去哪儿kafka优化案例

一、背景介绍

集群概况

去哪儿旅行当前KAFKA日志集群节点145台。单机配置：3TSSD盘，40核，128G内存。

业务背景

日志KAFKA集群承载了全司的APPCODE日志，比如我们常用的QTRACE日志，以及实时离线数仓数据。体量非常大。
春节高峰每分钟流量1.3TP，每分钟接收20亿条数据。
每天数据流量1.5PB ,每天接收消息条数超过两万亿。

日志集群架构图

二、术语介绍

KAFKA术语

Broker: kafka集群中的一个节点。
网络闲置率：是kafka服务的一个重要指标，即网络线程池线程平均的空闲比例，通常用于衡量集群的繁忙程度。集群没有流量时为最大值1，随着集群压力变大会逐渐变小，达到0.3以下集群性能就会达到瓶颈，就表明你的网络线程池非常繁忙，集群无法保证读写请求的及时处理，造成生产丢数已经消费堆积的问题。需要通过增加网络线程数或将负载转移给其他服务器的方式，来给该 Broker 减负。
请求队列：客户端发起的请求首先存放在这个队列，服务端拉取请求并进行处理。主要包含了消费以及生产请求。

kubernetes术语

kubernetes 是个基于容器技术的分布式集群管理系统，或者说是容器编排、管理的编排平台。
pod 是 k8s 中的最小调度单元，应用以此作为载体调度运行。pod 内可以只有一个容器也可以包含多个容器，共享网络命名空间、存储资源等，我们的filebeat 运行环境便是随着业务 pod 中注入一个 filebeat sidecar 容器来进行业务日志收集。

三、KAFKA生产痛点

痛点一

无法抗住23年春节压测，在压测高峰期，部分客户端无法正常消费，出现堆积，并且也无法正常生产数据，压测期间采取了降级措施来保证集群的稳定。
节日高峰期，整个集群的处理能力大幅缩减，需要人工对高压力机器进行负载均衡。

痛点二

公司压测期间集群网络闲置率已经降低到0.4以下，部分机器闲置率接近于0，集群处于压力瓶颈的边缘，已经无法通过增加机器来解决集群本身的性能问题了。
下图是集群高峰期的网络闲置率，每条线代表一台服务器。

个别机器闲置率接近于0，代表当前KAFKA机器处理能力已经达到上限了。

四、优化过程

从现象及后面的测试发现，增加节点可以解决，但会产生巨大的成本。同时，机器层面还未达到瓶颈，这说明是服务本身需要优化，因此我们着重去优化kafka本身。

综合考虑后发现有两个外界因素在影响这个指标，一个是数据量变大，另一个是高峰期pod扩展较多，网络链接数变大。但具体什么问题需要精确定位，我们准备从日志、机器硬件指标、应用指标逐个排查。

排查日志
通过对网络闲置率低的机器进行排查，服务端并没有明显的日志报错，日志无法定位具体问题。
硬件层面排查
闲置率低的机器排查机器本身的资源使用，发现网卡流量、磁盘使用率、内存使用、cpu使用都没有达到上限、下面是各个指标的监控图：
网络流量监控，压测期间入口流量有所上涨，出口流量上涨不明显

磁盘IO监控，可以发现压测期间IO使用率有所上涨，但并没有达到上限

内存监控，内存没有明显的变化

cpu在压测期间反而在下降，充分说明集群性能此时已经出现问题

tcp链接数没有明显变化，说明长链接并没有大的变化

参数优化
影响网络闲置率最直接的两个参数就是io线程数和网络线程数。
系统默认值 num.io.threads=3、num.network.threads=8 这两个参数分别是代表磁盘IO的线程数量、处理网络请求的线程数量。这两个值集群已经做过优化，继续调大之后并没有效果。

原参数
num.io.threads=32
num.network.threads=64
修改后参数
num.io.threads=128
num.network.threads=64

网络架构分析
深入分析KAFKA架构，从客户端发起请求，到客户端处理逻辑流程进行深入分析。其中包含了客户端的发起请求后，服务端如何接收请求，以及如何处理请求后，反馈给客户端。
基于此分析，发现了KAFKA集群缺失了很多重要的监控信息，比如请求队列大小，请求耗时，客户端请求量。于是我们根据网络架构进行必要的监控添加，用于发现瓶颈。

