KafkaMirrorMaker 的不足以及一些改進

背景

某系統使用 Kafka 存儲實時的行情數據，為了保證數據的實時性，需要在多地機房維護多個 Kafka 集群，並將行情數據同步到這些集群上。

一個常用的方案就是官方提供的 KafkaMirrorMaker 方案：

該方案的優點是能盡可能保證兩個 Kafka 集群的數據一致（為了避免網絡故障導致丟數據，要將其與 Kafka Cluster B 部署在同個機房），並且使用者無需進行開發工作，只需要進行響應的配置即可。

存在的問題

行情數據具有數據量大且時效性強的特點：

• 跨機房同步行情數據會消耗較多的專線帶寬
• 網絡故障恢復后繼續同步舊數據意義不大並且可能引起副作用（行情數據延遲較大意味着已經失效）

因此 KafkaMirrorMaker 的同步方式存在以下兩個不合理的地方：

• 無法實現多機房廣播，會造成專線帶寬浪費（多個機房同時拉取同一份數據）
• 單個 Producer 可能成為系統吞吐量的瓶頸（降低一致性以提高性能）

Producer 發送鏈路

主要的發送流程發送流程如下：

    private Future<RecordMetadata> doSend(ProducerRecord<K, V> record, Callback callback) {
        TopicPartition tp = null;
        try {
            // 1. 阻塞獲取集群信息，超時后拋出異常
            ClusterAndWaitTime clusterAndWaitTime = waitOnMetadata(record.topic(), record.partition(), maxBlockTimeMs);
            Cluster cluster = clusterAndWaitTime.cluster;

            // 2. 序列化要發送的數據
            byte[] serializedKey = keySerializer.serialize(record.topic(), record.headers(), record.key());
            byte[] serializedValue = valueSerializer.serialize(record.topic(), record.headers(), record.value());

            // 3. 決定數據所屬的分區
            int partition = partition(record, serializedKey, serializedValue, cluster);
            tp = new TopicPartition(record.topic(), partition);

            // 4. 將數據追加到發送緩沖，等待發送線程異步發送
            RecordAccumulator.RecordAppendResult result = accumulator.append(tp, timestamp, serializedKey,
                    serializedValue, headers, interceptCallback, remainingWaitMs);
            
            // 5. 喚醒異步發送線程，將緩沖中的消息發送給 brokers
            if (result.batchIsFull || result.newBatchCreated) {
                this.sender.wakeup();
            }
            return result.future;
        } catch (Exception e) {
            // ...
        }
    }

決定分區

Producer 的功能是向某個 topic 的某個分區消息，所以它首先需要確認到底要向 topic 的哪個分區寫入消息：

    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        List<PartitionInfo> partitions = cluster.partitionsForTopic(topic);
        int numPartitions = partitions.size();
        if (keyBytes == null) { 
            // 如果 key 為空，使用 round-robin 策略確認目標分區（保證數據均勻）
            int nextValue = nextValue(topic);
            return Utils.toPositive(nextValue) % numPartitions;
        } else {
            // 如果 key 不為空，使用 key 的 hash 值確認目標分區（保證數據有序）
            return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;
        }
    }

追加緩沖

為了保證防止過量消息積壓在內存中，每個 Producer 會設置一個內存緩沖，其大小由buffer.memory選項控制。
如果緩沖區的數據超過該值，會導致Producer.send方法阻塞，等待內存釋放（記錄被發送出去或超時后被清理）：

    public RecordAppendResult append(TopicPartition tp,
                                     long timestamp,
                                     byte[] key,
                                     byte[] value,
                                     Header[] headers,
                                     Callback callback,
                                     long maxTimeToBlock) throws InterruptedException {
        ByteBuffer buffer = null;
        if (headers == null) headers = Record.EMPTY_HEADERS;
        try {
            // 如果緩沖中存在未滿的 ProducerBatch，則會嘗試將記錄追加到其中
            // ...

