Kafka深度解析（1）

問題導讀
1、什麼是Kafka，如何深入理解？
2、傳統的message queue都存在哪些弊端？
3、為什麼要用Message Queue？







摘要

Kafka是一種分散式的，基於釋出/訂閱的訊息系統。本文主要介紹Kafka的設計理念，實現細節以及benchmark test


背景介紹
Kafka簡介

• Kafka是一種分散式的，基於釋出/訂閱的訊息系統。主要設計目標如下：
• 以時間複雜度為O(1)的方式提供訊息持久化能力，並保證即使對TB級以上資料也能保證常數時間的訪問效能
• 高吞吐率。即使在非常廉價的商用機器上也能做到單機支援每秒100K條訊息的傳輸
• 支援Kafka Server間的訊息分割槽，及分散式訊息消費，同時保證每個partition內的訊息順序傳輸
• 同時支援離線資料處理和實時資料處理
  

為什麼要用Message Queue

• 解耦
  

在專案啟動之初來預測將來專案會碰到什麼需求，是極其困難的。訊息佇列在處理過程中間插入了一個隱含的、基於資料的介面層，兩邊的處理過程都要實現這一介面。這允許你獨立的擴充套件或修改兩邊的處理過程，只要確保它們遵守同樣的介面約束

• 冗餘
  

有時在處理資料的時候處理過程會失敗。除非資料被持久化，否則將永遠丟失。訊息佇列把資料進行持久化直到它們已經被完全處理，通過這一方式規避了資料丟失風險。在被許多訊息佇列所採用的”插入-獲取-刪除”正規化中，在把一個訊息從佇列中刪除之前，需要你的處理過程明確的指出該訊息已經被處理完畢，確保你的資料被安全的儲存直到你使用完畢。

• 擴充套件性
  

因為訊息佇列解耦了你的處理過程，所以增大訊息入隊和處理的頻率是很容易的；只要另外增加處理過程即可。不需要改變程式碼、不需要調節引數。擴充套件就像調大電力按鈕一樣簡單。

• 靈活性 & 峰值處理能力
  

在訪問量劇增的情況下，應用仍然需要繼續發揮作用，但是這樣的突發流量並不常見；如果為以能處理這類峰值訪問為標準來投入資源隨時待命無疑是巨大的浪費。使用訊息佇列能夠使關鍵元件頂住增長的訪問壓力，而不是因為超出負荷的請求而完全崩潰。

• 可恢復性
  

當體系的一部分元件失效，不會影響到整個系統。訊息佇列降低了程式間的耦合度，所以即使一個處理訊息的程式掛掉，加入佇列中的訊息仍然可以在系統恢復後被處理。而這種允許重試或者延後處理請求的能力通常是造就一個略感不便的使用者和一個沮喪透頂的使用者之間的區別。

• 送達保證
  

訊息佇列提供的冗餘機制保證了訊息能被實際的處理，只要一個程式讀取了該佇列即可。在此基礎上，IronMQ提供了一個”只送達一次”保證。無論有多少程式在從佇列中領取資料，每一個訊息只能被處理一次。這之所以成為可能，是因為獲取一個訊息只是”預定”了這個訊息，暫時把它移出了佇列。除非客戶端明確的表示已經處理完了這個訊息，否則這個訊息會被放回佇列中去，在一段可配置的時間之後可再次被處理。

• 順序保證
  

在許多情況下，資料處理的順序都很重要。訊息佇列本來就是排序的，並且能保證資料會按照特定的順序來處理。IronMO保證訊息漿糊通過FIFO（先進先出）的順序來處理，因此訊息在佇列中的位置就是從佇列中檢索他們的位置。

• 緩衝
  

在任何重要的系統中，都會有需要不同的處理時間的元素。例如,載入一張圖片比應用過濾器花費更少的時間。訊息佇列通過一個緩衝層來幫助任務最高效率的執行—寫入佇列的處理會盡可能的快速，而不受從佇列讀的預備處理的約束。該緩衝有助於控制和優化資料流經過系統的速度。

• 理解資料流
  

在一個分散式系統裡，要得到一個關於使用者操作會用多長時間及其原因的總體印象，是個巨大的挑戰。訊息系列通過訊息被處理的頻率，來方便的輔助確定那些表現不佳的處理過程或領域，這些地方的資料流都不夠優化。

• 非同步通訊
  

很多時候，你不想也不需要立即處理訊息。訊息佇列提供了非同步處理機制，允許你把一個訊息放入佇列，但並不立即處理它。你想向佇列中放入多少訊息就放多少，然後在你樂意的時候再去處理它們。


