作者 ｜ vivo 互聯(lián)網(wǎng)服務(wù)器團(tuán)隊(duì)-Luo Mingbo

一、Kafka 集群部署架構(gòu)

為了讓讀者能與小編在后續(xù)的問(wèn)題分析中有更好的共鳴，小編先與各位讀者朋友對(duì)齊一下我們 Kafka 集群的部署架構(gòu)及服務(wù)接入 Kafka 集群的流程。

為了避免超大集群我們按照業(yè)務(wù)維度將整個(gè)每天負(fù)責(zé)十萬(wàn)億級(jí)消息的 Kafka 集群拆分成了多個(gè) Kafka 集群。拆分粒度太粗會(huì)導(dǎo)致單一集群過(guò)大，容易由于流量突變、資源隔離、限速等原因?qū)е录悍€(wěn)定性和可用性受到影響，拆分粒度太細(xì)又會(huì)因?yàn)榧禾嗖灰拙S護(hù)，集群內(nèi)資源較少應(yīng)對(duì)突發(fā)情況的抗風(fēng)險(xiǎn)能力較弱。

由于 Kafka 數(shù)據(jù)存儲(chǔ)和服務(wù)在同一節(jié)點(diǎn)上導(dǎo)致集群擴(kuò)縮容周期較長(zhǎng)，遇到突發(fā)流量時(shí)不能快速實(shí)現(xiàn)集群擴(kuò)容扛住業(yè)務(wù)壓力，因此我們按照業(yè)務(wù)維度和數(shù)據(jù)的重要程度及是否影響商業(yè)化等維度進(jìn)行 Kafka 集群的拆分，同時(shí)在 Kafka 集群內(nèi)添加一層邏輯概念“資源組”，資源組內(nèi)的 Node 節(jié)點(diǎn)共享，資源組與資源組之間的節(jié)點(diǎn)資源相互隔離，確保故障發(fā)生時(shí)不會(huì)帶來(lái)雪崩效應(yīng)。

二、業(yè)務(wù)接入 Kafka 集群流程

• .在 Kafka 平臺(tái)注冊(cè)業(yè)務(wù)項(xiàng)目。
• 若項(xiàng)目的業(yè)務(wù)數(shù)據(jù)較為重要或直接影響商業(yè)化，用戶需申請(qǐng)創(chuàng)建項(xiàng)目獨(dú)立的資源組，若項(xiàng)目數(shù)據(jù)量較小且對(duì)數(shù)據(jù)的完整性要求不那么高可以直接使用集群提供的公共資源組無(wú)需申請(qǐng)資源組。
• 項(xiàng)目與邏輯概念資源組綁定。
• 創(chuàng)建 topic，創(chuàng)建 topic 時(shí)使用 Kafka 平臺(tái)提供的接口進(jìn)行創(chuàng)建，嚴(yán)格遵守 topic 的分區(qū)分布只能在項(xiàng)目綁定的資源組管理的 broker 節(jié)點(diǎn)上。
• 授權(quán)對(duì) topic 的讀寫操作。

通過(guò)上述的架構(gòu)部署介紹及接入流程接入介紹相信大家有很多相關(guān)知識(shí)點(diǎn)都與小編對(duì)齊了。

從部署架構(gòu)圖我們可以清晰的了解到我們這套集群部署在服務(wù)端最小的資源隔離單元為“資源組”即在同一個(gè)資源組下的多個(gè)broker節(jié)點(diǎn)之間會(huì)有影響，不同的資源組下的broker節(jié)點(diǎn)做了邏輯隔離。

上述的相關(guān)知識(shí)點(diǎn)對(duì)齊后我們將開(kāi)啟我們的故障排查之旅。

三、故障情況介紹

故障發(fā)生時(shí)，故障節(jié)點(diǎn)所在資源組的多個(gè) topic 流量幾乎全部掉零，生產(chǎn)環(huán)境我們對(duì) Kafka 集群的磁盤指標(biāo)READ、WRITE、IO.UTIL、AVG.WAIT、READ.REQ、WRITE.REQ做了告警監(jiān)控，由于故障發(fā)生在凌晨，整個(gè)故障的處理過(guò)程持續(xù)實(shí)踐較長(zhǎng)，導(dǎo)致了業(yè)務(wù)方長(zhǎng)時(shí)間的topic流量整體掉零對(duì)業(yè)務(wù)造成不小的影響。

四、監(jiān)控指標(biāo)介紹

4.1 流量監(jiān)控情況

1、故障節(jié)點(diǎn)在故障發(fā)生時(shí)網(wǎng)絡(luò)空閑率出現(xiàn)短暫的掉零情況，且與生產(chǎn)流量監(jiān)控指標(biāo)一致。一旦生產(chǎn)流量上升故障節(jié)點(diǎn)的網(wǎng)絡(luò)空閑率就同步掉零。