            // 估計記錄所需要的空間
            byte maxUsableMagic = apiVersions.maxUsableProduceMagic();
            int size = Math.max(this.batchSize, AbstractRecords.estimateSizeInBytesUpperBound(maxUsableMagic, compression, key, value, headers));
            
            // 分配內存空間給當前記錄
            // 如果內存空間不足則會阻塞等待內存空間釋放，如果超過等待時間會拋出異常
            buffer = free.allocate(size, maxTimeToBlock);
            synchronized (dq) {
               
                // 再次嘗試向現存的 ProducerBatch 中追加數據，如果成功則直接返回
                RecordAppendResult appendResult = tryAppend(timestamp, key, value, headers, callback, dq);
                if (appendResult != null) {
                    return appendResult;
                }

                // 新建 ProducerBatch 並將當前記錄追加到其中
                MemoryRecordsBuilder recordsBuilder = recordsBuilder(buffer, maxUsableMagic);
                ProducerBatch batch = new ProducerBatch(tp, recordsBuilder, time.milliseconds());
                FutureRecordMetadata future = Utils.notNull(batch.tryAppend(timestamp, key, value, headers, callback, time.milliseconds()))
                ;
                dq.addLast(batch);

                buffer = null;
                return new RecordAppendResult(future, dq.size() > 1 || batch.isFull(), true);
            }
        } finally {
            if (buffer != null)
                free.deallocate(buffer);
        }
    }

異步發送

每個 Producer 都有一個發送線程KafkaProducer.ioThread，該線程會不停地調用Sender.sendProducerData方法將緩沖中的 RecordBatch 發送出去：

    private long sendProducerData(long now) {
        Cluster cluster = metadata.fetch();

        // 獲取就緒的 broker 節點信息，准備發送
        RecordAccumulator.ReadyCheckResult result = this.accumulator.ready(cluster, now);

        if (!result.unknownLeaderTopics.isEmpty()) {
            // 如果部分 topic 沒有 leader 節點，則觸發強制刷新
            for (String topic : result.unknownLeaderTopics)
                this.metadata.add(topic);
            this.metadata.requestUpdate();
        }

        // 根據就緒 broker 節點信息，獲取緩沖中對應的 ProducerBatch，准備發送
        Map<Integer, List<ProducerBatch>> batches = this.accumulator.drain(cluster, result.readyNodes,
                this.maxRequestSize, now);
        if (guaranteeMessageOrder) {
            // 排除已經檢查過的分區，避免重復檢查
            for (List<ProducerBatch> batchList : batches.values()) {
                for (ProducerBatch batch : batchList)
                    this.accumulator.mutePartition(batch.topicPartition);
            }
        }

        // 清理已經過期的 ProducerBatch 數據，釋放被占用的緩沖內存
        List<ProducerBatch> expiredBatches = this.accumulator.expiredBatches(this.requestTimeout, now);
        if (!expiredBatches.isEmpty())
            log.trace("Expired {} batches in accumulator", expiredBatches.size());
        for (ProducerBatch expiredBatch : expiredBatches) {
            failBatch(expiredBatch, -1, NO_TIMESTAMP, expiredBatch.timeoutException(), false);
        }

        // 如果任意 broker 節點已經就緒，則將 pollTimeout 設置為 0
        // 這是為了避免不必要的等待，讓內存中的數據能夠盡快被發送出去
        long pollTimeout = Math.min(result.nextReadyCheckDelayMs, notReadyTimeout);
        if (!result.readyNodes.isEmpty()) {
            pollTimeout = 0;
        }

        // 通過 NetworkClient -> NetworkChannel -> TransportLayer
        // 最終將將消息寫入 NIO 的 Channel
        sendProduceRequests(batches, now);

        return pollTimeout;
    }

優化方案

從前面的分析我們可以得知以下兩點信息：

• 每個 Producer 有一個內存緩沖區，當空間耗盡后會阻塞等待內存釋放
• 每個 Producer 有一個異步發送線程，且只維護一個 socket 連接（每個 broker 節點）

