[[429455]]

大家好，我是武哥。

這是《吃透 MQ 系列》的連載：Kafka 高性能設計的下篇。在 上一篇文章 中，指出了高性能設計的兩個關鍵維度：計算和 IO，可以將它們理解成「道」。同時給出了 Kafka 高性能設計的全景圖，可以理解成「術」。

 

 

圖 1：Kafka 高性能設計的全景圖

這篇文章將繼續(xù)對存儲消息和消費消息的 8 條高性能設計手段，逐個展開分析，廢話不多說，開始發(fā)車。

一. 存儲消息的性能優(yōu)化手段

存儲消息屬于 Broker 端的核心功能，下面是它所采用的 4 條優(yōu)化手段。

 

 

1、IO 多路復用

對于 Kafka Broker 來說，要做到高性能，首先要考慮的是：設計出一個高效的網(wǎng)絡通信模型，用來處理它和 Producer 以及 Consumer 之間的消息傳遞問題。

先引用 Kafka 2.8.0 源碼里 SocketServer 類中一段很關鍵的注釋：

 

 

通過這段注釋，其實可以了解到 Kafka 采用的是：很典型的 Reactor 網(wǎng)絡通信模型，完整的網(wǎng)絡通信層框架圖如下所示：

 

 

圖 2：Kafka 網(wǎng)絡通信層的框架圖

通俗點記憶就是 1 + N + M：

• 1：表示 1 個 Acceptor 線程，負責監(jiān)聽新的連接，然后將新連接交給 Processor 線程處理。
• N：表示 N 個 Processor 線程，每個 Processor 都有自己的 selector，負責從 socket 中讀寫數(shù)據(jù)。
• M：表示 M 個 KafkaRequestHandler 業(yè)務處理線程，它通過調用 KafkaApis 進行業(yè)務處理，然后生成 response，再交由給 Processor 線程。

對于 IO 有所研究的同學，應該清楚：Reactor 模式正是采用了很經典的 IO 多路復用技術，它可以復用一個線程去處理大量的 Socket 連接，從而保證高性能。Netty 和 Redis 為什么能做到十萬甚至百萬并發(fā)?它們其實都采用了 Reactor 網(wǎng)絡通信模型。

2、磁盤順序寫

通過 IO 多路復用搞定網(wǎng)絡通信后，Broker 下一步要考慮的是：如何將消息快速地存儲起來?在 Kafka 存儲選型的奧秘 一文中提到了：Kafka 選用的是「日志文件」來存儲消息，那這種寫磁盤文件的方式，又究竟是如何做到高性能的呢?這一切得益于磁盤順序寫，怎么理解呢?Kafka 作為消息隊列，本質上就是一個隊列，是先進先出的，而且消息一旦生產了就不可變。這種有序性和不可變性使得 Kafka 完全可以「順序寫」日志文件，也就是說，僅僅將消息追加到文件末尾即可。有了順序寫的前提，我們再來看一個對比實驗，從下圖中可以看到：磁盤順序寫的性能遠遠高于磁盤隨機寫，甚至高于內存隨機寫。

 

 

圖3：磁盤和內存的 IO 速度對比

原因很簡單：對于普通的機械磁盤，如果是隨機寫入，性能確實極差，也就是隨便找到文件的某個位置來寫數(shù)據(jù)。但如果是順序寫入，因為可大大節(jié)省磁盤尋道和盤片旋轉的時間，因此性能提升了 3 個數(shù)量級。

3、Page Cache

磁盤順序寫已經很快了，但是對比內存順序寫仍然慢了幾個數(shù)量級，那有沒有可能繼續(xù)優(yōu)化呢?答案是肯定的。

這里 Kafka 用到了 Page Cache 技術，簡單理解就是：利用了操作系統(tǒng)本身的緩存技術，在讀寫磁盤日志文件時，其實操作的都是內存，然后由操作系統(tǒng)決定什么時候將 Page Cache 里的數(shù)據(jù)真正刷入磁盤。通過下面這個示例圖便一目了然。

 

 

圖4：Kafka 的 Page Cache 原理

那 Page Cache 究竟什么時候會發(fā)揮最大的威力呢?這又不得不提 Page Cache 所用到的兩個經典原理。Page Cache 緩存的是最近會被使用的磁盤數(shù)據(jù)，利用的是「時間局部性」原理，依據(jù)是：最近訪問的數(shù)據(jù)很可能接下來再訪問到。而預讀到 Page Cache 中的磁盤數(shù)據(jù)，又利用了「空間局部性」原理，依據(jù)是：數(shù)據(jù)往往是連續(xù)訪問的。而 Kafka 作為消息隊列，消息先是順序寫入，而且立馬又會被消費者讀取到，無疑非常契合上述兩條局部性原理。因此，頁緩存可以說是 Kafka 做到高吞吐的重要因素之一。