增加监控
kafka服务的各项指标，都是从jmx中获取，由于jmx中有大量指标，我们平时获取只关注了重点部分指标，这次准备把可能有关联的相关指标都打出来观察。
增加了下面这些指标：RequestQueueSize大小，ResponseQueueSize大小，日志刷盘持续时长，BROKER生产请求数，Produce耗时指标 P999，FetchFollower耗时指标 P999，FetchConsumer耗时指标P999 ，TotalFetchRequestsPerSec，TotalProduceRequestsPerSec。
添加指标后经过观察，趋势有相关的指标有 RequestQueueSize大小、日志刷盘持续时长、BROKER生产请求数，下面重点排查这些指标。
刷盘时间指标验证
当闲置率低的时候，发现刷盘时间也在增长，刷盘时间有两部分因素控制，一部分是Kafka本身的参数，另一部分就是磁盘的IO。我们通过两部分的测试来验证是否有关联。
Kafka 的刷盘时间指的是将数据从内存刷新到持久存储设备（如硬盘）所需的时间。Kafka 的性能直接影响其可以处理的消息量，而这个时间就是影响这一性能的一个关键因素。刷盘时间相关重要的两个参数为
log.flush.interval.messages: 在日志文件的缓冲区中积累指定数量的消息后，触发一次刷盘操作。
log.flush.interval.ms: 在日志文件的缓冲区中积累指定时间后，触发一次刷盘操作。
通过对这两个参数的不同数值的调整，最后发现对闲置率没有影响。

log.flush.interval.messages=10000
log.flush.interval.ms=1000

对于磁盘IO的影响，线上我们都是用单盘提供服务，如果我们改用双盘，两个盘理论上是单盘IO两倍的性能，但是加盘之后，同样的压测数据，对闲置率没有影响。

单盘闲置率0.67

双盘闲置率0.68

请求数指标验证
kafka每个broker会有一个请求队列，这个队列有一个默认值大小。当队列打满的时候说明服务端无法快速消化大量打过来的请求，这个指标和【BROKER生产请求数】指标可以对应上。同时也可以解释外部的两个因素，流量上涨和pod扩容。
通过测试环境确认，当broker请求量达到一定值以后，请求队列逐步打满，闲置率开始下降，cpu使用率开始下降，复现了线上的现象。
确认了问题的关键是请求量之后，需要想办法降低请求量，kafka的请求在filebeat客户端。我们需要研究filebeat的参数配置。
从filebeat官网确认，涉及到批次发送的有两个参数bulk_flush_frequency 和 bulk_max_size，线上使用的filebeat没有配置这两个参数。
其中含义如下：
bulk_flush_frequency 批量发送kafka request需要等待的时间，默认0不等待；
bulk_max_size 单次kafka request请求批量的消息数量，默认2048；
针对这两个参数我们做了测试：
测试结果
由于单条数据量不同会产生不同的效果，我们对不同的的数据长度做了测试，针对我司日志特点（单条日志大小），最后得到一个最优的组合如下，增加了这俩参数后，KAFKA TOPIC在不丢数的情况下，请求数降低了10倍左右。
相关参数

bulk_flush_frequency: 0.1
bulk_max_size: 1024

数据样本1测试结果 平均数据长度: 1.62KB

数据样本2测试结果 平均数据长度: 606KB

SNAPPY压缩测试

从上面测试结果可以看到不同的批次下，网卡流量会有变化，这个现象最初我们理解为kafka性能的下降。通过测试发现，批次提高后压缩比会提高，网络层面也是一个间接的优化效果。而且不光是网络，磁盘也会有节约，下面是不同批次下的压缩数据测试。

通过测试可以发现，条数超过50条的时候压缩比基本保持一致。这里的数据单条1KB。

五、方案验证及上线

线上灰度测试
找到线上的一些代表性的topic进行测试，测试结果符合预期，生产请求数降到原来的1/10，所在机器闲置率提高0.02-0.06，同时分区所在机器CPU使用降低了5个点。

上线
灰度测试没问题后，开始发布线上版本，但线上应用，需要重新发布才能生效。发布一周后效果明显，cpu、网络流量、磁盘都有不同程度的资源节约。
下面是上线一周后的数据：
CPU从52%掉到34%

请求数从6亿掉到3.5亿

六、优化效果，所有集群节省2000核CPU

日志集群：节省了1334核CPU

集群指标	上线前	上线后	备注
平均cpu使用率	55%	32%	节省资源1454023%=1334核
平均网络闲置率	0.72	0.93	请求量变少
客户端请求量	6亿/分	2.3亿/分	请求量变少
平均网络流量	2.5G	2G	改为批次发送后，压缩比更高，网络流量降低
平均磁盘使用量	44%	35%	改为批次发送后，kafka服务端存储压缩比更高