什么时候使用消息队列简单来说3 个关键词异步/消峰/解耦可以理解为我做完了后面的我不管了工作太多了先放一放我慢慢处理怎么产生的我不管/怎么处理我不管以下图为例用户提交评论中 写入数据库后存在需要捕捉评论事件的多个逻辑步骤。如果在接口处理过程中顺序的处理不同的步骤非常繁琐。我们可以批量的通知各个步骤(异步),无需返回直接处理当次的支付其他逻辑(解耦)。看起来就清爽多了另外消息队列也可以作为缓存暂存发出的消息不再需要考虑调用各个步骤时时延逻辑的异常场景。本文以讲解 kafka 中的可靠性设计为例其它消息队列的选型暂不涉及。Kafka 基本概念在回答文章前面的问题之前需要简单介绍一下各种概念。Kafka 从拓扑上分有如下角色Consumer: 消费者一般以 API 形式存在于各个业务 svr 中Producer: 生产者一般以 API 形式存在于各个业务 svr 中Kafka broker: kafka 集群中的服务器topic 里的消息数据存在上面Producer 采用发送 push 的方式将消息发到 broker 上broker 存储后。由 consumer 采用 pull 模式订阅并消费消息。如图所示Kafka 从存储结构上有如下角色Topickafka 处理的消息的逻辑大类集合可以理解为表。写入不同的 topic 即写入不同的表。Partition: Topic 下的物理分组1 个 topic 可以分为多个 partition, 每个 partition 是一个有序的队列(大文件)。Partition 中每一条消息都有一个有序的 offset。Msg: 消息通信的基本单位。每个 msg 在 topic 下的不同 partiton 仅有一份在 partition 中有一个唯一的 offset 用于定位。Replica: 副本partition 的数据冗余备份用于实现分布式的数据可靠性但引入了不同副本间的数据一致性问题带来了一定的复杂度。Leader/follower: replica 的角色leader replica 用来提供该 partition 的读写服务。Follower 不停的从 leader 侧同步写入的消息。它们之间的消息状态采用一致性策略来解决。Kakfa 的存储格式为了方便后文更好的理解 broker 上的消息状态一致性策略需要简单介绍一下消息的存储格式。当 Producer 发送一条消息到 broker 中, 会根据分配 partition 规则选择被存储到哪一个 partition, 如果 partition 规则设置的合理消息会均匀的分布到不同的 partition 里这样就实现了水平扩展。Pruducer 可以认为 partition 是一个大的串行文件msg 存储时被分配一个唯一的 offset。Offset 是一个逻辑意义上的偏移用于区分每一条消息。而 partition 本身作为文件可以有多个多个副本 replica(leader/follower)。多个 replica 分布在在不同的 broker 上。如果要回答如何在 broker 之间保证存储的消息和状态不会丢失就要回答 broker 之间的各个 replica 的消息状态一致性如何解决包括 producer 已经提交了哪些消息哪些消息已经落地哪些消息在节点故障后不会丢失。异步发送时的消息可靠性保证回到文章开头提到的几个问题在使用 kafka 消息队列做异步发送时如何保证消息的可靠性如何回答开头的几个问题这里要分为 3 个部分讲解可靠性保证。生产者的可靠性保证回答生产者的可靠性保证即回答发消息之后有么有 ack发消息收到 ack 后是不是消息就不会丢失了 而 Kafka 通过配置来指定 producer 生产者在发送消息时的 ack 策略代码语言javascriptAI代码解释Request.required.acks-1 (全量同步确认强可靠性保证) Request.required.acks 1(leader 确认收到, 默认) Request.required.acks 0 (不确认但是吞吐量大)如果想实现 kafka 配置为 CP(Consistency Partition tolerance) 系统, 配置需要如下:代码语言javascriptAI代码解释request.required.acks-1 min.insync.replicas ${N/2 1} unclean.leader.election.enable false如图所示在 acks-1 的情况下新消息只有被 ISR 中的所有 follower(f1 和 f2, f3) 都从 leader 复制过去才会回 ack, ack 后无论那种机器故障情况(全部或部分), 写入的 msg4都不会丢失 消息状态满足一致性 C 要求。正常情况下所有 follower 复制完成后leader 回 producer ack。异常情况下如果当数据发送到 leader 后部分副本(f1 和 f2 同步) leader 挂了此时任何 follower 都有可能变成新的 leader producer 端会得到返回异常producer 端会重新发送数据但这样数据可能会重复(但不会丢失) 暂不考虑数据重复的情况。min.insync.replicas 参数用于保证当前集群中处于正常同步状态的副本 follower 数量当实际值小于配置值时集群停止服务。如果配置为 N/21, 即多一半的数量则在满足此条件下通过算法保证强一致性。当不满足配置数时牺牲可用性即停服。异常情况下leader 挂掉此时需要重新从 follower 选举 leader。可以为 f2 或者 f3。如果选举 f3 为新 leader, 则可能会发生消息截断因为 f3 还未同步 msg4 的数据。