除此之外，頁緩存還有一個巨大的優(yōu)勢。用過 Java 的人都知道：如果不用頁緩存，而是用 JVM 進程中的緩存，對象的內存開銷非常大(通常是真實數(shù)據(jù)大小的幾倍甚至更多)，此外還需要進行垃圾回收，GC 所帶來的 Stop The World 問題也會帶來性能問題。可見，頁緩存確實優(yōu)勢明顯，而且極大地簡化了 Kafka 的代碼實現(xiàn)。

4、分區(qū)分段結構

磁盤順序寫加上頁緩存很好地解決了日志文件的高性能讀寫問題。但是如果一個 Topic 只對應一個日志文件，顯然只能存放在一臺 Broker 機器上。當面對海量消息時，單機的存儲容量和讀寫性能肯定有限，這樣又引出了又一個精妙的存儲設計：對數(shù)據(jù)進行分區(qū)存儲。我在 Kafka 架構設計的任督二脈 一文中詳細解釋了分區(qū)(Partition)的概念和作用，它是 Kafka 并發(fā)處理的最小粒度，很好地解決了存儲的擴展性問題。隨著分區(qū)數(shù)的增加，Kafka 的吞吐量得以進一步提升。其實在 Kafka 的存儲底層，在分區(qū)之下還有一層：那便是「分段」。簡單理解：分區(qū)對應的其實是文件夾，分段對應的才是真正的日志文件。

 

 

圖5：Kafka 的 分區(qū)分段存儲

每個 Partition 又被分成了多個 Segment，那為什么有了 Partition 之后，還需要 Segment 呢?

如果不引入 Segment，一個 Partition 只對應一個文件，那這個文件會一直增大，勢必造成單個 Partition 文件過大，查找和維護不方便。此外，在做歷史消息刪除時，必然需要將文件前面的內容刪除，只有一個文件顯然不符合 Kafka 順序寫的思路。而在引入 Segment 后，則只需將舊的 Segment 文件刪除即可，保證了每個 Segment 的順序寫。

二. 消費消息的性能優(yōu)化手段

Kafka 除了要做到百萬 TPS 的寫入性能，還要解決高性能的消息讀取問題，否則稱不上高吞吐。下面再來看看 Kafka 消費消息時所采用的 4 條優(yōu)化手段。

 

 

1、稀疏索引

如何提高讀性能，大家很容易想到的是：索引。Kafka 所面臨的查詢場景其實很簡單：能按照 offset 或者 timestamp 查到消息即可。如果采用 B Tree 類的索引結構來實現(xiàn)，每次數(shù)據(jù)寫入時都需要維護索引(屬于隨機 IO 操作)，而且還會引來「頁分裂」這種比較耗時的操作。而這些代價對于僅需要實現(xiàn)簡單查詢要求的 Kafka 來說，顯得非常重。所以，B Tree 類的索引并不適用于 Kafka。相反，哈希索引看起來卻非常合適。為了加快讀操作，如果只需要在內存中維護一個「從 offset 到日志文件偏移量」的映射關系即可，每次根據(jù) offset 查找消息時，從哈希表中得到偏移量，再去讀文件即可。(根據(jù) timestamp 查消息也可以采用同樣的思路)但是哈希索引常駐內存，顯然沒法處理數(shù)據(jù)量很大的情況，Kafka 每秒可能會有高達幾百萬的消息寫入，一定會將內存撐爆。可我們發(fā)現(xiàn)消息的 offset 完全可以設計成有序的(實際上是一個單調遞增 long 類型的字段)，這樣消息在日志文件中本身就是有序存放的了，我們便沒必要為每個消息建 hash 索引了，完全可以將消息劃分成若干個 block，只索引每個 block 第一條消息的 offset 即可，先根據(jù)大小關系找到 block，然后在 block 中順序搜索，這便是 Kafka “稀疏索引” 的設計思想。

 

 

圖6：Kafka 的稀疏索引設計

采用 “稀疏索引”，可以認為是在磁盤空間、內存空間、查找性能等多方面的一個折中。有了稀疏索引，當給定一個 offset 時，Kafka 采用的是二分查找來高效定位不大于 offset 的物理位移，然后找到目標消息。

