync.replicas = 2
• 关闭unclean leader选举

3. consumer

• auto.offset.commit = false
• 消息被处理后提交offset