Kafka 的通 unclean.leader.election.enable 来控制在这种情况下是否可以选举 f3 为 leader。旧版本中默认为 true,在某个版本下已默认为 false避免这种情况下消息截断的出现。通过 ack 和 min.insync.replicas 和 unclean.leader.election.enable 的配合保证在 kafka 配置为 CP 系统时要么不工作要么得到 ack 后消息不会丢失且消息状态一致。min.insync.replicas 参数默认值为 1即满足高可用性只要有 1 台能工作即可。但此时可工作的 broker 状态不一定正确(可以想象为啥)如果想实现 kafka 配置为 AP(Availability Partition tolerance)系统代码语言javascriptAI代码解释request.required.acks1 min.insync.replicas 1 unclean.leader.election.enable false当配置为 acks1 时即 leader 接收消息后回 ack这时会出现消息丢失的问题如果 leader 接受到了 第 4 条消息此时还没有同步到 follower 中leader 机器挂了其中一个 follower 被选为 leader, 则 第 4 条消息丢失了。当然这个也需要 unclean.leader.election.enable 参数配置为 false 来配合。但是 leader 回 ack 的情况下follower 未同步的概率会大大提升。通过 producer 策略的配置和 kafka 集群通用参数的配置可以针对自己的业务系统特点来进行合理的参数配置在通讯性能和消息可靠性下寻得某种平衡。Broker 的可靠性保证消息通过 producer 发送到 broker 之后还会遇到很多问题Partition leader 写入成功 follower 什么时候同步Leader 写入成功消费者什么时候能读到这条消息Leader 写入成功后leader 重启重启后消息状态还正常嘛Leader 重启如何选举新的 leader这些问题集中在 消息落到 broker 后集群通过何种机制来保证不同副本建的消息状态一致性。Kafka 消息备份和同步Kafka 通过分区的多副本策略来解决消息的备份问题。通过 HW 和 LEO 的标识来对应 ISR 和 OSR 的概念用于类比共识性算法解决数据同步一致性的问题。分区多副本即前文提到的 Partition 的 replica(副本) 分布在跟 partition 不相同的机器上 通过数据冗余保证故障自动转移。而不同副本的状态形成了 ISR 和 OSR 的概念。ISR : leader 副本保持一定同步的 follower 副本, 包括 leader 副本自己叫 In Sync ReplicaAR: 所有副本 (replicas) 统称为 assigned replicas, 即 AROSR: follower 同 leader 同步数据有一些延迟的节点ISR 是 kafka 的同步策略中独有的概念区别于 raft 等共识性算法。Raft 要求集群中要求 N/21 台正常其在这种条件下通过复杂的算法保证选举出的新 leader 符合一致性状态。而 kafka 的 ISR 同步策略通过 ISR 列表的可伸缩性和 HWLEO 更新一定程度上解决了消息一致性和吞吐性能之间的平衡。ISR 通过 HW 和 LEO 的概念表示消息的同步状态HW: Highwater, 俗称高水位它表示了一个特定的消息偏移量(offset), 在一个 parttion 中 consumer 只能拉取这个 offset 之前的消息(此 offset 跟 consumer offset 不是一个概念) LEO: LogEndOffset, 日志末端偏移量, 用来表示当前日志文件中下一条写入消息的 offsetleader HW: 该 Partititon 所有副本的 LEO 最小值follower HW:min(follower 自身 LEO 和 leader HW)Leader HW 所有副本 LEO 最小值Follower HW min(follower 自身 LEO 和 leader HW)。Leader 不仅保存了自己的 HW LEO 还保存了远端副本的 HW LEO简单来说每个副本都有 HW 和 LEO 的存储而 leader 不但保存自己的 HW 和 LEO, 还保存了每个远端副本的 LEO。用于在自身的 HW 更新时计算值。可以看出由于 LEO 远端存储的特性其实会导致副本真实的 LEO 和 leader 存储的 LEO 有短暂的数值差异者会带来一些问题后面再讲。HW 和 LEO 的更新策略如下一次完整的写请求的 HW / LEO 更新流程1. 初始状态Leader 所有的 HWLEO 都为 0 follower 与 leader 建立连接follower fetch leader, follower 所有 HWLEO 都为 02. Follower 第一次 fetch:Producer 发来一条消息到 leader, 此时 leader 的 LEO1, follower 带着自己的 HWLEO(都为 0) 开始 fetch, leader 的 HWmin(all follower LEO)0, leader 记录 follower 的 LEO0follower 拉取到一条消息带着消息和 leader 的 HW(0)LEO(1)返回自身更新自己的 LEO1, 更新自己的 HWmin(follower 自身 LEO(1) 和 leader HW(0))03. Follower 第二次 fetch:Follower 带着自己的 HW(0)LEO(1) 去请求 leader .