消息中间件的应用场景
- 异步解耦
- 削峰填谷
- 顺序收发
- 分布式事务一致性
腾讯应用案例：
主流 MQ 框架及对比
说明
- Kafka：整个行业应用广泛
- RocketMQ：阿里，从 apache 孵化
- Pulsar：雅虎开源，符合云原生架构的消息队列，社区活跃
- RabbitMQ 架构比较老，AMQP并没有在主流的 MQ 得到支持
- NSQ：内存型，不是最优选择
- ActiveMQ、ZeroMQ 可忽略
Kafka 优点
- 非常成熟，生态丰富，与 Hadoop 连接紧密
- 吞吐非常高，可用性高
- sharding
- 提升 replication 速度
- 主要功能：pub-sub，压缩支持良好
- 可按照 at least once, at most once 进行配置使用，exactly once 需要 Consumer 配合
- 集群部署简单，但 controller 逻辑很复杂，实现partition 的多副本、数据一致性
- controller 依赖 ZooKeeper
- 异步刷磁盘（除了钱的业务，很少有同步 flush 的需求）
Kafka 缺点
- 写入延时稳定性问题，partition 很多时
- Kafka 通常用机械盘，随机写造成吞吐下降和延时上升
- 100ms ~ 500ms
- 运维的复杂性
- 单机故障后补充副本
- 数据迁移
- 快手的优化：迁移 partition 时旧数据不动，新数据写入新 partition 一定时间后直接切换
RocketMQ
- 阿里根据 Kafka 改造适应电商等在线业务场景
- 以牺牲性能为代价增强功能
- 按 key 对消息查询，维护 hash 表，影响 io
- 为了在多 shard 场景下保证写入延迟稳定，在 broker 级别将所有 shard 当前写入的数据放入一个文件，形成 commitlog list，放若干个 index 文件维护逻辑 topic 信息，造成更多的随机读
- 没有中心管理节点，现在看起来并没有什么用，元数据并不多
- 高精度的延迟消息（快手已支持秒级精度的延迟消息）
Pulsar
- 存储、计算分离，方便扩容
- 存储：bookkeeper
- MQ逻辑：无状态的 broker 处理
发展趋势
- 云原生
- 批流一体：跑任务时，需要先把 Kafka 数据→HDFS，资源消耗大。如果本来就存在 HDFS，能节省很大资源
- Serverless
各公司发展
- 快手：Kafka
- 所有场景均在使用
- 特殊形态的读写分离
- 数据实时消费到 HDFS
- 在有明显 lag 的 consumer 读取时，broker 把请求从本地磁盘转发的 HDFS
- 不会因为有 lag 的 consumer 对日常读写造成明显的磁盘随机读写
- 由于自己改造，社区新功能引入困难
- 阿里巴巴：开源 RocketMQ
- 字节跳动
- 在线场景：NSQ→RocketMQ
- 离线场景：Kafka→自研的存储计算分类的 BMQ（协议层直接兼容Kafka，用户可以不换 client）
- 百度：自研的 BigPipe，不怎么样
- 美团：Kafka 架构基础上用 Java 进行重构，内部叫 Mafka
- 腾讯：部分使用了自研的 PhxQueue，底层是 KV 系统
- 滴滴：DDMQ
- 对 RocketMQ 和 Kafka 进行封装
- 多机房数据一致性可能有问题
- 小米：自研 Talos
- 架构类似 pulsar，存储是 HDFS，读场景有优化
Kafka
- Kafka官网：https://kafka.apache.org/documentation/#uses
- 最新版本：2.7
Kafka 是什么？
- 开源的消息引擎系统（消息队列/消息中间件）
- 分布式流处理平台
- 发布/订阅模型
- 削峰填谷
Kafka 术语
- Topic：发布订阅的主题
- Producer：向Topic发布消息的客户端
- Consumer：消费者
- Consumer Group：消费者组，多个消费者共同组成一个组
- Broker：Kafka的服务进程
- Replication：备份，相同数据拷贝到多台机器
- Leader Replica
- Follower Replica，不与外界交互
- Partition：分区，解决伸缩性问题，多个Partition组成一个Topic
- Segment：partition 由多个 segment 组成
Kafka 如何持久化？
