【架构设计的艺术】Kafka如何通过精妙的架构设计优化JVM GC问题

nitenite

欢迎关注头条号：石杉的架构笔记
8 p# B5 x2 r1 m. Z- Q周一至周五早八点半！精品技术文章准时送上！！！
7 Z1 ~% R/ _: Z# i精品学习资料获取通道，参见文末
目录
1、Kafka的客户端缓冲机制
& }0 r! A) Q; W& p5 W8 ]6 v2、内存缓冲造成的频繁GC问题
3、Kafka设计者实现的缓冲池机制
2 J# m$ r: n1 s2 R, a! m( l' {4、总结一下
) ~1 \( {" j; Z( n6 b1 f! N$ P* A“ 这篇文章，同样给大家聊一个硬核的技术知识，我们通过Kafka内核源码中的一些设计思想，来看你设计Kafka架构的技术大牛，是怎么优化JVM的GC问题的？
1、Kafka的客户端缓冲机制

1 v) q0 r4 n9 X; h  M2 K7 v3 z首先，先得给大家明确一个事情，那就是在客户端发送消息给kafka服务器的时候，一定是有一个内存缓冲机制的。
也就是说，消息会先写入一个内存缓冲中，然后直到多条消息组成了一个Batch，才会一次网络通信把Batch发送过去。
- P9 r5 a# R3 h9 I0 e: k6 i整个过程如下图所示：

* r0 c9 J" r9 b- {) F* [: i: d3 W

2、内存缓冲造成的频繁GC问题
) _% a/ e7 W" N5 A/ [; o+ ]
那么这种内存缓冲机制的本意，其实就是把多条消息组成一个Batch，一次网络请求就是一个Batch或者多个Batch。
这样每次网络请求都可以发送很多数据过去，避免了一条消息一次网络请求。从而提升了吞吐量，即单位时间内发送的数据量。
但是问题来了，大家可以思考一下，一个Batch中的数据，会取出来然后封装在底层的网络包里，通过网络发送出去到达Kafka服务器。
那么然后呢？这个Batch里的数据都发送过去了，现在Batch里的数据应该怎么处理？
你要知道，这些Batch里的数据此时可还在客户端的JVM的内存里啊！那么此时从代码实现层面，一定会尝试避免任何变量去引用这些Batch对应的数据，然后尝试触发JVM自动回收掉这些内存垃圾。
这样不断的让JVM回收垃圾，就可以不断的清理掉已经发送成功的Batch了，然后就可以不断的腾出来新的内存空间让后面新的数据来使用。
; C8 g1 |1 \6 P7 T6 ]$ w2 u4 v这种想法很好，但是实际线上运行的时候一定会有问题，最大的问题，就是JVM GC问题。
( I$ z8 g/ J2 c- p# g5 e大家都知道一点，JVM GC在回收内存垃圾的时候，他会有一个“Stop the World”的过程，也就是垃圾回收线程运行的时候，会导致其他工作线程短暂的停顿，这样可以便于他自己安安静静的回收内存垃圾。
这个也很容易想明白，毕竟你要是在回收内存垃圾的时候，你的工作线程还在不断的往内存里写数据，制造更多的内存垃圾，那你让人家JVM怎么回收垃圾？
" H, C( C2 b& N0 i9 G) l这就好比在大马路上，如果地上有很多垃圾，现在要把垃圾都扫干净，最好的办法是什么？大家都让开，把马路空出来，然后清洁工就是把垃圾清理干净。
但是如果清洁工在清扫垃圾的时候，结果一帮人在旁边不停的嗑瓜子扔瓜子壳，吃西瓜扔西瓜皮，不停的制造垃圾，你觉得清洁工内心啥感受？当然是很愤慨了，照这么搞，地上的垃圾永远的都搞不干净了！
通过了上面的语言描述，我们再来一张图，大家看看就更加清楚了
0 y/ y& M' ~+ y: r8 Z- F0 M
现在JVM GC是越来越先进，从CMS垃圾回收器到G1垃圾回收器，核心的目标之一就是不断的缩减垃圾回收的时候，导致其他工作线程停顿的时间。
所以现在越是新款的垃圾回收器导致工作线程停顿的时间越短，但是再怎么短，他也还是存在啊！
% Z/ _9 Y' j( P; T* y所以说，如何尽可能在自己的设计上避免JVM频繁的GC就是一个非常考验水平的事儿了。
, \2 `* q+ x; y0 G4 w( R9 t: e3、Kafka设计者实现的缓冲池机制
1 E) d- T* w6 M+ W  a% ^3 J
在Kafka客户端内部，对这个问题实现了一个非常优秀的机制，就是缓冲池的机制