常用Message Queue對比

• RabbitMQ
  

RabbitMQ是使用Erlang編寫的一個開源的訊息佇列，本身支援很多的協議：AMQP，XMPP, SMTP, STOMP，也正因如此，它非常重量級，更適合於企業級的開發。同時實現了Broker構架，這意味著訊息在傳送給客戶端時先在中心佇列排隊。對路由，負載均衡或者資料持久化都有很好的支援。

• Redis
  

Redis是一個基於Key-Value對的NoSQL資料庫，開發維護很活躍。雖然它是一個Key-Value資料庫儲存系統，但它本身支援MQ功能，所以完全可以當做一個輕量級的佇列服務來使用。對於RabbitMQ和Redis的入隊和出隊操作，各執行100萬次，每10萬次記錄一次執行時間。測試資料分為128Bytes、512Bytes、1K和10K四個不同大小的資料。實驗表明：入隊時，當資料比較小時Redis的效能要高於RabbitMQ，而如果資料大小超過了10K，Redis則慢的無法忍受；出隊時，無論資料大小，Redis都表現出非常好的效能，而RabbitMQ的出隊效能則遠低於Redis。

• ZeroMQ
  

ZeroMQ號稱最快的訊息佇列系統，尤其針對大吞吐量的需求場景。ZMQ能夠實現RabbitMQ不擅長的高階/複雜的佇列，但是開發人員需要自己組合多種技術框架，技術上的複雜度是對這MQ能夠應用成功的挑戰。ZeroMQ具有一個獨特的非中介軟體的模式，你不需要安裝和執行一個訊息伺服器或中介軟體，因為你的應用程式將扮演了這個服務角色。你只需要簡單的引用ZeroMQ程式庫，可以使用NuGet安裝，然後你就可以愉快的在應用程式之間傳送訊息了。但是ZeroMQ僅提供非永續性的佇列，也就是說如果down機，資料將會丟失。其中，Twitter的Storm中預設使用ZeroMQ作為資料流的傳輸。

• ActiveMQ
  

ActiveMQ是Apache下的一個子專案。 類似於ZeroMQ，它能夠以代理人和點對點的技術實現佇列。同時類似於RabbitMQ，它少量程式碼就可以高效地實現高階應用場景。

• Kafka/Jafka
  

Kafka是Apache下的一個子專案，是一個高效能跨語言分散式Publish/Subscribe訊息佇列系統，而Jafka是在Kafka之上孵化而來的，即Kafka的一個升級版。具有以下特性：快速持久化，可以在O(1)的系統開銷下進行訊息持久化；高吞吐，在一臺普通的伺服器上既可以達到10W/s的吞吐速率；完全的分散式系統，Broker、Producer、Consumer都原生自動支援分散式，自動實現複雜均衡；支援Hadoop資料並行載入，對於像Hadoop的一樣的日誌資料和離線分析系統，但又要求實時處理的限制，這是一個可行的解決方案。Kafka通過Hadoop的並行載入機制來統一了線上和離線的訊息處理，這一點也是本課題所研究系統所看重的。Apache Kafka相對於ActiveMQ是一個非常輕量級的訊息系統，除了效能非常好之外，還是一個工作良好的分散式系統。


Kafka解析
Terminology

• Broker
  

Kafka叢集包含一個或多個伺服器，這種伺服器被稱為broker

• Topic
  

每條釋出到Kafka叢集的訊息都有一個類別，這個類別被稱為topic。（物理上不同topic的訊息分開儲存，邏輯上一個topic的訊息雖然儲存於一個或多個broker上但使用者只需指定訊息的topic即可生產或消費資料而不必關心資料存於何處）

• Partition
  

parition是物理上的概念，每個topic包含一個或多個partition，建立topic時可指定parition數量。每個partition對應於一個資料夾，該資料夾下儲存該partition的資料和索引檔案

• Producer
  

負責釋出訊息到Kafka broker

• Consumer
  

消費訊息。每個consumer屬於一個特定的consuer group（可為每個consumer指定group name，若不指定group name則屬於預設的group）。使用consumer high level API時，同一topic的一條訊息只能被同一個consumer group內的一個consumer消費，但多個consumer group可同時消費這一訊息。

• Kafka架構
  

 

　　如上圖所示，一個典型的kafka叢集中包含若干producer（可以是web前端產生的page view，或者是伺服器日誌，系統CPU、memory等），若干broker（Kafka支援水平擴充套件，一般broker數量越多，叢集吞吐率越高），若干consumer group，以及一個Zookeeper叢集。Kafka通過Zookeeper管理叢集配置，選舉leader，以及在consumer group發生變化時進行rebalance。producer使用push模式將訊息釋出到broker，consumer使用pull模式從broker訂閱並消費訊息。 　　