此时 leader 的 HW 更新为 1leader 保存的 follower 的 LEO 更新为 1带着 leader 的 HW(1)LEO(1)返回自身更新自己的 HWLEO此时回到刚才提到的问题这种 HW 和 LEO 更新策略有个很明显的问题即 follower 的 HW 更新需要 follower 的 2 轮 fetch 中的 leader 返回才能更新 而 Leader 的 HW 已更新。这之间如果 follower 和 leader 的节点发生故障则 follower 的 HW 和 leader 的 HW 会处于不一致状态带来比较多的一致性问题。比如如下场景Leader 更新完分区 HW 后follower HW 还未更新此时 follower 重启Follower 重启后LEO 设置为之前的 follower HW 值(0), 此时发生消息截断(临时状态)Follower 重新同步 leader, 此时 leader 宕机则不选举则不可用Follower 被选举为 leader, 则 msg 1 永久丢失了在 kafka 配置为 AP 系统的情况下由于 min.insync.replicas 为 1 这种重启后 follower 发生截断发生的概率会大大提升 而在多个副本存在的情况下情况可能还会更加糟糕。而 kafka 新版本为了解决这个 HWLEO 的同步机制更新缺陷引入了 Epoch 的概念。Leader epoch 分两部分组成:Epoch : 版本号。每当副本领导权发生变更时都会增加该版本号。小版本号的 Leader 被认为是过期 Leader不能再行使 Leader 权力。起始位移Start Offset。Leader 副本在该 Epoch 值上写入的首条消息的位移。Leader epoch(1, 120) 说明这个 leader 的版本号为 1版本的起始位置是 第 120 条消息开始的。Kafka Broker 会在内存中为每个分区都缓存 Leader Epoch 数据同时它还会定期地将这些信息持久化到一个 checkpoint 文件中。当 Leader 副本写入消息到磁盘时Broker 会尝试更新这部分缓存。如果该 Leader 是首次写入消息那么 Broker 会向缓存中增加一个 Leader Epoch 条目否则就不做更新。这样每次有 Leader 变更时新的 Leader 副本会查询这部分缓存取出对应的 Leader Epoch 的起始位移以避免数据丢失和不一致的情况。示图如下:Kafka 通过 ISR 的同步机制及优化策略用 HW LEO 的方式很好的确保了数据不丢失以及吞吐率。而 ISR 的管理最终都会反馈到 Zookeeper 上其实现和 leader 的选举策略不再赘述。Consumer 的可靠性策略Consumer 的可靠性策略集中在 consumer 的投递语义上即何时消费消费到什么按消费是否会丢消费是否会重复这些语义场景可以通过 kafka 消费者的而部分参数进行配置简单来说有以下 3 中场景1. AutoCommitat most once, commit 后挂实际会丢enable.auto.commit trueauto.commit.interval.ms配置如上的 consumer 收到消息就返回正确给 brocker, 但是如果业务逻辑没有走完中断了实际上这个消息没有消费成功。这种场景适用于可靠性要求不高的业务。其中 auto.commit.interval.ms 代表了自动提交的间隔。比如设置为 1s 提交 1 次那么在 1s 内的故障重启会从当前消费 offset 进行重新消费时1s 内未提交但是已经消费的 msg, 会被重新消费到。2. 手动 Commitat least once, commit 前挂就会重复, 重启还会丢enable.auto.commit false配置为手动提交的场景下业务开发者需要在消费消息到消息业务逻辑处理整个流程完成后进行手动提交。如果在流程未处理结束时发生重启则之前消费到未提交的消息会重新消费到即消息显然会投递多次。此处应用与业务逻辑明显实现了幂等的场景下使用。特别应关注到在 golang 中 sarama 库的几个参数的配置代码语言javascriptAI代码解释sarama.offset.initial oldest, newest offsets.retention.minutesintitial oldest 代表消费可以访问到的 topic 里的最早的消息大于 commit 的位置但是小于 HW。同时也受到 broker 上消息保留时间的影响和位移保留时间的影响。不能保证一定能消费到 topic 起始位置的消息。如果设置为 newest 则代表访问 commit 位置的下一条消息。如果发生 consumer 重启且 autocommit 没有设置为 false, 则之前的消息会发生丢失再也消费不到了。在业务环境特别不稳定或非持久化 consumer 实例的场景下应特别注意。一般情况下 offsets.retention.minutes 为 1440s。3. Exactly once, 很难需要 msg 持久化和 commit 是原子的消息投递且仅投递一次的语义是很难实现的。首先要消费消息并且提交保证不会重复投递其次提交前要完成整体的业务逻辑关于消息的处理。在 kafka 本身没有提供此场景语义接口的情况下这几乎是不可能有效实现的。一般的解决方案也是进行原子性的消息存储业务逻辑异步慢慢的从存储中取出消息进行处理。