作者 ｜ vivo 互聯(lián)網(wǎng)服務(wù)器團隊-Luo Mingbo

一、Kafka 集群部署架構(gòu)

為了讓讀者能與小編在后續(xù)的問題分析中有更好的共鳴，小編先與各位讀者朋友對齊一下我們 Kafka 集群的部署架構(gòu)及服務(wù)接入 Kafka 集群的流程。

為了避免超大集群我們按照業(yè)務(wù)維度將整個每天負(fù)責(zé)十萬億級消息的 Kafka 集群拆分成了多個 Kafka 集群。拆分粒度太粗會導(dǎo)致單一集群過大，容易由于流量突變、資源隔離、限速等原因?qū)е录悍€(wěn)定性和可用性受到影響，拆分粒度太細(xì)又會因為集群太多不易維護，集群內(nèi)資源較少應(yīng)對突發(fā)情況的抗風(fēng)險能力較弱。

由于 Kafka 數(shù)據(jù)存儲和服務(wù)在同一節(jié)點上導(dǎo)致集群擴縮容周期較長，遇到突發(fā)流量時不能快速實現(xiàn)集群擴容扛住業(yè)務(wù)壓力，因此我們按照業(yè)務(wù)維度和數(shù)據(jù)的重要程度及是否影響商業(yè)化等維度進行 Kafka 集群的拆分，同時在 Kafka 集群內(nèi)添加一層邏輯概念“資源組”，資源組內(nèi)的 Node 節(jié)點共享，資源組與資源組之間的節(jié)點資源相互隔離，確保故障發(fā)生時不會帶來雪崩效應(yīng)。

二、業(yè)務(wù)接入 Kafka 集群流程

• .在 Kafka 平臺注冊業(yè)務(wù)項目。
• 若項目的業(yè)務(wù)數(shù)據(jù)較為重要或直接影響商業(yè)化，用戶需申請創(chuàng)建項目獨立的資源組，若項目數(shù)據(jù)量較小且對數(shù)據(jù)的完整性要求不那么高可以直接使用集群提供的公共資源組無需申請資源組。
• 項目與邏輯概念資源組綁定。
• 創(chuàng)建 topic，創(chuàng)建 topic 時使用 Kafka 平臺提供的接口進行創(chuàng)建，嚴(yán)格遵守 topic 的分區(qū)分布只能在項目綁定的資源組管理的 broker 節(jié)點上。
• 授權(quán)對 topic 的讀寫操作。

通過上述的架構(gòu)部署介紹及接入流程接入介紹相信大家有很多相關(guān)知識點都與小編對齊了。

從部署架構(gòu)圖我們可以清晰的了解到我們這套集群部署在服務(wù)端最小的資源隔離單元為“資源組”即在同一個資源組下的多個broker節(jié)點之間會有影響，不同的資源組下的broker節(jié)點做了邏輯隔離。

上述的相關(guān)知識點對齊后我們將開啟我們的故障排查之旅。

三、故障情況介紹

故障發(fā)生時，故障節(jié)點所在資源組的多個 topic 流量幾乎全部掉零，生產(chǎn)環(huán)境我們對 Kafka 集群的磁盤指標(biāo)READ、WRITE、IO.UTIL、AVG.WAIT、READ.REQ、WRITE.REQ做了告警監(jiān)控，由于故障發(fā)生在凌晨，整個故障的處理過程持續(xù)實踐較長，導(dǎo)致了業(yè)務(wù)方長時間的topic流量整體掉零對業(yè)務(wù)造成不小的影響。

四、監(jiān)控指標(biāo)介紹

4.1 流量監(jiān)控情況

1、故障節(jié)點在故障發(fā)生時網(wǎng)絡(luò)空閑率出現(xiàn)短暫的掉零情況，且與生產(chǎn)流量監(jiān)控指標(biāo)一致。一旦生產(chǎn)流量上升故障節(jié)點的網(wǎng)絡(luò)空閑率就同步掉零。

2、Grafana 監(jiān)控指標(biāo)中topic生產(chǎn)流量幾乎全部掉零。

3、Kafka 平臺項目監(jiān)控中也體現(xiàn)了當(dāng)前項目的多個topic生產(chǎn)流量指標(biāo)掉零。

4.2 磁盤指標(biāo)監(jiān)控

SDF 盤的IO.UTIL指標(biāo)達(dá)到100%， 80%左右我們認(rèn)為是服務(wù)可穩(wěn)定運行的指標(biāo)閾值。

SDF 盤的AVG.WAIT指標(biāo)達(dá)到分鐘級等待，一般400ms左右的延遲我們認(rèn)為是服務(wù)可穩(wěn)定運行的閾值。

4.3 Kafka 服務(wù)端日志及系統(tǒng)日志情況

Kafka集群controller節(jié)點的日志中出現(xiàn)Input/Output error的錯誤日志。

Linux 系統(tǒng)日志中出現(xiàn)Buffer I/O error 的錯誤日志

五、故障猜想及分析

從上述的指標(biāo)監(jiān)控中很明顯的可以得出結(jié)論，故障原因是由于 Kafka broker節(jié)點的sdf盤磁盤故障導(dǎo)致的，只需在對應(yīng)的 Kafka broker 節(jié)點上將sdf盤踢掉重啟即可恢復(fù)。那這樣就結(jié)束了嗎 ?of course not。

對 Kafka 有一定認(rèn)識的小伙伴應(yīng)該都知道，創(chuàng)建topic時topic的分區(qū)是均勻分布到集群內(nèi)的不同broker節(jié)點上的，即使內(nèi)部某一臺broker節(jié)點故障，其他分區(qū)應(yīng)該能正常進行生產(chǎn)消費，如果其他分區(qū)能進行正常的生產(chǎn)和消費就不應(yīng)該出現(xiàn)整個topic的流量幾乎全掉零的情況。

