KafkaMirrorMaker 的不足以及一些改进

背景

某系统使用 Kafka 存储实时的行情数据，为了保证数据的实时性，需要在多地机房维护多个 Kafka 集群，并将行情数据同步到这些集群上。

一个常用的方案就是官方提供的 KafkaMirrorMaker 方案：

该方案的优点是能尽可能保证两个 Kafka 集群的数据一致（为了避免网络故障导致丢数据，要将其与 Kafka Cluster B 部署在同个机房），并且使用者无需进行开发工作，只需要进行响应的配置即可。

存在的问题

行情数据具有数据量大且时效性强的特点：

• 跨机房同步行情数据会消耗较多的专线带宽
• 网络故障恢复后继续同步旧数据意义不大并且可能引起副作用（行情数据延迟较大意味着已经失效）

因此 KafkaMirrorMaker 的同步方式存在以下两个不合理的地方：

• 无法实现多机房广播，会造成专线带宽浪费（多个机房同时拉取同一份数据）
• 单个 Producer 可能成为系统吞吐量的瓶颈（降低一致性以提高性能）

Producer 发送链路

主要的发送流程发送流程如下：

    private Future<RecordMetadata> doSend(ProducerRecord<K, V> record, Callback callback) {
        TopicPartition tp = null;
        try {
            // 1. 阻塞获取集群信息，超时后抛出异常
            ClusterAndWaitTime clusterAndWaitTime = waitOnMetadata(record.topic(), record.partition(), maxBlockTimeMs);
            Cluster cluster = clusterAndWaitTime.cluster;

            // 2. 序列化要发送的数据
            byte[] serializedKey = keySerializer.serialize(record.topic(), record.headers(), record.key());
            byte[] serializedValue = valueSerializer.serialize(record.topic(), record.headers(), record.value());

            // 3. 决定数据所属的分区
            int partition = partition(record, serializedKey, serializedValue, cluster);
            tp = new TopicPartition(record.topic(), partition);

            // 4. 将数据追加到发送缓冲，等待发送线程异步发送
            RecordAccumulator.RecordAppendResult result = accumulator.append(tp, timestamp, serializedKey,
                    serializedValue, headers, interceptCallback, remainingWaitMs);

            // 5. 唤醒异步发送线程，将缓冲中的消息发送给 brokers
            if (result.batchIsFull || result.newBatchCreated) {
                this.sender.wakeup();
            }
            return result.future;
        } catch (Exception e) {
            // ...
        }
    }

决定分区

Producer 的功能是向某个 topic 的某个分区消息，所以它首先需要确认到底要向 topic 的哪个分区写入消息：

    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 为空，使用 round-robin 策略确认目标分区（保证数据均匀）
            int nextValue = nextValue(topic);
            return Utils.toPositive(nextValue) % numPartitions;
        } else {
            // 如果 key 不为空，使用 key 的 hash 值确认目标分区（保证数据有序）
            return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;
        }
    }

追加缓冲

为了保证防止过量消息积压在内存中，每个 Producer 会设置一个内存缓冲，其大小由buffer.memory选项控制。

如果缓冲区的数据超过该值，会导致Producer.send方法阻塞，等待内存释放（记录被发送出去或超时后被清理）：

    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 {
            // 如果缓冲中存在未满的 ProducerBatch，则会尝试将记录追加到其中
            // ...

            // 估计记录所需要的空间
            byte maxUsableMagic = apiVersions.maxUsableProduceMagic();
            int size = Math.max(this.batchSize, AbstractRecords.estimateSizeInBytesUpperBound(maxUsableMagic, compression, key, value, headers));

            // 分配内存空间给当前记录
            // 如果内存空间不足则会阻塞等待内存空间释放，如果超过等待时间会抛出异常
            buffer = free.allocate(size, maxTimeToBlock);
            synchronized (dq) {

                // 再次尝试向现存的 ProducerBatch 中追加数据，如果成功则直接返回
                RecordAppendResult appendResult = tryAppend(timestamp, key, value, headers, callback, dq);
                if (appendResult != null) {
                    return appendResult;
                }