2、Grafana 監(jiān)控指標(biāo)中topic生產(chǎn)流量幾乎全部掉零。

3、Kafka 平臺(tái)項(xiàng)目監(jiān)控中也體現(xiàn)了當(dāng)前項(xiàng)目的多個(gè)topic生產(chǎn)流量指標(biāo)掉零。

4.2 磁盤指標(biāo)監(jiān)控

SDF 盤的IO.UTIL指標(biāo)達(dá)到100%， 80%左右我們認(rèn)為是服務(wù)可穩(wěn)定運(yùn)行的指標(biāo)閾值。

SDF 盤的AVG.WAIT指標(biāo)達(dá)到分鐘級(jí)等待，一般400ms左右的延遲我們認(rèn)為是服務(wù)可穩(wěn)定運(yùn)行的閾值。

4.3 Kafka 服務(wù)端日志及系統(tǒng)日志情況

Kafka集群controller節(jié)點(diǎn)的日志中出現(xiàn)Input/Output error的錯(cuò)誤日志。

Linux 系統(tǒng)日志中出現(xiàn)Buffer I/O error 的錯(cuò)誤日志

五、故障猜想及分析

從上述的指標(biāo)監(jiān)控中很明顯的可以得出結(jié)論，故障原因是由于 Kafka broker節(jié)點(diǎn)的sdf盤磁盤故障導(dǎo)致的，只需在對(duì)應(yīng)的 Kafka broker 節(jié)點(diǎn)上將sdf盤踢掉重啟即可恢復(fù)。那這樣就結(jié)束了嗎 ?of course not。

對(duì) Kafka 有一定認(rèn)識(shí)的小伙伴應(yīng)該都知道，創(chuàng)建topic時(shí)topic的分區(qū)是均勻分布到集群內(nèi)的不同broker節(jié)點(diǎn)上的，即使內(nèi)部某一臺(tái)broker節(jié)點(diǎn)故障，其他分區(qū)應(yīng)該能正常進(jìn)行生產(chǎn)消費(fèi)，如果其他分區(qū)能進(jìn)行正常的生產(chǎn)和消費(fèi)就不應(yīng)該出現(xiàn)整個(gè)topic的流量幾乎全掉零的情況。

如上圖所示，topicA 的三個(gè)分區(qū)分別分布在 brokerA、brokerB、brokerC三個(gè)物理主機(jī)節(jié)點(diǎn)上。

生產(chǎn)者producer向TopicA發(fā)送消息時(shí)會(huì)分別與brokerA、brokerB、brokerC三個(gè)物理主機(jī)節(jié)點(diǎn)建立長(zhǎng)鏈接進(jìn)行消息的發(fā)送，此時(shí)若 brokerB 節(jié)點(diǎn)發(fā)生故障無(wú)法向外部提供服務(wù)時(shí)按照我們的猜想應(yīng)該不會(huì)影響到brokerA和brokerC兩個(gè)節(jié)點(diǎn)繼續(xù)向producer提供接收消息的服務(wù)。

但從監(jiān)控指標(biāo)的數(shù)據(jù)展示來(lái)分析當(dāng)brokerB節(jié)點(diǎn)出現(xiàn)故障后topic整體流量掉零與我們的猜想大相徑庭。

既然是出現(xiàn)類似了服務(wù)雪崩的效應(yīng)導(dǎo)致了部分topic的整體流量幾乎掉零那么我們?cè)诓孪雴?wèn)題發(fā)生的原因時(shí)就可以往資源隔離的方向去思考，看看在整個(gè)過(guò)程中還有哪些地方涉及到資源隔離的環(huán)節(jié)進(jìn)行猜想。

Kafka 服務(wù)端我們按照資源組的方式做了 Kafka broker的邏輯隔離且從Grafana監(jiān)控上可以看出有一些topic的流量并沒(méi)有嚴(yán)重掉零的情況，那么我們暫時(shí)將分析問(wèn)題的目光轉(zhuǎn)移到 Kafka client端，去分析 Kafka producer的發(fā)送消息的過(guò)程是否存在有資源隔離地方?jīng)]有做隔離導(dǎo)致了整體的雪崩效應(yīng)。

六、Kafka 默認(rèn)分區(qū)器的分區(qū)規(guī)則

對(duì) Kafka 生產(chǎn)流程流程有一定了解的同學(xué)肯定知道，Kafka 作為了大數(shù)據(jù)生態(tài)中海量數(shù)據(jù)的消息中間件，為了解決海量數(shù)據(jù)的并發(fā)問(wèn)題 Kafka 在設(shè)計(jì)之初就采用了客戶端緩沖消息，當(dāng)消息達(dá)到一定批量時(shí)再進(jìn)行批量消息的發(fā)送。