如上圖所示，topicA 的三個分區(qū)分別分布在 brokerA、brokerB、brokerC三個物理主機節(jié)點上。

生產(chǎn)者producer向TopicA發(fā)送消息時會分別與brokerA、brokerB、brokerC三個物理主機節(jié)點建立長鏈接進行消息的發(fā)送，此時若 brokerB 節(jié)點發(fā)生故障無法向外部提供服務(wù)時按照我們的猜想應(yīng)該不會影響到brokerA和brokerC兩個節(jié)點繼續(xù)向producer提供接收消息的服務(wù)。

但從監(jiān)控指標(biāo)的數(shù)據(jù)展示來分析當(dāng)brokerB節(jié)點出現(xiàn)故障后topic整體流量掉零與我們的猜想大相徑庭。

既然是出現(xiàn)類似了服務(wù)雪崩的效應(yīng)導(dǎo)致了部分topic的整體流量幾乎掉零那么我們在猜想問題發(fā)生的原因時就可以往資源隔離的方向去思考，看看在整個過程中還有哪些地方涉及到資源隔離的環(huán)節(jié)進行猜想。

Kafka 服務(wù)端我們按照資源組的方式做了 Kafka broker的邏輯隔離且從Grafana監(jiān)控上可以看出有一些topic的流量并沒有嚴(yán)重掉零的情況，那么我們暫時將分析問題的目光轉(zhuǎn)移到 Kafka client端，去分析 Kafka producer的發(fā)送消息的過程是否存在有資源隔離地方?jīng)]有做隔離導(dǎo)致了整體的雪崩效應(yīng)。

六、Kafka 默認(rèn)分區(qū)器的分區(qū)規(guī)則

對 Kafka 生產(chǎn)流程流程有一定了解的同學(xué)肯定知道，Kafka 作為了大數(shù)據(jù)生態(tài)中海量數(shù)據(jù)的消息中間件，為了解決海量數(shù)據(jù)的并發(fā)問題 Kafka 在設(shè)計之初就采用了客戶端緩沖消息，當(dāng)消息達(dá)到一定批量時再進行批量消息的發(fā)送。

通過一次網(wǎng)絡(luò)IO將批量的數(shù)據(jù)發(fā)送到 Kafka 服務(wù)端。關(guān)于Kafka producer客戶端緩沖區(qū)的設(shè)計小編后續(xù)會單獨一個篇幅進行深入的探索，鑒于篇幅問題不再此處進行詳細(xì)分析。

基于此處的分析我們對一批消息發(fā)送到一個故障節(jié)點時的容錯方案可以有以下猜想：

• 快速失敗，記錄故障節(jié)點信息。下次進行消息路由時只路由到健康的節(jié)點上。快速釋放消息緩沖內(nèi)存。
• 快速失敗，記錄故障節(jié)點信息，下次進行消息路由時當(dāng)消息路由到故障節(jié)點上時直接報錯，快速釋放緩沖區(qū)內(nèi)存。
• 等待超時，當(dāng)次消息等待超時后，下次進行消息路由時依然會出現(xiàn)路由到故障節(jié)點上的情況，且每次等待超時時間后才釋放占用的資源。

上述猜想中，如果是第一種情況，那么每次消息路由只路由到健康的節(jié)點上不會出現(xiàn)雪崩效應(yīng)耗盡客戶端緩沖區(qū)資源的情況;

第二種情況，當(dāng)消息路由到故障節(jié)點上時，直接拒絕分配緩沖區(qū)資源也不會造成雪崩效應(yīng);

第三種情況，每次需要在一個或多個超時時間后才能將故障節(jié)點所占用的客戶端緩沖區(qū)資源釋放，在海量消息發(fā)送的場景下一個超時時間周期內(nèi)故障節(jié)點上的消息足以將客戶端緩沖區(qū)資源耗盡，導(dǎo)致其他可用分區(qū)無法分配客戶端緩沖區(qū)資源導(dǎo)致出現(xiàn)雪崩效應(yīng)。

帶著上述的猜想打開kafka client producer的源代碼分析下defaultPartitioner的分區(qū)規(guī)則得到如下的分配邏輯：

發(fā)送消息時是否指定了分區(qū)，若指定了分區(qū)那消息就直接發(fā)往該分區(qū)無需重新路由分區(qū)。

消息是否指定了key，若消息指定了key，使用key的hash值與topic的分區(qū)數(shù)進行模運算，得出消息路由的分區(qū)號(對應(yīng)第三種猜想)。

消息未指定分區(qū)也未指定key，使用自增變量與topic的可用分區(qū)進行模運算，得出消息路由的分區(qū)號(對應(yīng)第一種猜想)。

七、總結(jié)

• 從源碼中分析出若發(fā)送消息的時候指定了key，并使用的是 Kafka producer默認(rèn)的分區(qū)分配器請款下會出現(xiàn) Kafka producer 客戶端緩沖區(qū)資源被耗盡而出現(xiàn)topic所有分區(qū)雪崩效應(yīng)。
• 跟業(yè)務(wù)系統(tǒng)同學(xué)了解了他們的發(fā)送邏輯確實在消息發(fā)送指定了key并使用的是 Kafka producer的默認(rèn)分區(qū)分配器。
• 問題得到論證。

八、建議

• 若非必要發(fā)送消息時不要指定key，否則可能會出現(xiàn)topic所有分區(qū)雪崩效應(yīng)。
• 若確實需要發(fā)送消息指定key，建議不要使用Kafka producer默認(rèn)的分區(qū)分配器，因為指定key的情況下使用 Kafka producer的默認(rèn)分區(qū)分配器會出現(xiàn)雪崩效應(yīng)。