Kafka 最佳实践

这是一篇关于 Kafka 实践的文章，内容来自 DataWorks Summit/Hadoop Summit（Hadoop Summit）上的一篇分享，里面讲述了很多关于 Kafka 配置、监控、优化的内容，绝对是在实践中总结出的精华，有很大的借鉴参考意义，本文主要是根据 PPT 的内容进行翻译及适当补充。

Kafka 的架构这里就不多做介绍了，直接步入正题。

Kafka 基本配置及性能优化

这里主要是 Kafka 集群基本配置的相关内容。

硬件要求

Kafka 集群基本硬件的保证

OS 调优

• OS page cache：应当可以缓存所有活跃的 Segment（Kafka 中最基本的数据存储单位）；
• fd 限制：100k+；
• 禁用 swapping：简单来说，swap 作用是当内存的使用达到一个临界值时就会将内存中的数据移动到 swap 交换空间，但是此时，内存可能还有很多空余资源，swap 走的是磁盘 IO，对于内存读写很在意的系统，最好禁止使用 swap 分区；
• 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

Kafka 磁盘存储

• 使用多块磁盘，并配置为 Kafka 专用的磁盘；
• JBOD vs RAID10；
• JBOD（Just a Bunch of Disks，简单来说它表示一个没有控制软件提供协调控制的磁盘集合，它将多个物理磁盘串联起来，提供一个巨大的逻辑磁盘，数据是按序存储，它的性能与单块磁盘类似）
• JBOD 的一些缺陷：
• 任何磁盘的损坏都会导致异常关闭，并且需要较长的时间恢复；
• 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；
• 文件系统：
• 使用 EXT 或 XFS；
• SSD；

基本的监控

Kafka 集群需要监控的一些指标，这些指标反应了集群的健康度。

• CPU 负载；
• Network Metrics；
• File Handle 使用；
• 磁盘空间；
• 磁盘 IO 性能；
• GC 信息；
• ZooKeeper 监控。

Kafka replica 相关配置及监控

Kafka Replication

• 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；
• num.replica.fetchers，默认为1，用于从 leader 同步数据的 fetcher 线程数；
• min.insync.replica：Producer 端使用来用于保证 Durability（持久性）；

Under Replicated Partitions

当发现 replica 的配置与集群的不同时，一般情况都是集群上的 replica 少于配置数时，可以从以下几个角度来排查问题：

• JMX 监控项：kafka.server:type=ReplicaManager,name=UnderReplicatedPartitions；
• 可能的原因：
• Broker 挂了？
• Controller 的问题？
• ZooKeeper 的问题？
• Network 的问题？
• 解决办法：
• 调整 ISR 的设置；
• Broker 扩容。

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，应该为1；
• 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。

Broker 配置

Broker 级别有几个比较重要的配置，一般需要根据实际情况进行相应配置的：

• log.retention.{ms, minutes, hours} , log.retention.bytes：数据保存时间；
• 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，参见上面；
• 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；
• replica.fetch.response.max.bytes；
• zookeeper.session.timeout.ms = 30s；
• num.io.threads：默认为8，KafkaRequestHandlerPool 的大小。

Kafka 相关资源的评估

集群评估

• Broker 评估
• 每个 Broker 的 Partition 数不应该超过2k；
• 控制 partition 大小（不要超过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：
• 磁盘使用率应该在 60% 以下；
• 网络使用率应该在 75% 以下；
• 集群监控
• 保持负载均衡；
• 确保 topic 的 partition 均匀分布在所有 Broker 上；
• 确保集群的阶段没有耗尽磁盘或带宽。

Broker 监控

• Partition 数：kafka.server:type=ReplicaManager,name=PartitionCount；
• Leader 副本数：kafka.server:type=ReplicaManager,name=LeaderCount；
• ISR 扩容/缩容率：kafka.server:type=ReplicaManager,name=IsrExpandsPerSec；
• 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 的大小（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；
• 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）。

合理地设置 partition

• 根据吞吐量的要求设置 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；
• 更多的 partition，意味着：
• 更多的 fd；
• 可能增加 Unavailability（可能会增加不可用的时间）；
• 可能增加端到端的延迟；
• client 端将会使用更多的内存。

