为保证producer发送的数据，能可靠的发送到指定的 topic，topic的每个partition收到producer发送的数据后，都需要向producer发送ack（acknowledgement确认收到 ），如果producer收到 ack 就会进行下一轮的发送，否则重新发送数据。
那么何时发送ack就是一个值得探讨的问题，因为为了提高集群的可靠性，每个topic的每个分区都有一定数量的副本数，发送ack之前必须要考虑这些副本中leader和follower的数据同步问题，必须确保follower中的数据和leader是保持同步的，这样才能确保在leader出现意外挂掉之后，在其他的follower中能够选出替代原有leader的副本作为新的leader。
副本的同步策略主要有两种，一种是所有的副本半数以上完成同步，就发送ack；另一种是所有副本全部完成同步，才能发送ack。它们的优缺点如下表所示：
KafKa选择了第二种同步策略，原因如下：
1. 同样为了容忍n 台节点的故障，第一种方案需要2n+1 个副本，而第二种方案只需要n+1个副本，而Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
2. 虽然第二种方案的网络延迟会比较高，但网络延迟对Kafka 的影响较小。
但是第二种策略也有缺陷，那就是如果所有副本中只要有一个follower挂掉了，那么多有的其他副本就无法发送ack。为了解决这个问题，就提出了一个解决方案--ISR（in-sync replica set），意思为和leader保持同步的follower集合。当这个集合中的follower完成数据的同步以后，leader就会给follower发送ack。如果follower长时间没有向leader同步数据，则该follower将被提出ISR，这个时间阈值由replica.lag.time.max.ms参数设定。Leader发送故障之后，就会从ISR中选举出新的leader。
follower能够进入ISR主要考虑的因素是leader和follower的通讯时间以及follower已经同步的数据量（越多越好），在KafKa的高版本之后，去掉了第二个条件，只保留了第一个。
对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等ISR中的follower全部接收成功。所以KafKa为用户提供了三种可靠性级别，用户根据可靠性和延迟的要求进行选择，对应的三个级别如下：
0：producer 不等待broker 的ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当broker 故障时有可能丢失数据；
1：producer 等待broker 的ack，partition 的leader 落盘成功后返回ack，如果在follower同步成功之前leader 故障，那么将会丢失数据；
-1（all）：producer 等待broker 的ack，partition 的leader 和follower 全部落盘成功后才返回ack。但是如果在follower 同步完成后，broker 发送ack 之前，leader 发生故障，那么会造成数据重复。
假设一个场景，对于某个分区的所有副本，leader含有十条数据，follower1同步了9条，follower2同步了8条，当follower1和follower2未完成同步的时候，leader挂掉了，此时两个follower需要重新选举leader，如果follower2成为了leader，那么此时就产生了数据不一致的问题。解决方法如下：
故障处理细节
LEO：指的是每个副本最大的offset；
HW：指的是消费者能见到的最大的offset，ISR 队列中最小的LEO。
如果leader发生故障挂掉了，那么会从ISR中选出一个新的leader，之后，为了保证多个副本之间的数据一致性，其余的follower会先将各自的log文件高于HW的部分截掉，然后从新的leader同步数据。
如果是follower发生故障，那么这个follower会先被临时剔除ISR，等待该follower恢复之后，follower 会读取本地磁盘记录的上次的HW，并将log文件高于HW 的部分截取掉，从HW开始向leader 进行同步。等该follower的LEO大于等于该Partition的HW，即follower追上leader之后，就可以重新加入ISR 了。
需要注意的是，这种方法只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。一致性包括消费一致性，即消费者见到的最大的offset是一致的；存储一致性，所有副本保持数据同步。