0 h3 Z; K4 J# q: A% V
简单来说，就是每个Batch底层都对应一块内存空间，这个内存空间就是专门用来存放写入进去的消息的。
' D) U( }9 A. @6 a: H! X然后呢，当一个Batch被发送到了kafka服务器，这个Batch的数据不再需要了，就意味着这个Batch的内存空间不再使用了。
5 k' K9 c& g3 Z此时这个Batch底层的内存空间不要交给JVM去垃圾回收，而是把这块内存空间给放入一个缓冲池里。
这个缓冲池里放了很多块内存空间，下次如果你又有一个新的Batch了，那么不就可以直接从这个缓冲池里获取一块内存空间就ok了？
( {" |" V1 f3 l9 V然后如果一个Batch发送出去了之后，再把内存空间给人家还回来不就好了？以此类推，循环往复。
! K% x1 Q# [- J同样，听完了上面的文字描述，再来一张图，看完这张图相信大伙儿就明白了：
+ `( w) H! G2 @, V' H: P/ A0 X
+ r. ]2 W5 z; u8 ?, ?/ M/ f一旦使用了这个缓冲池机制之后，就不涉及到频繁的大量内存的GC问题了。
/ y' x; `1 {6 _, d: S: b+ L7 ]% k为什么呢？因为他可以上来就占用固定的内存，比如32MB。然后把32MB划分为N多个内存块，比如说一个内存块是16KB，这样的话这个缓冲池里就会有很多的内存块。
/ ?' u# B- _" y7 G2 J" o1 x. x& Y  z然后你需要创建一个新的Batch，就从缓冲池里取一个16KB的内存块就可以了，然后这个Batch就不断的写入消息，但是最多就是写16KB，因为Batch底层的内存块就16KB。
1 o$ I+ h, _$ Q, ?! d0 H接着如果Batch被发送到Kafka服务器了，此时Batch底层的内存块就直接还回缓冲池就可以了。
下次别人再要构建一个Batch的时候，再次使用缓冲池里的内存块就好了。这样就可以利用有限的内存，对他不停的反复重复的利用。因为如果你的Batch使用完了以后是把内存块还回到缓冲池中去，那么就不涉及到垃圾回收了。
如果没有频繁的垃圾回收，自然就避免了频繁导致的工作线程的停顿了，JVM GC问题是不是就得到了大幅度的优化？
% @8 J: f+ n4 E没错，正是这个设计思想让Kafka客户端的性能和吞吐量都非常的高，这里蕴含了大量的优秀的机制。
" d, k0 C% M- `$ M7 X那么此时有人说了，如果我现在把一个缓冲池里的内存资源都占满了，现在缓冲池里暂时没有内存块了，怎么办呢？
很简单，阻塞你的写入操作，不让你继续写入消息了。把你给阻塞住，不停的等待，直到有内存块释放出来，然后再继续让你写入消息。
+ \2 O3 r8 [( o+ N6 [) u4 w& D4、总结一下

这篇文章我们从Kafka内存缓冲机制的设计思路开始，一直分析到了JVM GC问题的产生原因以及恶劣的影响。
2 B) _! |: p# i- ]/ v5 L6 e3 S接着谈到了Kafka优秀的缓冲池机制的设计思想以及他是如何解决这个问题的，分析了很多Kafka作者在设计的时候展现出的优秀的技术设计思想和能力。
希望大家多吸取这里的精华，在以后面试或者工作的时候，可以把这些优秀的思想纳为己用。
) w* W6 |( {" R1 F1 iEnd
一大波微服务、分布式、高并发、高可用的原创系列文章正在路上,
欢迎关注头条号：石杉的架构笔记
  \7 o3 h3 G( o5 b! I周一至周五早八点半！精品技术文章准时送上！！！
2 H5 N7 O& T8 w/ H  b' g/ H6 X& j十余年BAT架构经验倾囊相授