為了提高轉發效率、節省帶寬，使用 Java 復刻了一版 KafkaMirrorMaker 並進行了一些優化：

• 支持將一個集群的數據廣播到多個集群
• 使用多個 Producer 同時進行轉發提高效率

數據保序

如果同時使用多個 Producer，可能在轉發過程中發生數據亂序，折中的策略是根據 key 的 hash 值來選擇 Producer，保證 key 相同的數據會使用同個 Producer 進行發送：

    void send(ConsumerRecord<byte[], byte[]> message) {
        ProducerRecord record = new ProducerRecord<>(message.topic(), message.key(), message.value());
        int hash = Math.abs(Arrays.hashCode(message.key()));
        producers[hash % producers.length].send(record, onSend);
    }

水位控制

多集群廣播雖然能夠一定程度上節省流量與機器資源，但是需要處理多個集群間發送速度不一致的問題。

極端情況下，如果其中某個機房的專線發生故障，Producer 會阻塞等待消息超時。當過量消息積壓在 Queue 中，會導致 JMV 頻繁的 FullGC，最終影響到對另一個機房的轉發。

為了處理這一情況，需要在發送隊列上加上水位線watermark限制：

    interface Watermark {
        default long high() { return Long.MAX_VALUE;  }
        default long low()  { return 0; }
    }

    final BlockingQueue<byte[]> messageQueue = new LinkedBlockingQueue<>();
    final AtomicLong messageBytes = new AtomicLong();

    private void checkWatermark(Watermark bytesWatermark) {
        long bytesInQueue = messageBytes.get();
        if (bytesInQueue > bytesWatermark.high()) {
            long discardBytes = bytesInQueue - bytesWatermark.low();
            WatermarkKeeper keeper = new WatermarkKeeper(Integer.MAX_VALUE, discardBytes);
            keeper.discardMessage(messageQueue);
            long remainBytes = messageBytes.addAndGet(-discard.bytes());
        }
    }

為了實現高效的數據丟棄，使用BlockingQueue.drainTo減少鎖開銷：

public class WatermarkKeeper extends AbstractCollection<byte[]> {

    private final int maxDiscardCount;  // 丟棄消息數量上限
    private final long maxDiscardBytes; // 丟棄消息字節上限

    private int count;  // 實際丟棄的消息數
    private long bytes; // 實際丟棄消息字節數

    public MessageBlackHole(int maxDiscardCount, long maxDiscardBytes) {
        this.maxDiscardCount = maxDiscardCount;
        this.maxDiscardBytes = maxDiscardBytes;
    }

    public void discardMessage(BlockingQueue<byte[]> queue) {
        try {
            queue.drainTo(this);
        } catch (StopDiscardException ignore) {}
    }

    @Override
    public boolean add(byte[] record) {
        if (count >= maxDiscardCount || bytes >= maxDiscardBytes) {
            throw new StopDiscardException();
        }
        count++;
        bytes += record.length;
        return true;
    }

    @Override
    public int size() {
        return count;
    }

    public long bytes() {
        return bytes;
    }

    @Override
    public Iterator<byte[]> iterator() {
        throw new UnsupportedOperationException("iterator");
    }

    // 停止丟棄
    private static class StopDiscardException extends RuntimeException {
        @Override
        public synchronized Throwable fillInStackTrace() {
            return this;
        }
    }
}

監控優化

不使用 KafkairrorMaker 的另一個重要原因是其 JMX 監控不友好：

• RMI 機制本身存在安全隱患
• JMX 監控定制化比較繁瑣（使用 jolokia 也無法解決這一問題）

一個比較好的方式是使用 SpringBoot2 的 micrometer 框架實現監控：

    // 監控注冊表（底層可以接入不同的監控平台）
    @Autowired
    private MeterRegistry meterRegistry;

    // 接入 Kafka 的監控信息
    new KafkaClientMetrics(consumer).bindTo(meterRegistry);
    new KafkaClientMetrics(producer).bindTo(meterRegistry);

    // 接入自定義監控信息
    Gauge.builder("bytesInQueue", messageBytes, AtomicLong::get)
         .description("Estimated message bytes backlog in BlockingQueue")
         .register(meterRegistry);

通過這一方式能夠最大程度地利用現有可視化監控工具，減少不必要地開發工作。