关注 spark技术分享,
撸spark源码 玩spark最佳实践

干货|kafka最佳实践

这里翻译一篇关于 Kafka 实践的文章,内容来自 DataWorks Summit/Hadoop Summit 上一篇分享,PPT 参考 https://www.slideshare.net/HadoopSummit/apache-kafka-best-practices 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,直接不如正题。

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

干货|kafka最佳实践

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

    1. JDK 8 并且使用 G1 垃圾收集器;

    2. 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.bytesreplica.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。

关于 Partition 的设置可以参考这篇文章 https://www.confluent.io/blog/how-choose-number-topics-partitions-kafka-cluster ,这里简单讲述一下,Partition 的增加将会带来以下几个优点和缺点:

  1. 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;

  2. 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;

  3. 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;

  4. 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;

  5. 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

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,

干货|kafka最佳实践


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


大家都在看

spark sql源码系列:

是时候学习真正的spark技术了  从0到1认识 spark sql  spark sql 源码剖析 PushDownPredicate   spark sql 源码剖析 OptimizeIn 篇

structured streaming 系列:

structured streaming 原理剖析   structured streaming 碰上kafka structured streaming 是如何搞定乱序时间的

spark streaming 系列:

spark streaming 读取kafka各种姿势详解   spark streaming流式计算中的困境与解决之道 

spark core 系列:

彻底搞懂spark shuffle过程(1)  彻底搞懂spark shuffle过程(2)  spark内存管理-Tungsten框架探秘

spark 机器学习系列





关注【spark技术分享】


一起撸spark源码,一起玩spark最佳实践


干货|kafka最佳实践



原文始发于微信公众号(spark技术分享):干货|kafka最佳实践

赞(0) 打赏
未经允许不得转载:spark技术分享 » 干货|kafka最佳实践
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

关注公众号:spark技术分享

联系我们联系我们

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