推荐阅读
1、拜托！面试请不要再问我Spring Cloud底层原理！
) F  G; Q* z! {6 M6 ]+ b) x. ^2、微服务注册中心如何承载大型系统的千万级访问？
3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
  A. D5 M- p3 N, H. Q4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
5、兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理
- m" h' W- u7 n% U% y6、大规模集群下Hadoop NameNode如何承载每秒上千次的高并发访问
7、「性能优化的秘密」Hadoop如何将TB级大文件的上传性能优化上百倍
! T5 t' W% W6 f  m! f& N8、拜托，面试请不要再问我TCC分布式事务的实现原理！
9、最终一致性分布式事务如何保障实际生产中99.99%高可用？
# f4 V4 P7 D. u$ S% ?10、拜托，面试请不要再问我Redis分布式锁的实现原理
6 k  s8 g5 e/ H7 M8 r11、Hadoop底层算法如何优雅的将大规模集群性能提升10倍以上？
12、亿级流量系统架构之如何支撑百亿级数据的存储与计算
13、亿级流量系统架构之如何设计高容错分布式计算系统
/ _8 {) u6 R0 [14、亿级流量系统架构之如何设计承载百亿流量的高性能架构
15、亿级流量系统架构之如何设计每秒十万查询的高并发架构
8 e) P6 L; E8 d16、亿级流量系统架构之如何设计全链路99.99%高可用架构
% ?, ^& q2 l3 g- u5 R: c6 _17、七张图彻底讲清楚ZooKeeper分布式锁的实现原理
18、大白话聊聊Java并发面试问题之volatile到底是什么？
* Q2 E% r. c4 x# W- R7 ^19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
, {/ K* r9 x9 }5 j. S. q& Y" d20、大白话聊聊Java并发面试问题之谈谈你对AQS的理解？
0 ]/ Z: L9 k6 e0 f" J  k/ j& Z  Q2 o21、大白话聊聊Java并发面试问题之微服务注册中心的读写锁优化
" m$ I5 S" s. T0 d4 H! F5 \22、互联网公司的面试官是如何360°无死角考察候选人的？（上篇）
5 f! k/ Z" l3 c! }+ k23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
9 }* v8 v" P% \: O24、「Java进阶面试系列之一」你们系统架构中为何要引入消息中间件？
25、「Java进阶面试系列之二」系统架构引入消息中间件有什么缺点
26、「行走的Offer收割机」一位朋友斩获BAT技术专家Offer的面试经历
27、「Java进阶面试系列之三」消息中间件在你们项目里是如何落地的？
; A# b" O$ t7 j+ Z# V28、扎心！线上服务宕机时，如何保证数据100%不丢失？
: |7 g( y- l. P! i- V3 M6 A; K29、 一次JVM FullGC的背后，竟隐藏着惊心动魄的线上生产事故！
3 S' n# F- s$ l8 Z9 U30、「高并发优化实践」10倍请求压力来袭，你的系统会被击垮吗？
$ X9 O7 D) n' j* D# D) h31、消息中间件集群崩溃，如何保证百万生产数据不丢失？
32、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（上）？
33、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（中）？
& W, w  p+ I9 G$ q0 l34、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（下）？
2 d2 P- a4 p. [- @8 R4 X2 U35、亿级流量架构第二弹：你的系统真的无懈可击吗？
36、亿级流量系统架构之如何保证百亿流量下的数据一致性（上）
6 t# }3 t, B9 r! K8 T$ t5 A37、亿级流量系统架构之如何保证百亿流量下的数据一致性（中）？
9 P& e# ^" V$ l0 D: |% @38、亿级流量系统架构之如何保证百亿流量下的数据一致性（下）？
6 }" k. l; S0 R0 k/ q" h* e, [3 F39、互联网面试必杀：如何保证消息中间件全链路数据100%不丢失（1）