Push vs. Pull

　　作為一個messaging system，Kafka遵循了傳統的方式，選擇由producer向broker push訊息並由consumer從broker pull訊息。一些logging-centric system，比如Facebook的Scribe和Cloudera的Flume,採用非常不同的push模式。事實上，push模式和pull模式各有優劣。
　　push模式很難適應消費速率不同的消費者，因為訊息傳送速率是由broker決定的。push模式的目標是儘可能以最快速度傳遞訊息，但是這樣很容易造成consumer來不及處理訊息，典型的表現就是拒絕服務以及網路擁塞。而pull模式則可以根據consumer的消費能力以適當的速率消費訊息。

Topic & Partition

　　Topic在邏輯上可以被認為是一個在的queue，每條消費都必須指定它的topic，可以簡單理解為必須指明把這條訊息放進哪個queue裡。為了使得Kafka的吞吐率可以水平擴充套件，物理上把topic分成一個或多個partition，每個partition在物理上對應一個資料夾，該資料夾下儲存這個partition的所有訊息和索引檔案。
 
　　每個日誌檔案都是“log entries”序列，每一個log entry包含一個4位元組整型數（值為N），其後跟N個位元組的訊息體。每條訊息都有一個當前partition下唯一的64位元組的offset，它指明瞭這條訊息的起始位置。磁碟上儲存的消費格式如下：


　　這個“log entries”並非由一個檔案構成，而是分成多個segment，每個segment名為該segment第一條訊息的offset和“.kafka”組成。另外會有一個索引檔案，它標明瞭每個segment下包含的log entry的offset範圍，如下圖所示。
　  　


　　因為每條訊息都被append到該partition中，是順序寫磁碟，因此效率非常高（經驗證，順序寫磁碟效率比隨機寫記憶體還要高，這是Kafka高吞吐率的一個很重要的保證）。
　　  
　　每一條訊息被髮送到broker時，會根據paritition規則選擇被儲存到哪一個partition。如果partition規則設定的合理，所有訊息可以均勻分佈到不同的partition裡，這樣就實現了水平擴充套件。（如果一個topic對應一個檔案，那這個檔案所在的機器I/O將會成為這個topic的效能瓶頸，而partition解決了這個問題）。在建立topic時可以在$KAFKA_HOME/config/server.properties中指定這個partition的數量(如下所示)，當然也可以在topic建立之後去修改parition數量。


　　在傳送一條訊息時，可以指定這條訊息的key，producer根據這個key和partition機制來判斷將這條訊息傳送到哪個parition。paritition機制可以通過指定producer的paritition. class這一引數來指定，該class必須實現kafka.producer.Partitioner介面。本例中如果key可以被解析為整數則將對應的整數與partition總數取餘，該訊息會被髮送到該數對應的partition。（每個parition都會有個序號）



　　如果將上例中的class作為partition.class，並通過如下程式碼傳送20條訊息（key分別為0，1，2，3）至topic2（包含4個partition）。 　　


　　則key相同的訊息會被髮送並儲存到同一個partition裡，而且key的序號正好和partition序號相同。（partition序號從0開始，本例中的key也正好從0開始）。如下圖所示。
 
　　對於傳統的message queue而言，一般會刪除已經被消費的訊息，而Kafka叢集會保留所有的訊息，無論其被消費與否。當然，因為磁碟限制，不可能永久保留所有資料（實際上也沒必要），因此Kafka提供兩種策略去刪除舊資料。一是基於時間，二是基於partition檔案大小。例如可以通過配置$KAFKA_HOME/config/server.properties，讓Kafka刪除一週前的資料，也可通過配置讓Kafka在partition檔案超過1GB時刪除舊資料，如下所示。



　　這裡要注意，因為Kafka讀取特定訊息的時間複雜度為O(1)，即與檔案大小無關，所以這裡刪除檔案與Kafka效能無關，選擇怎樣的刪除策略只與磁碟以及具體的需求有關。另外，Kafka會為每一個consumer group保留一些metadata資訊—當前消費的訊息的position，也即offset。這個offset由consumer控制。正常情況下consumer會在消費完一條訊息後線性增加這個offset。當然，consumer也可將offset設成一個較小的值，重新消費一些訊息。因為offet由consumer控制，所以Kafka broker是無狀態的，它不需要標記哪些訊息被哪些consumer過，不需要通過broker去保證同一個consumer group只有一個consumer能消費某一條訊息，因此也就不需要鎖機制，這也為Kafka的高吞吐率提供了有力保障。 　　 　　

