Kafka性能参数和压力测试揭秘
今天的文章分为两大部分，第一部分介绍一下我总结的跟性能有关的一些参数、含义以及调优策略。第二部分会给出一些我自己实践过的测试结果对照组，具体的数值和结果可能因场景、机器、环境而异，但是总体的思路和方法应该是一致的。
在正式进入主题之前，介绍一下本次测试所使用的机器配置：
6台物理机，其中三台部署Broker，三台专门用来launch request。
每台物理机：24 Processors，189G Memory，2G 单机带宽。
执行本次测试时为了能够覆盖到到一些“非常规”的用法，我把Broker的HeapSize设置到了30G。
相关参数介绍
在调试和优化使用Java开发的系统时，第一步肯定绕不开对JVM的调优，Kafka自然也不例外，而JVM调优的重点则是在内存上。
其实Kafka服务本身并不需要很大内存，上篇文章也已经详细介绍过Kafka依赖系统提供的PageCache来满足性能上的要求，利用VisualJVM等工具可以很清晰的分析出Heap Space的占用比例情况。本文中测试时设置30G内存的目的是支持更高的并发，高并发本身就必然会需要更多的内存来支持，同时高并发也意味着SocketBuffer等相关缓存容量会成倍增长。实际使用中，调整内存大小的准则是留给系统尽可能多的空闲内存，Broker本身则是够用就好。
说完了大小设置我们再来聊一下JVM上的垃圾回收器，官方文档里推荐使用最新的G1来代替CMS作为垃圾回收器。不过也明确指出在某些低版本(1.7u21)的JDK上还是会存在一些不稳定的问题。推荐使用的最低版本为JDK 1.7u51。下面是本次试验中Broker的JVM内存配置参数：
-Xms30g -Xmx30g -XX:PermSize=48m -XX:MaxPermSize=48m -XX:+UseG1GC -XX:MaxGCPauseMillis=20 -XX:InitiatingHeapOccupancyPercent=35
其实G1早在JDK 1.6u14中就已经作为体验版首次被引入，但是由于最初误宣传需要收费才能使用，和其自身尚不稳定存在Bug等因素，一直等到1.7的后期update版本才逐渐走入我们的视野。
G1相比较于CMS的优势：
G1是一种适用于服务器端的垃圾回收器，很好的平衡了吞吐量和响应能力。
对于内存的划分方法不同，Eden, Survivor, Old区域不再固定，使用内存会更高效。G1通过对内存进行Region的划分，有效避免了内存碎片问题。
G1可以指定GC时可用于暂停线程的时间（不保证严格遵守）。而CMS并不提供可控选项。
CMS只有在FullGC之后会重新合并压缩内存，而G1把回收和合并集合在一起。
CMS只能使用在Old区，在清理Young时一般是配合使用ParNew，而G1可以统一两类分区的回收算法。
G1的适用场景：
JVM占用内存较大(At least 4G)
应用本身频繁申请、释放内存，进而产生大量内存碎片时。
对于GC时间较为敏感的应用。
接下来，我们来总结一下Kafka本身可能会对性能产生影响的配置项。
Broker
num.network.threads:3
用于接收并处理网络请求的线程数，默认为3。其内部实现是采用Selector模型。启动一个线程作为Acceptor来负责建立连接，再配合启动num.network.threads个线程来轮流负责从Sockets里读取请求，一般无需改动，除非上下游并发请求量过大。
num.partitions:1
Partition的数量选取也会直接影响到Kafka集群的吞吐性能。例如我写过MapReduce任务从Kafka中读取数据，每个Partition对应一个Mapper去消费数据，如果Partition数量太少，则任务会因为Mapper数不足而非常慢。此外，当Partition数量相对于流入流出的数据量显得较少，或由于业务逻辑和Partition数量没有匹配好造成个别Partition读写数据量大，大量的读写请求集中落在一台或几台机器上时，很容易就会打满NIC的全部流量。不难想象这时不仅这一个Partition的读写会出现性能瓶颈，同Broker上的其他Partition或服务都会陷入一个网络资源匮乏的情况。
queued.max.requests:500
这个参数是指定用于缓存网络请求的队列的最大容量，这个队列达到上限之后将不再接收新请求。一般不会成为瓶颈点，除非I/O性能太差，这时需要配合num.io.threads等配置一同进行调整。
相关阅读：
Replica相关配置：
replica.lag.time.max.ms:10000replica.lag.max.messages:4000num.replica.fetchers:1
上篇文章已经简单介绍过上两项配置的含义，这里不再重复，重点说一下第三项配置。对于任意(Broker, Leader)元组，都会有replication.factor-1个Broker作为Replica，在Replica上会启动若干Fetch线程把对应的数据同步到本地，而num.replica.fetchers这个参数是用来控制Fetch线程的数量。
一般来说如果发现Partition的ISR当中只有自己一个Partition，且长时间没有新的Replica增加进来时，就可以考虑适当的增大这个参数加快复制进度。其内部实现上，每个Fetch就对应了一个SimpleConsumer，对于任意一台其他机器上需要Catch-up的Leader，会创建num.replica.fetchers个SimpleConsumer来拉取Log。
当初刚知道这块设计的时候还蛮疑惑的，在Kafka文档开篇的时候就郑重介绍过，同一个ConsumerGroup内的Consumer和Partition在同一时间内必须保证是一对一的消费关系，而这么简单地增加SimpleConsumer就可以提高效率又是什么原因呢？
查看源码，在AbstractFetcherThread.scala里可以看到，Fetch启动的多线程其实就是一个个的SimpleConsumer。
首先，getFetcherId()利用numFetcher来控制FetchId的范围，进而控制Consumer数量。partitionsPerFetcher结构则是一个从Partition到Partition上启动的Fetchers的Mapping。
上面为每个Partition启动的多个Fetcher（也就是SimpleConsumer）之间通过partitionMap: mutable.HashMap[TopicAndPartition, Long]来共享offset，达到并行Fetch数据的目的。因此，通过共享offset既保证了同一时间内Consumer和Partition之间的一对一关系，又允许我们通过增多Fetch线程来提高效率。
default.replication.factor:1
这个参数指新创建一个topic时，默认的Replica数量。当Producer中的 acks!=0 && acks!=1时，Replica的大小可能会导致在Produce数据时的性能表现有很大不同。Replica过少会影响数据的可用性，太多则会白白浪费存储资源，一般建议在2~3为宜。
fetch.purgatory.purge.interval.requests:1000producer.purgatory.purge.interval.requests:1000