2、mmap

利用稀疏索引，已經基本解決了高效查詢的問題，但是這個過程中仍然有進一步的優(yōu)化空間，那便是通過 mmap(memory mapped files) 讀寫上面提到的稀疏索引文件，進一步提高查詢消息的速度。

• 注意：mmap 和 page cache 是兩個概念，網(wǎng)上很多資料把它們混淆在一起。此外，還有資料談到 Kafka 在讀 log 文件時也用到了 mmap，通過對 2.8.0 版本的源碼分析，這個信息也是錯誤的，其實只有索引文件的讀寫才用到了 mmap.

究竟如何理解 mmap?前面提到，常規(guī)的文件操作為了提高讀寫性能，使用了 Page Cache 機制，但是由于頁緩存處在內核空間中，不能被用戶進程直接尋址，所以讀文件時還需要通過系統(tǒng)調用，將頁緩存中的數(shù)據(jù)再次拷貝到用戶空間中。而采用 mmap 后，它將磁盤文件與進程虛擬地址做了映射，并不會招致系統(tǒng)調用，以及額外的內存 copy 開銷，從而提高了文件讀取效率。

 

 

圖7：mmap 示意圖，引自《碼農的荒島求生》

關于 mmap，好友小風哥寫過一篇很通俗的文章： mmap 可以讓程序員解鎖哪些騷操作?大家可以參考。具體到 Kafka 的源碼層面，就是基于 JDK nio 包下的 MappedByteBuffer 的 map 函數(shù)，將磁盤文件映射到內存中。至于為什么 log 文件不采用 mmap?其實是一個特別好的問題，這個問題社區(qū)并沒有給出官方答案，網(wǎng)上的答案只能揣測作者的意圖。個人比較認同 stackoverflow 上的這個答案：

mmap 有多少字節(jié)可以映射到內存中與地址空間有關，32 位的體系結構只能處理 4GB 甚至更小的文件。Kafka 日志通常足夠大，可能一次只能映射部分，因此讀取它們將變得非常復雜。然而，索引文件是稀疏的，它們相對較小。將它們映射到內存中可以加快查找過程，這是內存映射文件提供的主要好處。

3、零拷貝

消息借助稀疏索引被查詢到后，下一步便是：將消息從磁盤文件中讀出來，然后通過網(wǎng)卡發(fā)給消費者，那這一步又可以怎么優(yōu)化呢?Kafka 用到了零拷貝(Zero-Copy)技術來提升性能。所謂的零拷貝是指數(shù)據(jù)直接從磁盤文件復制到網(wǎng)卡設備，而無需經過應用程序，減少了內核和用戶模式之間的上下文切換。

下面這個過程是不采用零拷貝技術時，從磁盤中讀取文件然后通過網(wǎng)卡發(fā)送出去的流程，可以看到：經歷了 4 次拷貝，4 次上下文切換。

 

 

圖8：非零拷貝技術的流程圖，引自《艾小仙》

如果采用零拷貝技術(底層通過 sendfile 方法實現(xiàn))，流程將變成下面這樣。可以看到：只需 3 次拷貝以及 2 次上下文切換，顯然性能更高。

 

 

圖9：零拷貝技術的流程圖，引自《艾小仙》

4、批量拉取

和生產者批量發(fā)送消息類似，消息者也是批量拉取消息的，每次拉取一個消息集合，從而大大減少了網(wǎng)絡傳輸?shù)?overhead。另外，在 Kafka 精妙的高性能設計(上篇) 中介紹過，生產者其實在 Client 端對批量消息進行了壓縮，這批消息持久化到 Broker 時，仍然保持的是壓縮狀態(tài)，最終在 Consumer 端再做解壓縮操作。

三. 寫在最后

以上就是 Kafka 12 條高性能設計手段的詳解，這兩篇文章先從 IO 和計算兩個維度進行宏觀上的切入，然后順著 MQ 一發(fā)一存一消費的脈絡，從微觀上解構了 Kafka 高性能的全景圖。可以說 Kafka 在高性能設計方面是教科書式的存在，它從 Prodcuer 、到 Broker、再到 Consumer，在掏空心思地優(yōu)化每一個細節(jié)，最終才做到了單機每秒幾十萬 TPS 的極致性能。

最后，希望本文的分析技巧可以幫助你吃透其他高性能的中間件。我是武哥，我們下期見!