Replication & Leader election

　　Kafka從0.8開始提供partition級別的replication，replication的數量可在$KAFKA_HOME/config/server.properties中配置。


　　該 Replication與leader election配合提供了自動的failover機制。replication對Kafka的吞吐率是有一定影響的，但極大的增強了可用性。預設情況下，Kafka的replication數量為1。　　每個partition都有一個唯一的leader，所有的讀寫操作都在leader上完成，leader批量從leader上pull資料。一般情況下partition的數量大於等於broker的數量，並且所有partition的leader均勻分佈在broker上。follower上的日誌和其leader上的完全一樣。
　　和大部分分散式系統一樣，Kakfa處理失敗需要明確定義一個broker是否alive。對於Kafka而言，Kafka存活包含兩個條件，一是它必須維護與Zookeeper的session(這個通過Zookeeper的heartbeat機制來實現)。二是follower必須能夠及時將leader的writing複製過來，不能“落後太多”。
　　leader會track“in sync”的node list。如果一個follower當機，或者落後太多，leader將把它從”in sync” list中移除。這裡所描述的“落後太多”指follower複製的訊息落後於leader後的條數超過預定值，該值可在$KAFKA_HOME/config/server.properties中配置


　　需要說明的是，Kafka只解決”fail/recover”，不處理“Byzantine”（“拜占庭”）問題。
　　一條訊息只有被“in sync” list裡的所有follower都從leader複製過去才會被認為已提交。這樣就避免了部分資料被寫進了leader，還沒來得及被任何follower複製就當機了，而造成資料丟失（consumer無法消費這些資料）。而對於producer而言，它可以選擇是否等待訊息commit，這可以通過request.required.acks來設定。這種機制確保了只要“in sync” list有一個或以上的flollower，一條被commit的訊息就不會丟失。
　　這裡的複製機制即不是同步複製，也不是單純的非同步複製。事實上，同步複製要求“活著的”follower都複製完，這條訊息才會被認為commit，這種複製方式極大的影響了吞吐率（高吞吐率是Kafka非常重要的一個特性）。而非同步複製方式下，follower非同步的從leader複製資料，資料只要被leader寫入log就被認為已經commit，這種情況下如果follwer都落後於leader，而leader突然當機，則會丟失資料。而Kafka的這種使用“in sync” list的方式則很好的均衡了確保資料不丟失以及吞吐率。follower可以批量的從leader複製資料，這樣極大的提高複製效能（批量寫磁碟），極大減少了follower與leader的差距（前文有說到，只要follower落後leader不太遠，則被認為在“in sync” list裡）。

　　上文說明了Kafka是如何做replication的，另外一個很重要的問題是當leader當機了，怎樣在follower中選舉出新的leader。因為follower可能落後許多或者crash了，所以必須確保選擇“最新”的follower作為新的leader。一個基本的原則就是，如果leader不在了，新的leader必須擁有原來的leader commit的所有訊息。這就需要作一個折衷，如果leader在標明一條訊息被commit前等待更多的follower確認，那在它die之後就有更多的follower可以作為新的leader，但這也會造成吞吐率的下降。
　　一種非常常用的選舉leader的方式是“majority 靈秀”（“少數服從多數”），但Kafka並未採用這種方式。這種模式下，如果我們有2f+1個replica（包含leader和follower），那在commit之前必須保證有f+1個replica複製完訊息，為了保證正確選出新的leader，fail的replica不能超過f個。因為在剩下的任意f+1個replica裡，至少有一個replica包含有最新的所有訊息。這種方式有個很大的優勢，系統的latency只取決於最快的幾臺server，也就是說，如果replication factor是3，那latency就取決於最快的那個follower而非最慢那個。majority vote也有一些劣勢，為了保證leader election的正常進行，它所能容忍的fail的follower個數比較少。如果要容忍1個follower掛掉，必須要有3個以上的replica，如果要容忍2個follower掛掉，必須要有5個以上的replica。也就是說，在生產環境下為了保證較高的容錯程度，必須要有大量的replica，而大量的replica又會在大資料量下導致效能的急劇下降。這就是這種演算法更多用在Zookeeper這種共享叢集配置的系統中而很少在需要儲存大量資料的系統中使用的原因。例如HDFS的HA feature是基於majority-vote-based journal，但是它的資料儲存並沒有使用這種expensive的方式。
　　實際上，leader election演算法非常多，比如Zookeper的Zab,Raft和Viewstamped Replication。而Kafka所使用的leader election演算法更像微軟的PacificA演算法。
　　Kafka在Zookeeper中動態維護了一個ISR（in-sync replicas） set，這個set裡的所有replica都跟上了leader，只有ISR裡的成員才有被選為leader的可能。在這種模式下，對於f+1個replica，一個Kafka topic能在保證不丟失已經ommit的訊息的前提下容忍f個replica的失敗。在大多數使用場景中，這種模式是非常有利的。事實上，為了容忍f個replica的失敗，majority vote和ISR在commit前需要等待的replica數量是一樣的，但是ISR需要的總的replica的個數幾乎是majority vote的一半。
　　雖然majority vote與ISR相比有不需等待最慢的server這一優勢，但是Kafka作者認為Kafka可以通過producer選擇是否被commit阻塞來改善這一問題，並且節省下來的replica和磁碟使得ISR模式仍然值得。

