【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
: P6 w, K! f) u周一至周五早八点半！精品技术文章准时送上！！！
$ a) C/ L) Z' P/ X精品学习资料获取通道，参见文末
  M4 {( ]/ m8 A' C9 Y) Y+ P8 Y/ V目录
1、Kafka的客户端缓冲机制
5 V1 P  Z9 `$ `+ s* [6 r& c) Y; X2、内存缓冲造成的频繁GC问题
% }: R1 Z) f" G1 m6 m6 o. p! F3、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？
( G8 l9 i. {6 B7 }2 O1、Kafka的客户端缓冲机制
0 }3 e. }; `4 g# {2 ]& g: M6 F
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：

. L1 }8 V5 R) U/ G3 H3 }  W. z
1 G  V3 Q; H# u( Z
% s* P- u1 P$ y8 [% l, X1 b( \8 \2、内存缓冲造成的频繁GC问题

7 `! K0 U, @6 Q$ t/ }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。
8 w, n9 |+ D3 P% Q. N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。
7 M; Z  K; D0 @7 z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。
/ M; Y# E% B) `, C. C: c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？
. a; v/ S' X! M8 E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。
: E3 a4 D1 Q5 ^2 c7 \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。
' j$ H! ?  a4 s  c4 P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。
8 t7 h) g- D! R+ U: t! ]& W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
  y' l! t. e. H) o' ]" z+ h
; ]& ~: {& N2 N4 A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。
& ^6 u; a. {9 q0 x! @  V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！
- k- i4 p3 x. B: _) _& {6 ?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

4 _7 v: ]3 H& \; v$ _3 G6 g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

% [" D2 ^% M1 n1 \! g4 Y* Q
6 n+ L  z; {) d, O: t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。
/ W! _) }5 F/ M, R. G. Q' [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。
) e+ t" D! j& A+ S1 u9 T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？
$ J& T' r+ z2 @: n0 K& H* Y3 U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。
- ~& @3 p4 y: k/ A" B; X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：
( Y0 B  r- L  e; w, I, ^) [
4 C! v, U( e; \; n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。
+ l9 t; K6 G$ s; ?8 H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。
$ J, b4 q/ c; D8 ]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。
+ m2 Y5 W/ h$ ^7 h( X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？
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。
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
% o% s# z" @! R6 u
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。
( s3 J" ^9 o8 v9 l2 ?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
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
周一至周五早八点半！精品技术文章准时送上！！！
; \9 k# r% ^; t, e3 K; H1 x2 `十余年BAT架构经验倾囊相授

推荐阅读
5 d: }, N5 P. H' {! C2 w3 L4 A5 k# A6 {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？
3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
7 e$ \1 c- i1 D8 u. B4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
4 F2 \- ~  n1 U9 B5、兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理
1 A! u# R! x# |8 t6、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
! F! n/ ~0 L$ A) P' ]; W$ V% }8、拜托，面试请不要再问我TCC分布式事务的实现原理！
7 k* L" T9 [& N9、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
8 |1 H. t" d: P4 N+ v( r( O6 p11、Hadoop底层算法如何优雅的将大规模集群性能提升10倍以上？
. ^6 b& P5 U+ G  P12、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
. B5 {  d' V1 f$ g14、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
. C; S, S$ V* e+ d" t& P$ G! u( W( W15、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
) ^7 o, e+ L/ ?) E17、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？
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）
- ?" a, u  h( j6 b) k23、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
0 x! ?! q. c" B  z* d7 u: _0 s5 {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？
3 N+ `3 r3 H4 m3 O5 C- E- w28、扎心！线上服务宕机时，如何保证数据100%不丢失？
! m, X& l* ^1 w" C' u29、 一次JVM FullGC的背后，竟隐藏着惊心动魄的线上生产事故！
" }5 x! Z6 @6 y% j30、「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）？
) ^' f+ R( E4 v+ C9 `% ]) H+ x1 f: {34、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？
1 N( D+ k, y) \, x# 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）
/ ^  H7 Z2 N" f* S9 W37、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）？
% Z, I" t6 Z2 b( p# ^+ n38、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）
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？
4 k9 b' c3 e: k3 l; Q4 @% f: Q42、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
! ~# O! [1 _3 ^1 [; q( o* _) 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？
( u3 {! o4 \* b8 A: i45、「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？
: Q$ U5 R+ j" `$ M7 T46、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？
8 y4 T6 y! u/ g. e9 B( S5 J47、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
4 ?5 B* w0 ?3 L8 k! a48、「非广告，纯干货」中小公司的Java工程师应该如何逆袭冲进BAT？
) `& {9 @/ s2 A+ m. V49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
9 k  R. d9 ]% Z" r50、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？
- t0 _0 l! q7 ~. u52、「来自一线的血泪总结」你的系统上线时是否踩过这些坑？
$ ?% K! m, L; o8 a53、【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！
7 C& ]1 a( X" X55、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？
! }" F$ L+ G) y8 e5 \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？
7 E0 X! n8 R, z. p7 h; ^( o57、尴尬了！Spring Cloud微服务注册中心Eureka 2.x停止维护了咋办？
4 v1 L# W" m1 h58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
0 k5 t; w7 g! h% m& [6 C59、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？
/ ]2 X8 ]8 G& K$ L61、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？
7 R! W: |$ m& j6 g2 y* T63、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
) e, X# @: E5 |, \2 o9 m65、用小白都能看懂的大白话告诉你：什么是分布式计算系统？
5 N: S, ?9 f( ]. V66、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？
0 ^; }2 M& w0 g1 L$ @9 D8 o' @. Z67、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）
2 {$ {- ?- `* c- R7 K" o1 k/ l69、小公司面试10连挂之后，我拿到了互联网一线大厂offer！
% r$ R* {/ A& e/ G. T70、【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！
7 R4 Y& B. ?3 a; F1 f72、阿里三面，P9面试官是如何360°无死角考察候选人的？
* o3 n7 C5 ~8 d% K73、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？
8 R+ n- M) Y$ l74、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！
! V) Y% G# F, \1 ?1 _7 ^( s  a

来源：https://www.toutiao.com/a6687543307867783691/
; l9 p" O. R& ?; c8 O& Y; |2 S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！