【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
# a9 h5 @2 q+ s" s7 e周一至周五早八点半！精品技术文章准时送上！！！
) L9 A& Y5 K3 R0 C1 ?! F精品学习资料获取通道，参见文末
3 R8 n7 c9 w, g. E/ `- t目录
1、Kafka的客户端缓冲机制
% R% T% C0 u3 v* ]. M2、内存缓冲造成的频繁GC问题
; ?; l" R& s4 G  y2 g8 k' G3、Kafka设计者实现的缓冲池机制
4、总结一下
" k, B1 j1 H! k5 t6 S; }, ^“ 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？
2 q' F: j% J/ y/ H; X1、Kafka的客户端缓冲机制
) ?5 b; h3 }* Q
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。
4 b7 I: W/ _8 D0 \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。
3 j. Z( x' G% q整个过程如下图所示：
) y8 H; d$ O; E/ y' q2 L% A

9 n% I+ x& t' O  t! C9 ~) D
9 S& M9 g' v1 O$ M. X2、内存缓冲造成的频繁GC问题

7 I! j0 X% ?: K/ {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。
- l2 `& u) a7 Y3 J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。
% }" q# T7 D, w4 S' k& C  o, N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？
& ?; @! {, |" R! m# r: ?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。
, d, H7 k1 X, k7 ^+ I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。
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。
  [( y8 x5 v& V8 A9 H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？
6 q2 X/ X! T: H$ Y" H  a# W, S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！
3 p: f$ l; R) ?) ~% ?9 P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 I3 K7 E6 t1 Z
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！
9 f" P  f+ ]+ K* I$ Y# Y) B) ]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

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


9 m) N- Y. ^3 g5 B2 b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。
! K' t: u) o, \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。
' e) Y8 F2 Z9 o+ g0 c; 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？
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。
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：

- |3 g5 q9 B1 C: D( P% _5 l9 P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。
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。
1 W2 y. |  E. a$ T: a* N2 I6 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。
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。
' g8 d! |" a( t( M' g( ^, r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。
5 n8 I2 M0 p" I9 K5 H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？
5 }, H* R3 }) W" X: M" |- w1 V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。
  n  h( A  j. ]. i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。
4 u0 C4 }( y- C4、总结一下
. m/ M* }" ]1 L2 H+ }2 o8 ]
" }9 y7 B% n3 P! |$ `' W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。
6 z$ u5 m, v  B( m2 a4 O8 F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。
$ R* u  g2 Q- e& V! j( X$ z7 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
: E6 h& M+ W) }0 R# C, [周一至周五早八点半！精品技术文章准时送上！！！
十余年BAT架构经验倾囊相授
. N  o. _$ m1 b8 e* n0 ]: m

推荐阅读
- \6 y! L' [7 _+ B% S1、拜托！面试请不要再问我Spring Cloud底层原理！
6 ?! y1 j8 ~5 F1 r9 P9 H1 e' T: w6 Y2、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
) ]' W7 P/ p9 _# z% R7 v4、「“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
; l! B$ m8 o: G% c" c. {6 f. F6、大规模集群下Hadoop NameNode如何承载每秒上千次的高并发访问
' l7 y3 Y- [% }* y6 q7、「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！
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？
/ d  e: z( [6 |) S) r10、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？
$ W  F6 _# Z5 ]7 `/ i: X! |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
& v1 J7 R& c6 ~* Z; |6 S4 [13、亿级流量系统架构之如何设计高容错分布式计算系统
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
2 s& v  ^& t$ j4 {  d15、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
, O, x0 G6 }# ~) B( z0 Q: [16、亿级流量系统架构之如何设计全链路99.99%高可用架构
17、七张图彻底讲清楚ZooKeeper分布式锁的实现原理
  G4 ]! k' Z; p$ X9 q0 T( }- x18、大白话聊聊Java并发面试问题之volatile到底是什么？
3 P+ i& E6 R5 ~- f0 p/ D19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
20、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）
0 f/ Y% H" R, V7 a0 Y& K. ^/ F23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
24、「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
! x2 t  E( N* W) E/ p27、「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？
4 s. S5 Y4 B( U) J4 O8 X29、 一次JVM FullGC的背后，竟隐藏着惊心动魄的线上生产事故！
30、「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？
! D) q( v5 T9 Q! u: u# c" v' [* @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）？
3 h5 ^. {! s  }4 b/ }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）？
( v2 E, K! k% d( o& w34、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）？
% g- E' f% G: s6 x35、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）
) ?0 h  q$ r" r( C3 |) y7 V' i3 L37、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）
1 g2 X7 k+ S- X4 o- }& M41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
1 l* S6 _; z+ e) Z, v4 H42、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
  H' [; i, ^3 o43、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？
2 p8 ^$ W- N+ Z, V46、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
; \7 R- f$ y+ P" E6 f48、「非广告，纯干货」中小公司的Java工程师应该如何逆袭冲进BAT？
49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
9 f2 s( u* \* V, r- i7 c* P, S' V50、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？
+ x) [6 |8 d. J51、「码农打怪升级之路」行走江湖，你需要解锁哪些技能包？
& h9 a1 H8 i6 M3 N52、「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？
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？
7 N! z- K1 X7 \7 `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？
57、尴尬了！Spring Cloud微服务注册中心Eureka 2.x停止维护了咋办？
! ?+ s  h' r3 E* y3 X3 |58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
" ^! l" S5 I" z( a: W6 G  C5 `# M59、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？
; V8 H: |. Z/ N. v5 @* M7 L61、面试官：请谈谈写入消息中间件的数据，如何保证不丢失？
% q' b5 g8 v( K62、【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？
! J# B% ]2 E/ o4 [+ U  U: b6 q1 D, o63、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
5 `( K) i, s- `( J2 k65、用小白都能看懂的大白话告诉你：什么是分布式计算系统？
" O; z% a+ p8 m5 P, O" d% M66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
) B, P7 Z, C3 f9 m" L7 G& \8 i67、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？
7 w* }2 d1 r+ o& w5 `( f68、分享一套GitHub上stars 10000+的Java面试题（含解析）
4 X+ p* Y+ D' v69、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
2 i8 [. r. W8 |1 D71、三年努力，梦归阿里！
9 C  O3 l& ^1 h6 s) H72、阿里三面，P9面试官是如何360°无死角考察候选人的？
: k! m, {, @( ]6 I: c* U( ~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？
4 Z1 M( ?/ N9 @+ @$ q74、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？
76、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/
; r4 p8 T; V! L  o$ T$ |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！