【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
目录
1、Kafka的客户端缓冲机制
6 i& }: S4 p! m5 k2、内存缓冲造成的频繁GC问题
% x/ {5 e  g4 Y; h/ G3、Kafka设计者实现的缓冲池机制
4、总结一下
9 Q3 Q, C; }  W% q1 G3 Q“ 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？
* ?, h8 r$ U3 [1、Kafka的客户端缓冲机制
: W- p6 C0 N' s$ t) t% J
* K. R3 r# |$ b$ G. A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。
/ Z7 x5 b; a# C% U/ ]/ T  M" ?整个过程如下图所示：
  [2 H/ \$ [4 \# X4 i( [
4 O& x" E* y8 x; N0 Z* M0 f

2、内存缓冲造成的频繁GC问题

) [' z. W) Z: N  @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。
" _7 b4 h! z0 a& b! a0 f" s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。
* J9 D) |* x/ e# m  m5 I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。
( ^' W/ x( V5 l0 O/ K; ]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。
6 d$ o/ |* X% U. `  I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。
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

; O7 y, c# f# u  `4 v9 Y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！
2 c9 j' [) _% b, i( j, @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 r5 L- t/ o/ U! z6 v& H3、Kafka设计者实现的缓冲池机制

( m% W% [6 K7 B: F4 r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
( a+ U$ E2 Q2 h; W# ?% q

9 c8 J3 V7 S/ m% j% ^; k; \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。
- d2 d8 E* z, O+ G. @( @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。
6 u% }# e' v( E2 P/ I' Q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？
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。
" R/ l; P5 [" L& u+ S% u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：
& h5 u6 p9 {9 z* x/ ]3 R7 B8 r& O
  b) C$ {% a# m$ i: u( p8 d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。
( N; e6 n' b4 c2 @* v9 K) e, Q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。
/ ~7 O9 P' \. A& g) s9 ?$ P; 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。
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。
# |& q! o6 U! @2 V, y. w$ i+ B" P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？
( \' V% r& \/ N. ?; {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。
2 j4 [8 I+ ^# I4 l$ r9 i& b% T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、总结一下
6 S$ Z0 T& [% r2 v% d: @0 F% L2 _$ [
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。
% m9 e" N3 v( I1 q; j& w$ cEnd
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,
% ~+ t: {- @& D3 N+ M2 w* ^欢迎关注头条号：石杉的架构笔记
$ Q# u" E0 y: N# I- f2 J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
3 z! l% U" z& @( ^3 w1、拜托！面试请不要再问我Spring Cloud底层原理！
* D5 |0 I. ~3 z5 j$ B2、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
4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
. p" k& r+ X* P8 L$ W' Z5、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
9 L$ S8 d8 A( k. ~( X7、「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
7 z6 j) p/ O* e, F7 I" u8、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？
! {. v, r1 k9 ?+ F7 x10、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？
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
5 O: O7 s" _- A9 ^13、亿级流量系统架构之如何设计高容错分布式计算系统
, T, m, j( x  }3 S+ R5 r14、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
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
18、大白话聊聊Java并发面试问题之volatile到底是什么？
19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
; A8 A5 K* ~* O9 `, o' n' L3 y20、大白话聊聊Java并发面试问题之谈谈你对AQS的理解？
0 ?9 m: E) b8 V$ L21、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
' F& P* o5 M3 |5 S2 a" n0 W/ p  G3 C22、互联网公司的面试官是如何360°无死角考察候选人的？（上篇）
) E0 G! Y4 h; E; L23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
" k# {) ?) M  a4 G. e24、「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？
+ T1 J1 s0 ]) p3 L4 f0 ^* J25、「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
* f) T8 M9 H0 P. |  R26、「行走的Offer收割机」一位朋友斩获BAT技术专家Offer的面试经历
1 @! x3 p  d3 |/ X& G5 }8 ]5 W27、「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？
) |% d8 v9 Z1 K" w  K2 o28、扎心！线上服务宕机时，如何保证数据100%不丢失？
7 `5 M! ?3 u8 z; N4 ]" H29、 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？
: ^- Z" s9 }; N* X31、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）？
  ^9 C. m: N2 U9 Z9 T33、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）？
" F% `/ y$ ~0 w+ C  K5 F1 ]2 c! 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）？
35、亿级流量架构第二弹：你的系统真的无懈可击吗？
7 b5 v, P+ ~1 E. p& r2 u% W36、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）
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）？
+ [( m% v) L/ Q% U39、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）
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？
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
: @, Z4 G0 G& \+ D1 X" \( U: t5 o44、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？
( f1 R$ ]& P  |4 G' y; D46、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？
" H' T3 p9 Z7 K: j49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
; [, J5 G% e- a% B50、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？
3 V- V* s/ h; E* l( s51、「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？
6 N% J: w. g& t- V! V( t0 H53、【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！
# A) m2 U3 I& o9 x& `. `0 v5 I55、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？
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？
$ n$ S: n/ A, J" P" A# z9 X' h58、【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？
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？
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？
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？
8 h& E  o2 w& {% \66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
: S  Q# p3 \. w2 [! y67、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？
4 j; ~5 q9 O" j" p' q67、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 C" f; t+ S" v9 j70、【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！
( v, v% ~7 S$ {* ^# b& w72、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？
* V$ ?7 W8 K! }3 J5 S: g- {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
* {+ x% C% ^6 O4 s75、【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！

9 P9 j6 U! Q) V) g  L7 ^来源：https://www.toutiao.com/a6687543307867783691/
) p$ D1 y, G; s" a. j6 c( l0 d! B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！