【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
周一至周五早八点半！精品技术文章准时送上！！！
精品学习资料获取通道，参见文末
9 F; i( G3 f; \- i7 Z目录
# D) o. Y- P, B1、Kafka的客户端缓冲机制
$ C) U" R  r% O* h% H, k! v( s2、内存缓冲造成的频繁GC问题
) i" O2 F+ W* E3、Kafka设计者实现的缓冲池机制
4、总结一下
“ 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

7 \6 I) z" f/ K' O# T, {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。
整个过程如下图所示：
4 q7 F2 D5 w9 |4 C# s4 `
: D, m% Y3 l' j7 V( t, W! S4 A* ?

% X. [! F2 a, S7 c2、内存缓冲造成的频繁GC问题

$ G* L1 r2 q& L; h/ I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。
6 ]* N9 T8 g' R" X" c* \; O7 t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。
, u/ N% D! r& ?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？
7 ]2 X& g2 B* _" ]# m' H) z! c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。
0 B/ _/ X. j- p7 l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。
  s  b/ _- k+ B/ d* g  u% a& V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。
, p" R7 B. U* c) ?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？
0 b; N: T3 H$ D' E" j) u- J; G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。
: ^3 q: M, h" c0 }2 @$ M6 b% R: z3 K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

& S  o# q* O8 e. ]8 V+ M2 ^+ d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！
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。
3、Kafka设计者实现的缓冲池机制
; u7 R4 S. ~# a1 E3 b4 f& s
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
- f5 x5 ~) s6 C1 k
7 B& B7 u4 Z, y$ M/ |* 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。
8 \! W$ X. F, m' ^7 u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。
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。
+ N, H0 i4 k8 P3 \5 W& K0 R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？
' o% y. V6 C& {9 ?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。
" ?. p; z; Z/ ]) V( G* R% i  d* S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：

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。
" }/ _- D: ]; {9 L! {8 C7 D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。
' G- U2 N: m2 p# X0 a8 }+ @. \) S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。
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。
% v% V' o/ C5 \2 Z6 I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。
" X) e# ?& @0 m# M3 D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？
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。
% T9 ?  F. q+ r4 |+ n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？
8 m5 I9 |' i4 \4 p# _" m' O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。
4、总结一下

% D1 b7 [& l1 {4 w* @8 A. }9 N8 ~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。
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。
End
" D( Y/ ]* k# V; }5 e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
( E2 k8 H- _( i% U1 @+ k! k" L周一至周五早八点半！精品技术文章准时送上！！！
% V. `+ ~# ^4 O1 L5 F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！
2、微服务注册中心如何承载大型系统的千万级访问？
7 f- ]& t7 W7 c  _' O" H' x3 t3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
1 T" L% a( L. ~% G0 i+ K4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
  W! a4 c! _5 j$ ]& b5、兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理
8 s% }, i# Y% l: I* }, Y$ b# Z6、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
8、拜托，面试请不要再问我TCC分布式事务的实现原理！
0 N% O( V& F+ p/ l" ^0 Z9、最终一致性分布式事务如何保障实际生产中99.99%高可用？
9 ~) ^$ B- k9 h& T10、拜托，面试请不要再问我Redis分布式锁的实现原理
11、Hadoop底层算法如何优雅的将大规模集群性能提升10倍以上？
7 r2 p+ L7 p6 Q2 Q12、亿级流量系统架构之如何支撑百亿级数据的存储与计算
. S! b. N: \/ r- [13、亿级流量系统架构之如何设计高容错分布式计算系统
& \6 m, j! x2 O14、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
. i. t5 v' _  K6 W16、亿级流量系统架构之如何设计全链路99.99%高可用架构
  U* [" z/ J0 k- z: J17、七张图彻底讲清楚ZooKeeper分布式锁的实现原理
2 y/ D: B6 q4 n9 G/ J( Y18、大白话聊聊Java并发面试问题之volatile到底是什么？
: y2 z/ n+ _9 a. ^5 p6 y9 a, M19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
) n" Z% `" R0 T7 T  I20、大白话聊聊Java并发面试问题之谈谈你对AQS的理解？
21、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
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）
23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
( b6 j" q7 T* |6 b. P  |/ h2 p; t24、「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
. j7 ]1 h8 |% V  k8 w/ R6 i8 Q  Q27、「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？
28、扎心！线上服务宕机时，如何保证数据100%不丢失？
29、 一次JVM FullGC的背后，竟隐藏着惊心动魄的线上生产事故！
; ]& N' u3 o  E" d; t1 Y30、「高并发优化实践」10倍请求压力来袭，你的系统会被击垮吗？
31、消息中间件集群崩溃，如何保证百万生产数据不丢失？
: e# Y# F. V" M" B7 l; `! X1 m; h! |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）？
. \) H. c% [( ]0 q9 C33、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）？
* _  _% G3 [3 B$ M34、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）？
; A. T4 P( K' ?# }35、亿级流量架构第二弹：你的系统真的无懈可击吗？
" m9 R" @- F# D- J8 V# _$ g! S36、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）
3 L3 n. h$ D/ N* \37、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）？
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）？
39、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）
40、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）
" N( y6 \' T7 s; L1 \' i41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
/ Q$ ?- m" b+ `% I* ?( L42、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
8 O5 a+ _4 C5 A# Z0 J- a5 p43、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
44、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？
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？
5 B. ~) t5 A/ u5 g6 H/ ~3 u46、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？
47、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？
) z" r- I, F/ e2 o; a% p49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
/ ^  w& k/ v/ h0 z* X! D1 x50、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？
51、「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？
8 Q' H$ W! Y/ F  ~54、【offer去哪了】我一连面试了十个Java岗，统统石沉大海！
55、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？
- _+ w, _3 P, T* T* T8 ?56、高阶Java开发必备：分布式系统的唯一id生成算法你了解吗？
* x, b1 y- C, n57、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？
" \# [7 r/ Q4 u, t4 N& Y59、面试官：消息中间件如何实现每秒几十万的高并发写入？
) W7 h) H- n/ n; q- g3 I60、【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？
3 q7 {9 Z- x* ?4 Z) Z61、面试官：请谈谈写入消息中间件的数据，如何保证不丢失？
3 P- T9 O# Y- V62、【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？
63、面对BAT大厂的竞争对手时，小公司Java工程师是如何败北的？
2 M+ t5 t: Q$ W% N0 e( n1 W64、【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
65、用小白都能看懂的大白话告诉你：什么是分布式计算系统？
. }+ E/ R/ {- W66、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？
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？
68、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！
3 `3 O0 O1 |. O8 V70、【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
71、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？
73、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？
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
; M% R: E8 X' w# u0 C. m" [75、【嗅探底层】深入揭秘Synchronized在JVM是如何实现的？
76、面经分享:斩获7枚offer，入职阿里平台事业部！
6 I, E5 R: j- W+ z% W

1 ~; |% ^5 Y( N" {% \/ o来源：https://www.toutiao.com/a6687543307867783691/
5 d2 p2 G, S- i$ z0 U9 O) e3 I/ P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！