　　上文提到，在ISR中至少有一個follower時，Kafka可以確保已經commit的資料不丟失，但如果某一個partition的所有replica都掛了，就無法保證資料不丟失了。這種情況下有兩種可行的方案：

• 等待ISR中的任一個replica“活”過來，並且選它作為leader
• 選擇第一個“活”過來的replica（不一定是ISR中的）作為leader
  

　　這就需要在可用性和一致性當中作出一個簡單的平衡。如果一定要等待ISR中的replica“活”過來，那不可用的時間就可能會相對較長。而且如果ISR中的所有replica都無法“活”過來了，或者資料都丟失了，這個partition將永遠不可用。選擇第一個“活”過來的replica作為leader，而這個replica不是ISR中的replica，那即使它並不保證已經包含了所有已commit的訊息，它也會成為leader而作為consumer的資料來源（前文有說明，所有讀寫都由leader完成）。Kafka0.8.*使用了第二種方式。根據Kafka的文件，在以後的版本中，Kafka支援使用者通過配置選擇這兩種方式中的一種，從而根據不同的使用場景選擇高可用性還是強一致性。

　　上文說明了一個parition的replication過程，然爾Kafka叢集需要管理成百上千個partition，Kafka通過round-robin的方式來平衡partition從而避免大量partition集中在了少數幾個節點上。同時Kafka也需要平衡leader的分佈，儘可能的讓所有partition的leader均勻分佈在不同broker上。另一方面，優化leadership election的過程也是很重要的，畢竟這段時間相應的partition處於不可用狀態。一種簡單的實現是暫停當機的broker上的所有partition，併為之選舉leader。實際上，Kafka選舉一個broker作為controller，這個controller通過watch Zookeeper檢測所有的broker failure，並負責為所有受影響的parition選舉leader，再將相應的leader調整命令傳送至受影響的broker，過程如下圖所示。
 

　　這樣做的好處是，可以批量的通知leadership的變化，從而使得選舉過程成本更低，尤其對大量的partition而言。如果controller失敗了，倖存的所有broker都會嘗試在Zookeeper中建立/controller->{this broker id}，如果建立成功（只可能有一個建立成功），則該broker會成為controller，若建立不成功，則該broker會等待新controller的命令。
 

Consumer group

　　（本節所有描述都是基於consumer hight level API而非low level API）。
　　每一個consumer例項都屬於一個consumer group，每一條訊息只會被同一個consumer group裡的一個consumer例項消費。（不同consumer group可以同時消費同一條訊息）
 

　　很多傳統的message queue都會在訊息被消費完後將訊息刪除，一方面避免重複消費，另一方面可以保證queue的長度比較少，提高效率。而如上文所將，Kafka並不刪除已消費的訊息，為了實現傳統message queue訊息只被消費一次的語義，Kafka保證保證同一個consumer group裡只有一個consumer會消費一條訊息。與傳統message queue不同的是，Kafka還允許不同consumer group同時消費同一條訊息，這一特性可以為訊息的多元化處理提供了支援。實際上，Kafka的設計理念之一就是同時提供離線處理和實時處理。根據這一特性，可以使用Storm這種實時流處理系統對訊息進行實時線上處理，同時使用Hadoop這種批處理系統進行離線處理，還可以同時將資料實時備份到另一個資料中心，只需要保證這三個操作所使用的consumer在不同的consumer group即可。下圖展示了Kafka在Linkedin的一種簡化部署。
 
　　為了更清晰展示Kafka consumer group的特性，筆者作了一項測試。建立一個topic (名為topic1)，建立一個屬於group1的consumer例項，並建立三個屬於group2的consumer例項，然後通過producer向topic1傳送key分別為1，2，3r的訊息。結果發現屬於group1的consumer收到了所有的這三條訊息，同時group2中的3個consumer分別收到了key為1，2，3的訊息。如下圖所示。

 

轉載： http://www.aboutyun.com/thread-11559-1-1.html