【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
7 K$ c, o4 h: l0 D+ c  c周一至周五早八点半！精品技术文章准时送上！！！
4 y2 Q) Q0 F3 S% Z精品学习资料获取通道，参见文末
* H5 g  h4 O. z目录
2 v, W8 G) K4 i' k8 n1 y1、Kafka的客户端缓冲机制
) ~: I* r% F3 R$ p* v5 ^2、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
0 o+ W$ L' a2 n, ^( ^0 w4、总结一下
  m+ v& S) p& h5 G* U- M“ 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
; [) p# z. s4 Z, i5 O6 N. p2 W
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：

  Q8 N$ ?8 a( h( O) B0 Q
( A% N3 Q) l4 f3 ?1 U9 c
2、内存缓冲造成的频繁GC问题
& g! [5 U* G1 i, q& r9 c
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。
- I4 P3 N) j( }& T4 W3 k/ m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。
) h& K/ i% ]4 F: o9 _- R& b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？
3 H1 i+ W  |. p" k9 \( ~你要知道，这些Batch里的数据此时可还在客户端的JVM的内存里啊！那么此时从代码实现层面，一定会尝试避免任何变量去引用这些Batch对应的数据，然后尝试触发JVM自动回收掉这些内存垃圾。
* G$ t9 d7 G6 ]) J3 B0 k9 I这样不断的让JVM回收垃圾，就可以不断的清理掉已经发送成功的Batch了，然后就可以不断的腾出来新的内存空间让后面新的数据来使用。
$ a# I2 e0 l' Q+ w7 s  u这种想法很好，但是实际线上运行的时候一定会有问题，最大的问题，就是JVM GC问题。
大家都知道一点，JVM GC在回收内存垃圾的时候，他会有一个“Stop the World”的过程，也就是垃圾回收线程运行的时候，会导致其他工作线程短暂的停顿，这样可以便于他自己安安静静的回收内存垃圾。
这个也很容易想明白，毕竟你要是在回收内存垃圾的时候，你的工作线程还在不断的往内存里写数据，制造更多的内存垃圾，那你让人家JVM怎么回收垃圾？
这就好比在大马路上，如果地上有很多垃圾，现在要把垃圾都扫干净，最好的办法是什么？大家都让开，把马路空出来，然后清洁工就是把垃圾清理干净。
2 o% c& w8 ^& z! g" Q4 r( t但是如果清洁工在清扫垃圾的时候，结果一帮人在旁边不停的嗑瓜子扔瓜子壳，吃西瓜扔西瓜皮，不停的制造垃圾，你觉得清洁工内心啥感受？当然是很愤慨了，照这么搞，地上的垃圾永远的都搞不干净了！
' _) d) s6 p9 ~  O/ d4 h9 |通过了上面的语言描述，我们再来一张图，大家看看就更加清楚了
3 G2 \) o) z; ^9 ~, K
* X: e$ u& ^8 r" I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。
5 \* S" O. R; p3 v8 n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。
8 X8 J& V2 t7 E! W% W8 C6 K( r3、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
# {: d9 V  z  K% |1 c, r) e
- i4 U4 Q/ y, b1 a
! E1 s3 t7 o6 y' n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。
5 }$ e1 [$ [2 n$ r- h1 v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。
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？
2 p/ w* R- G- V3 |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：
$ p% h7 J2 U9 e& p# @3 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。
" J/ w  B. e8 \5 I: Q6 i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。
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。
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。
; m7 u( B! ^$ H0 U5 k% ?. Y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。
+ w) s) a+ D+ b6 ?; x' M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？
! a/ X8 l" T5 n2 ]7 }, Z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

9 o% l4 [6 G- U# Q: g/ y6 C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。
9 X7 P. n" |* H  [; `! J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
9 `- I4 x) t6 _* `- Z% ^( I" y8 i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,
8 L) A8 Q; j2 J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！！！
十余年BAT架构经验倾囊相授