                // 新建 ProducerBatch 并将当前记录追加到其中
                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);
        }
    }

异步发送

每个 Producer 都有一个发送线程，该线程会不停地调用Sender.sendProducerData方法将缓冲中的 RecordBatch 发送出去：

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

        // 获取就绪的 broker 节点信息，准备发送
        RecordAccumulator.ReadyCheckResult result = this.accumulator.ready(cluster, now);

        if (!result.unknownLeaderTopics.isEmpty()) {
            // 如果部分 topic 没有 leader 节点，则触发强制刷新
            for (String topic : result.unknownLeaderTopics)
                this.metadata.add(topic);
            this.metadata.requestUpdate();
        }

        // 根据就绪 broker 节点信息，获取缓冲中对应的 ProducerBatch，准备发送
        Map<Integer, List<ProducerBatch>> batches = this.accumulator.drain(cluster, result.readyNodes,
                this.maxRequestSize, now);
        if (guaranteeMessageOrder) {
            // 排除已经检查过的分区，避免重复检查
            for (List<ProducerBatch> batchList : batches.values()) {
                for (ProducerBatch batch : batchList)
                    this.accumulator.mutePartition(batch.topicPartition);
            }
        }

        // 清理已经过期的 ProducerBatch 数据，释放被占用的缓冲内存
        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 节点已经就绪，则将 pollTimeout 设置为 0
        // 这是为了避免不必要的等待，让内存中的数据能够尽快被发送出去
        long pollTimeout = Math.min(result.nextReadyCheckDelayMs, notReadyTimeout);
        if (!result.readyNodes.isEmpty()) {
            pollTimeout = 0;
        }

        // 通过 NetworkClient -> NetworkChannel -> TransportLayer
        // 最终将将消息写入 NIO 的 Channel
        sendProduceRequests(batches, now);

        return pollTimeout;
    }

优化方案

从前面的分析我们可以得知以下两点信息：

• 每个 Producer 有一个内存缓冲区，当空间耗尽后会阻塞等待内存释放
• 每个 Producer 有一个异步发送线程，且只维护一个 socket 连接（每个 broker 节点）

为了提高转发效率、节省带宽，使用 Java 复刻了一版 KafkaMirrorMaker 并进行了一些优化：

• 支持将一个集群的数据广播到多个集群
• 使用多个 Producer 同时进行转发提高效率

数据保序

如果同时使用多个 Producer，可能在转发过程中发生数据乱序，折中的策略是根据 key 的 hash 值来选择 Producer，保证 key 相同的数据会使用通过 Producer 进行发送：

    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

多集群广播虽然能够一定程度上节省流量与机器资源，但是同时需要面对多个集群间发送速度不一致的问题。

极端情况下，如果其中某个机房的专线发生故障，Producer 会阻塞等待消息超时。当过量消息积压在 Queue 中，会导致 JMV 频繁的 FullGC，最终影响到对另一个机房的转发。

为了处理这一情况，需要在发送队列上加上水位线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() {
        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());
        }
    }

为了实现高效的数据丢弃，使用BlockingQueue.drainTo减少锁开销：

public class WatermarkKeeper extends AbstractCollection<byte[]> {

    private final int maxDiscardCount;  // 丢弃消息数量上限
    private final long maxDiscardBytes; // 丢弃消息字节上限

    private int count;  // 实际丢弃的消息数
    private long bytes; // 实际丢弃消息字节数

    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");
    }

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

监控优化

不使用 KafkairrorMaker 的另一个重要原因是其 JMX 监控不友好：

• RMI 机制本身存在安全隐患
• JMX 监控定制化比较繁琐（使用 jolokia 也无法解决这一问题）

一个比较好的方式是使用 SpringBoot2 的 micrometer 框架实现监控：

    // 监控注册表（底层可以接入不同的监控平台）
    @Autowired
    private MeterRegistry meterRegistry;

    // 接入 Kafka 的监控信息
    new KafkaClientMetrics(consumer).bindTo(meterRegistry);
    new KafkaClientMetrics(producer).bindTo(meterRegistry);

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

通过这一方式能够最大程度地利用现有可视化监控工具，减少不必要地开发工作。