通過(guò)一次網(wǎng)絡(luò)IO將批量的數(shù)據(jù)發(fā)送到 Kafka 服務(wù)端。關(guān)于Kafka producer客戶端緩沖區(qū)的設(shè)計(jì)小編后續(xù)會(huì)單獨(dú)一個(gè)篇幅進(jìn)行深入的探索，鑒于篇幅問(wèn)題不再此處進(jìn)行詳細(xì)分析。

基于此處的分析我們對(duì)一批消息發(fā)送到一個(gè)故障節(jié)點(diǎn)時(shí)的容錯(cuò)方案可以有以下猜想：

• 快速失敗，記錄故障節(jié)點(diǎn)信息。下次進(jìn)行消息路由時(shí)只路由到健康的節(jié)點(diǎn)上。快速釋放消息緩沖內(nèi)存。
• 快速失敗，記錄故障節(jié)點(diǎn)信息，下次進(jìn)行消息路由時(shí)當(dāng)消息路由到故障節(jié)點(diǎn)上時(shí)直接報(bào)錯(cuò)，快速釋放緩沖區(qū)內(nèi)存。
• 等待超時(shí)，當(dāng)次消息等待超時(shí)后，下次進(jìn)行消息路由時(shí)依然會(huì)出現(xiàn)路由到故障節(jié)點(diǎn)上的情況，且每次等待超時(shí)時(shí)間后才釋放占用的資源。

上述猜想中，如果是第一種情況，那么每次消息路由只路由到健康的節(jié)點(diǎn)上不會(huì)出現(xiàn)雪崩效應(yīng)耗盡客戶端緩沖區(qū)資源的情況;

第二種情況，當(dāng)消息路由到故障節(jié)點(diǎn)上時(shí)，直接拒絕分配緩沖區(qū)資源也不會(huì)造成雪崩效應(yīng);

第三種情況，每次需要在一個(gè)或多個(gè)超時(shí)時(shí)間后才能將故障節(jié)點(diǎn)所占用的客戶端緩沖區(qū)資源釋放，在海量消息發(fā)送的場(chǎng)景下一個(gè)超時(shí)時(shí)間周期內(nèi)故障節(jié)點(diǎn)上的消息足以將客戶端緩沖區(qū)資源耗盡，導(dǎo)致其他可用分區(qū)無(wú)法分配客戶端緩沖區(qū)資源導(dǎo)致出現(xiàn)雪崩效應(yīng)。

帶著上述的猜想打開(kāi)kafka client producer的源代碼分析下defaultPartitioner的分區(qū)規(guī)則得到如下的分配邏輯：

發(fā)送消息時(shí)是否指定了分區(qū)，若指定了分區(qū)那消息就直接發(fā)往該分區(qū)無(wú)需重新路由分區(qū)。

消息是否指定了key，若消息指定了key，使用key的hash值與topic的分區(qū)數(shù)進(jìn)行模運(yùn)算，得出消息路由的分區(qū)號(hào)(對(duì)應(yīng)第三種猜想)。

消息未指定分區(qū)也未指定key，使用自增變量與topic的可用分區(qū)進(jìn)行模運(yùn)算，得出消息路由的分區(qū)號(hào)(對(duì)應(yīng)第一種猜想)。

七、總結(jié)

• 從源碼中分析出若發(fā)送消息的時(shí)候指定了key，并使用的是 Kafka producer默認(rèn)的分區(qū)分配器請(qǐng)款下會(huì)出現(xiàn) Kafka producer 客戶端緩沖區(qū)資源被耗盡而出現(xiàn)topic所有分區(qū)雪崩效應(yīng)。
• 跟業(yè)務(wù)系統(tǒng)同學(xué)了解了他們的發(fā)送邏輯確實(shí)在消息發(fā)送指定了key并使用的是 Kafka producer的默認(rèn)分區(qū)分配器。
• 問(wèn)題得到論證。

八、建議

• 若非必要發(fā)送消息時(shí)不要指定key，否則可能會(huì)出現(xiàn)topic所有分區(qū)雪崩效應(yīng)。
• 若確實(shí)需要發(fā)送消息指定key，建議不要使用Kafka producer默認(rèn)的分區(qū)分配器，因?yàn)橹付╧ey的情況下使用 Kafka producer的默認(rèn)分區(qū)分配器會(huì)出現(xiàn)雪崩效應(yīng)。