推荐阅读
1 k, V3 o2 U* |4 n1、拜托！面试请不要再问我Spring Cloud底层原理！
5 c1 K; ?3 ~% C( C$ E3 |5 q6 K2 \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
- b) s" l6 C9 A& f; D4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
3 f0 N: Y! y6 |" x1 m0 T1 n5、兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理
6、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
* ~5 ~; j* q$ B, H" o1 b; ?7 t; y8、拜托，面试请不要再问我TCC分布式事务的实现原理！
! F& l5 ~7 G4 S. h# b" C7 ]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？
10、拜托，面试请不要再问我Redis分布式锁的实现原理
9 a8 b4 v& e3 t7 k; }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？
: q5 w% c! Z* w4 p; U3 h12、亿级流量系统架构之如何支撑百亿级数据的存储与计算
" U9 k/ [! w) B2 T  r- P$ s8 z2 T13、亿级流量系统架构之如何设计高容错分布式计算系统
6 ?# @5 Y% U- y: b; E* _0 p& O+ c) D14、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
$ t7 l2 W4 C. @3 G1 E( X16、亿级流量系统架构之如何设计全链路99.99%高可用架构
( r- e1 y, r$ |) B9 {0 ~17、七张图彻底讲清楚ZooKeeper分布式锁的实现原理
, |+ T- q1 \0 N5 G18、大白话聊聊Java并发面试问题之volatile到底是什么？
  F6 _& |: h* A' f0 A, K; B& X- T% l19、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）
23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
$ ]( W5 F* D8 w. F24、「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？
. N8 T+ J2 U7 F25、「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
8 \  H4 ^8 M2 d; J/ `- b* `! i26、「行走的Offer收割机」一位朋友斩获BAT技术专家Offer的面试经历
5 ?* f# W$ \) J) ^" p8 Y: a27、「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！
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？
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）？
+ _' k( m  }- f2 m3 R/ }( K34、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）？
% u1 @* L) b& n9 B( o3 r35、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）
3 {4 L! e: i4 ~. s! p% q37、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）？
% f% K1 k- V) \3 h39、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）
9 |9 w% E# H- G* k5 }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）
41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
+ k0 s/ y! u' L5 [, K. P$ D42、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
2 @( j7 G/ Q* L) B1 _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
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？
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？
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？
49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
50、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？
54、【offer去哪了】我一连面试了十个Java岗，统统石沉大海！
9 g" A0 M+ u; s7 @# O. E$ m55、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 k( j$ P5 K6 W56、高阶Java开发必备：分布式系统的唯一id生成算法你了解吗？
& x9 F9 l( y1 L3 L57、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？
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？
" \" i$ P$ l) V# ?& `# G61、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？
. b- u6 J2 C& F# p3 D: A63、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
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？
66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
+ Y  b2 O) p) L67、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？
' r: L3 j! H. r8 n' Z9 Q68、分享一套GitHub上stars 10000+的Java面试题（含解析）
, c8 k/ I; |& w6 f  Q1 B2 Y1 h4 u69、小公司面试10连挂之后，我拿到了互联网一线大厂offer！
$ y: O' M3 U0 d% q& z2 b7 Y70、【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
- w# [; h2 G* R3 I, x3 Z) J, E# \71、三年努力，梦归阿里！
9 }" E$ g$ y1 @) r" k. b- d6 N72、阿里三面，P9面试官是如何360°无死角考察候选人的？
' q. }5 m  p* l' G3 I! f73、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
4 b: c" F& j# A( F75、【嗅探底层】深入揭秘Synchronized在JVM是如何实现的？
3 q: Q; d* h' E5 a, k76、面经分享:斩获7枚offer，入职阿里平台事业部！

1 i- X/ F0 w) D0 j来源：https://www.toutiao.com/a6687543307867783691/
# ?) r' \* P  A- z7 Z7 L* E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！