4 u) Y! B( q- O& x# m+ c40、互联网面试必杀：如何保证消息中间件全链路数据100%不丢失（2）
2 @& m1 v) Z0 @2 [2 U41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
42、兄弟，用大白话给你讲小白都能看懂的分布式系统容错架构
43、从团队自研的百万并发中间件系统的内核设计看Java并发性能优化
' Q* m4 {; M  j44、如果20万用户同时访问一个热点缓存，如何优化你的缓存架构？
( B: [' x& S: |# W0 N" R8 h5 |45、「非广告，纯干货」英语差的程序员如何才能无障碍阅读官方文档？
8 Y/ c, W4 m$ d7 R6 i! {46、面试最让你手足无措的一个问题：你的系统如何支撑高并发？
! \" g# p' \4 S( H47、Java进阶必备：优雅的告诉面试官消息中间件该如何实现高可用架构
48、「非广告，纯干货」中小公司的Java工程师应该如何逆袭冲进BAT？
7 {+ }1 w+ {& i0 A; D, c49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
4 ^/ {/ Q' e& V( t) z  U7 a50、互联网大厂Java面试题：使用无界队列的线程池会导致内存飙升吗？
/ w+ Y& ?9 \2 U4 w( z5 d51、「码农打怪升级之路」行走江湖，你需要解锁哪些技能包？
52、「来自一线的血泪总结」你的系统上线时是否踩过这些坑？
53、【offer收割机必备】我简历上的Java项目都好low，怎么办？
' i. {# L! B5 o3 A54、【offer去哪了】我一连面试了十个Java岗，统统石沉大海！
: }" W, M" v/ h+ k55、支撑日活百万用户的高并发系统，应该如何设计其数据库架构？
1 C0 Y( L2 t  K7 d* O. T. b9 X56、高阶Java开发必备：分布式系统的唯一id生成算法你了解吗？
* r* e8 Z2 W7 y3 d( m57、尴尬了！Spring Cloud微服务注册中心Eureka 2.x停止维护了咋办？
58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
. e% }  Q( T+ P' T" `59、面试官：消息中间件如何实现每秒几十万的高并发写入？
60、【非广告，纯干货】三四十岁大龄程序员，该如何保持职场竞争力？
61、面试官：请谈谈写入消息中间件的数据，如何保证不丢失？
62、【生产实践总结】支撑百万连接的系统应该如何设计其高并发架构？
8 o8 c* P+ k1 }/ Z" b+ A- V; R; N63、面对BAT大厂的竞争对手时，小公司Java工程师是如何败北的？
64、【纯干货分享】小公司出身的我，是如何拿下知名独角兽公司offer
# h! S" P6 U  v: L2 y65、用小白都能看懂的大白话告诉你：什么是分布式计算系统？
66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
67、Java同学找工作最懵圈的问题：到底啥是分布式系统开发经验？
, u2 z' S% y9 ?67、尴尬的面试现场：说说你们系统有多大QPS？系统如何抗住高并发？
' L% ]* N2 ^9 e3 F( Q  W8 g9 k68、分享一套GitHub上stars 10000+的Java面试题（含解析）
69、小公司面试10连挂之后，我拿到了互联网一线大厂offer！
70、【架构设计之道】这波操作，会把你的中间件架构带到另一个Level
  {$ z$ j4 h( v3 l5 Y71、三年努力，梦归阿里！
72、阿里三面，P9面试官是如何360°无死角考察候选人的？
7 L* \$ J+ V: n: T2 ]  n  o2 n73、如果让你设计一个消息中间件，如何将网络通信性能优化10倍以上？
, q% @. @( x1 m, C3 ?74、简历写Kafka，面试官大概率会让你讲acks参数对消息持久化的影响
75、【嗅探底层】深入揭秘Synchronized在JVM是如何实现的？
1 \! G4 Z! o4 L) i! U76、面经分享:斩获7枚offer，入职阿里平台事业部！

来源：https://www.toutiao.com/a6687543307867783691/
! J1 w7 L# x! I& B+ G& a& }$ g免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！