Kafka
体系架构
- Producers
- push message
- Brokers
- contain messages
- Consumers
- pull message
- Zookeeper Cluster
- manage kafka cluster config
- select leader
- rebalance consumer group
存储机制
Topic
- 一类消息，一个消息主题
Partition
- 一个 Topic 有多个 partition
- 每个 partition 为每个 consumer group 维护了一个 逻辑offset
- 一个 partition 在存储中对应一个目录，分成多个 segments
- 可以对 partition 做备份
- partition 内的消息是有序的
Segment
- 每个 segments 对应一个 .log 文件和一个 .index 文件，在磁盘中顺序存储消息（比随机写内存效率要高）
- .index 和 .log 文件的命名方式是以逻辑 offset 命名的，第一个 00000000.log（20位） 00000000.index，后面的可能是 00123123.log 00123123.index
- 分割是由配置决定的，分割的时间 或者 分割的大小
- .index 相当于一个索引文件，文件每行存放了一个局部 offset 和它在 .log 文件的偏移量，offset 是稀疏的，并非连贯的，用以减少 .index 存储
- .log 文件有自己的格式，会记录一些元素，以及各个元素的偏移量，所以只要找到偏移量，就能遍历下面的条数，找到对应的数据，二分查找（这个不太确定）
- 总结起来，根据 offset 查找对应的 .index，然后对 .index 进行二分查找，确定偏移量，然后从 .log 文件中根据偏移量查找每行数据，直到找到 offset 对应的那一条数据
高可靠 Tips：这种顺序存储机制保证了快速读写（顺序存储，索引），负载均衡（partition），快速过期删除（segment），以及容灾备份（replica）
Kafka 没有一个缓存机制，每次都要访问文件吗？
复制和同步
- HW HighWatermark
- 每个 partition（包括 partition 副本） 都会有一个 HW
- 这个 HW 决定了能读取的最大偏移量
- LEO LogEndOffset
- 每个 partition 也都会有一个 LEO
- 这个是真正的消息记录的截止位置
- ISR In-Sync-Replicas
- 每个 partition leader 维护了一个 ISR 列表，即副本同步队列，保存了 partition follower
- 如果 follower 过慢，则可能会被从列表删除
- replica.lag.time.max.ms
replica.lag.max.messages- OSR Out-Sync-Replicas
- 从 ISR 中被移除的会放在 OSR 中
- AR Assigned-Replicas
- OSR + ISR
kafka 的复制机制不是完全同步的，也不是单纯的异步复制
- 同步复制降低了吞吐率
- 异步复制可能会丢失数据
- ISR 可以很好的均衡上述两点
ISR 的信息都会反馈到 zookeeper 上，有两个地方会维护这个信息
- broker controller
- 负责管理 partition 和 replica 状态
- 重新分配 partition
- LeaderSelector 选举新的 partition leader，ISR，leader_epoch，controller_epoch
- 把相关消息推送给所有 replica
- partition leader
- 检查 ISR，更新 zk
ISR 包括了 partition leader 自身
replication=3 表示 算主有3个
数据可靠性和持久性
ack
- 1 leader 确认则可直接发送下一条数据
- 0 不用等 leader 确认
- -1 ISR 所有 follower 确认
- 当配置了 min.insync.replicas 这个参数，会发挥其功效，就是 至少这个数的 ISR 中的 follower 确定后才算提交成功，否则返回异常
担心切换 leader 时数据丢失，因为 leader 是否会选择最新的，而不是随机选的
在 -1 的情况下：
- kafka 同步，replication.factor >= 2 && min.insync.replicas >= 2，这种情况不会丢失数据
- 如果 kafka broker 宕机， ISR 中的 follower 没有全部同步，而返回了异常，这时候如果选择了已经同步的 follower，会造成数据重复
恢复后同步
- 要确保一致性
- 不会从 LEO 开始
- 会从 HW 开始
- 因为可能 LEO 可能没有同步完就 down 掉了，所以从 LEO 开始会多数据，造成不一致
leader 选举
- 不是少数服从多数，raft 这种是，zk 是，这种方式需要大量的副本
- 大量的副本会在大数据量下导致性能的急剧下降
- 很少在需要大量数据的系统中使用
- 常见的选举算法
- Zab
- Raft
- Paxos
- PacificA
- Viewstamped Replication
容错处理
如果某一个partition的所有replica都挂了，就无法保证数据不丢失了。这种情况下有两种可行的方案：
- 等待ISR中任意一个replica“活”过来，并且选它作为leader
- 选择第一个“活”过来的replica（并不一定是在ISR中）作为leader
默认会采用第二种
对于 某个 broker down 掉，可能导致服务不可用（可读不可写，ack=-1，replicas>1），这时候需要调整 min.insync.replicas = 1
Procduer 发送方式
-
producer.type=sync
-
可靠
-
producer.type=async
-
batch 方式
-
有数据丢失的危险
如果 producer 网络出现问题，没有收到 ack，也会重试，所以会出现 at least once；如果 consumer 设置了自动提交，那么在 producer 没出问题的前提下，是 exactly once。如果手动提交，在消费结束后提交，就是 at least once，如果在之前，就是 at most once，因为可能消费失败。所以为了保证 exactly once，需要消费后手动提交，并加入去重机制。
总结
要保证数据写入到Kafka是安全的，高可靠的，需要如下的配置：
- topic的配置：replication.factor>=3,即副本数至少是3个；2<=min.insync.replicas<=replication.factor
- broker的配置：leader的选举条件unclean.leader.election.enable=false（ISR中选取Leader）
- producer的配置：request.required.acks=-1(all)，producer.type=sync
测试表现：
- 当acks=-1时，Kafka发送端的TPS受限于topic的副本数量（ISR中），副本越多TPS越低；
- acks=0时，TPS最高，其次为1，最差为-1，即TPS：acks_0 > acks_1 > acks_-1；
- min.insync.replicas参数不影响TPS；
- partition的不同会影响TPS，随着partition的个数的增长TPS会有所增长，但并不是一直成正比关系，到达一定临界值时，partition数量的增加反而会使TPS略微降低；