- 消息日志（Log）保存数据，磁盘追加写（Append-only）
- 避免缓慢的随机I/O操作
- 高吞吐
- 定期删除消息（日志段）
Kafka 文件存储机制
https://www.open-open.com/lib/view/open1421150566328.html
- 每个 partition 相当于一个巨型文件→多个大小相等 segment 数据文件中
- 每个 partition 只需要顺序读写就行了，segment 文件生命周期由配置决定
- segment file 组成：
- index file：索引文件
- data file：数据文件
- segment file 文件命名规则：
- 全局第一个 segment 是 0
- 后序每个加上全局 partition 的最大 offset
一对 segment file
message 物理结构
分区
为什么分区？
- Kafka的消息组织方式：主题-分区-消息
- 一条消息，仅存在某一个分区中
- 提高伸缩性，不同分区可以放到不同机器，读写操作也是以分区粒度
分区策略？
- 轮询
- 随机
- 按 key 保序，单分区有序
Kafka 是否会消息丢失？
- 只对“已提交”的消息做有限度的持久化保证
- 已提交的消息：消息写入日志文件
- 有限度的持久化保证：N个 broker 至少一个存活
- 生产者丢失数据
- producer.send(msg) 异步发送消息，不保证数据到达Kafka
- producer.send(msg, callback) 判断回调
- 消费者程序丢失数据
- 应该「先消费消息，后更新位移的顺序」
- 新问题：消息的重复处理
- 多线程异步处理消息，Consumer不要开启自动提交位移，应用程序手动提交位移
控制器
- 在 ZooKeeper帮助下管理和协调整个 Kafka 集群
- 运行过程中，只能有一个 Broker 成为控制器
控制器如何选举？
在 ZooKeeper 创建 /controller 节点，第一个创建成功的 Broker 被指定为控制器。
控制器有什么用？
- 主题管理（创建、删除、增加分区）
- 分区重分配
- 领导者选举
- 集群成员管理（新增 Broker、Broker 主动关闭、Broker 宕机）（ZooKeeper 临时节点）
- 数据服务：最全的集群元数据信息
控制器故障转移
- 只有一个 Broker 当控制器，单点失效，立即启用备用控制器
Kafka 的 ZooKeeper 存储结构
分布式事务的应用场景
- 团队内部，某些操作要同时更新多个数据源
- 业务团队 A 完成某个操作后，B 业务的某个操作也必须完成，A 业务并不能直接访问 B 的数据库
- 公司之间，用户付款后，支付系统（支付宝/微信）必须通知商家的系统更新订单状态
两阶段最终一致
- 先完成数据源 A 的事务（一阶段）
- 成功后通过某种机制，保证数据源 B 的事务（二阶段）也一定最终完成
- 不成功，会不断重试直到成功为止
- 或达到一定重试次数后停止（配合对账、人工处理）
如何保证最终一致？
为了保证最终一致，消息系统和业务程序需要保证：
- 消息发送的一致性：消息发送时，一阶段事务和消息发送必须同时成功或失败
- 消息存储不丢失：消息发送成功后，到消息被成功消费前，消息服务器（broker）必须存储好消息，保证发生故障时，消息不丢失
- 消费者不丢失消息：处理失败不丢弃，重试直到成功为止
消息发送的一致性如何保证？
目标：本地事务、消息发送必须同时成功/失败
问题
- 先执行本地事务，再发送消息，消息可能发送失败
- 可把失败的消息放入内存，稍后重试，但成功率也无法达到 100%
解决方案`* 先发送半消息（Half Msg，类似 Prepare 操作），不会投递给消费者
- 半消息发送成功，再执行 DB 操作
- DB 操作执行成功后，提交半消息
发送异常会如何？
- 1 异常，半消息发送失败，本地 DB 没有执行，整个操作失败，DB/消息的状态一致（都没有提交）
- 2 异常/超时
- 生产者以为失败了，不执行 DB
- broker 存储半消息成功，等不到后序操作，会询问生产者是提交还是回滚（第6步）
- 3 DB操作失败：生产者在第 4 步告知 broker 回滚半消息
- 4 提交/回滚半消息失败：broker 等不到这个操作，触发回查（第 6 步）
- 5、6、7回查失败：RocketMQ 最多回查 15 次
代码、思维导图笔记下载
代码和思维导图在 GitHub 项目中，欢迎大家 star！
网友评论