Partition 的增加将会带来以下几个优点和缺点：

• 增加吞吐量：对于 consumer 来说，一个 partition 只能被一个 consumer 线程所消费，适当增加 partition 数，可以增加 consumer 的并发，进而增加系统的吞吐量；
• 需要更多的 fd：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；
• 可能会增加数据不可用性（主要是指增加不可用时间）：主要是指 broker 宕机的情况，越多的 partition 将会意味着越多的 partition 需要 leader 选举（leader 在宕机这台 broker 的 partition 需要重新选举），特别是如果刚好 controller 宕机，重新选举的 controller 将会首先读取所有 partition 的 metadata，然后才进行相应的 leader 选举，这将会带来更大不可用时间；
• 可能增加 End-to-end 延迟：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；
• Client 将会需要更多的内存：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。

Producer 的相关配置、性能调优及监控

Quotas

• 避免被恶意 Client 攻击，保证 SLA；
• 设置 produce 和 fetch 请求的字节速率阈值；
• 可以应用在 user、client-id、或者 user 和 client-id groups；
• Broker 端的 metrics 监控：throttle-rate、byte-rate；
• replica.fetch.response.max.bytes：用于限制 replica 拉取请求的内存使用；
• 进行数据迁移时限制贷款的使用，kafka-reassign-partitions.sh -- -throttle option。

Kafka Producer

• 使用 Java 版的 Client；
• 使用 kafka-producer-perf-test.sh 测试你的环境；
• 设置内存、CPU、batch 压缩；
• batch.size：该值设置越大，吞吐越大，但延迟也会越大；
• linger.ms：表示 batch 的超时时间，该值越大，吞吐越大、但延迟也会越大；
• max.in.flight.requests.per.connection：默认为5，表示 client 在 blocking 之前向单个连接（broker）发送的未确认请求的最大数，超过1时，将会影响数据的顺序性；
• compression.type：压缩设置，会提高吞吐量；
• acks：数据 durability 的设置；
• 避免大消息
• 会使用更多的内存；
• 降低 Broker 的处理速度；

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。

Prodcuer 监控

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

Kafka Consumer 配置、性能调优及监控

Kafka Consumer

• 使用 kafka-consumer-perf-test.sh 测试环境；
• 吞吐量问题：
• partition 数太少；
• OS page cache：分配足够的内存来缓存数据；
• 应用的处理逻辑；
• offset topic（__consumer_offsets）
• offsets.topic.replication.factor：默认为3；
• offsets.retention.minutes：默认为1440，即 1day；
• – MonitorISR，topicsize；
• offset commit较慢：异步 commit 或 手动 commit。

Consumer 配置

• fetch.min.bytes 、fetch.max.wait.ms；
• 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；

Consumer 监控

Consumer 是否跟得上数据的发送速度。

• 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；

如何保证数据不丢

这个是常用的配置：

• Producer
• block.on.buffer.full=true
• retries=Long.MAX_VALUE
• acks=all
• max.in.flinght.requests.per.connection=1
• close producer
• Broker
• relication factor >= 3
• min.insync.replicas=2
• disable unclean leader election
• Consumer
• min.insync.replicas=2
• disable auto.buffer.full=true
• disable auto.buffer.full=true
• commit offsets only after the message are processed
• block.on.buffer.full：默认设置为 false，当达到内存设置时，可能通过 block 停止接受新的 record 或者抛出一些错误，默认情况下，Producer 将不会抛出 BufferExhaustException，而是当达到 max.block.ms 这个时间后直接抛出 TimeoutException。设置为 true 的意义就是将 max.block.ms 设置为 Long.MAX_VALUE，未来版本中这个设置将被遗弃，推荐设置 max.block.ms。

参考：

• Apache Kafka Best Pratices；
• 胡夕-【译】Kafka最佳实践 / Kafka Best Practices；
• How to choose the number of topics/partitions in a Kafka cluster?；
• File Descriptors and File Handles (and C)