【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
* t0 z/ [- M! U# S  F2 P周一至周五早八点半！精品技术文章准时送上！！！
1 O7 E' g$ H3 L# E! j4 g; T4 i2 ?精品学习资料获取通道，参见文末
+ I# Q$ }( G1 V3 F) ~$ Q- C5 Q目录
1、Kafka的客户端缓冲机制
2、内存缓冲造成的频繁GC问题
: b( X# E, u8 I. D, [- J3、Kafka设计者实现的缓冲池机制
# [5 @3 [, |; \% `  c2 }' U, v4、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

" F! I: ?! K$ q3 I4 N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 T9 _, s4 Q; P2 b& N' q5 d. v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。
0 I1 v& s4 v. X& ^- e+ `$ k- x$ X整个过程如下图所示：
* u& g, c* Z, |0 b' e* u


5 s6 g3 G" u3 V9 K4 f8 U$ [! d2、内存缓冲造成的频繁GC问题
- s0 G1 `: ~8 Y/ @7 w* i2 d  P4 L
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。
# X, {" Z/ M7 I" w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。
9 m) ]: z) Q( \& n' C# a3 M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。
- c  |" ]0 }$ i: l2 V: @. T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。
& |$ z5 L, r: p! m7 W) [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？
; J8 y0 [  p1 e* B) a5 f% ^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！
* H) W: D; N2 J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

5 T2 A1 [$ V* ?! F4 |" }0 [1 T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。
1 x! s. S2 p0 Y; w+ E& v% s% @% b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
, n6 |" L% V9 S) T
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


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。
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。
+ s, }; a( q' A% v3 \$ C0 P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。
3 c: c, p; ~5 w  _; L% s$ h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？
+ m% d4 x( y  r8 j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。
6 r3 Q1 L2 u' |) J5 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：

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。
5 T/ {# `3 T, r" f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。
6 M  Q+ }* d, X/ X6 u9 K/ 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。
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？
6 R4 H. ?* \4 s# k1 D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。
9 V! ^* e' z5 S: r9 l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？
! m/ _; C) P# M/ n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。
. s( O' r4 {# D! S4、总结一下
+ ~& \; u! j. p% m
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
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
* f# d5 {- G) p) @& B周一至周五早八点半！精品技术文章准时送上！！！
! y/ a. i( {! E0 G* ~/ S( ^) |十余年BAT架构经验倾囊相授
$ {. j; f) w4 L! w" W  Q

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？
3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
/ s; R5 ?  M7 G& [4、「“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
6、大规模集群下Hadoop NameNode如何承载每秒上千次的高并发访问
. v! [% Y4 X! i% @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！
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
5 s. l8 e' T  l9 j9 R11、Hadoop底层算法如何优雅的将大规模集群性能提升10倍以上？
* B6 h  b: |- n7 s12、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
7 v3 Q# b6 H0 V; l; w$ e# O& \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
& |5 H. s0 x+ A( e% Y; M15、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
' A6 Y1 Z9 X; `" |( `% `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
# T6 P- n( Z* L9 f1 q18、大白话聊聊Java并发面试问题之volatile到底是什么？
% \# u4 b1 m* Z6 _$ K: A2 s+ z19、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
' ?; G) q% V! f( p22、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）
" p5 k' y0 U+ V$ X% i24、「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？
% u3 b% }$ Z$ t1 f4 m! i1 t25、「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
8 w6 {0 j' `; a8 Y8 ?7 }% b# J27、「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！
( S) d+ @; T! y7 W2 F. @' o30、「高并发优化实践」10倍请求压力来袭，你的系统会被击垮吗？
! W* H0 c% I; v8 u, D' 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）？
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）？
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）？
0 q) Z' j+ r- T+ d* q$ g35、亿级流量架构第二弹：你的系统真的无懈可击吗？
9 ~/ Z) ^$ j( Y7 e" V36、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）
+ a4 ?# R! k: U) N, Y9 R0 f37、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）？
! g" h+ V* T- l39、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 \& U- {) N. \  J/ d3 q40、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）
" L+ @* _. P7 ^% i* F, E8 P41、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
7 M  }2 p) n/ e" Y43、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
4 d" H0 a. W) b, @% Z0 F9 h44、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？
" r5 l+ e( M, S  E6 O5 `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 a( c1 `: O, i! j- s) ~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？
" t  r# v1 S4 X+ J' @" s  S. j) g47、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！
' S4 Q  V( Q/ x4 Q& p50、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？
8 w1 C" x/ ^- W: [8 S% a52、「来自一线的血泪总结」你的系统上线时是否踩过这些坑？
0 H. f, {" H/ k5 _. F; g53、【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！
5 a7 l# D$ T8 V$ O- }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？
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？
+ L4 Q: g. E) @. I2 z58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
1 }! b: W+ c, R- m  _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？
( p, Q4 q7 v1 O$ 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？
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？
# Y/ F& C- `& o  ^6 t% k$ D. z5 h64、【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
/ D+ k& z# |7 ^/ D1 A! z: L0 [8 ]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？
0 T* l# m8 ?( q5 Y$ y$ P% \7 O66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
+ e* E/ t; `9 [3 G3 {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？
: w3 k% C4 q2 j$ ]# Z# t$ u( T67、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- O4 T; ~+ q* j: @, n) ]& \68、分享一套GitHub上stars 10000+的Java面试题（含解析）
9 b8 M' }, W, t  J' \8 K8 P69、小公司面试10连挂之后，我拿到了互联网一线大厂offer！
! [% y2 C" s# q' z2 |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
5 ^& q' i# Y1 q' q4 c7 r8 d71、三年努力，梦归阿里！
9 g: t) a7 q  O  A9 d72、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
. S5 W& c3 V! x) O9 d1 ~# e75、【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/
1 N4 K- Z8 p( D* ~- e" ]3 Y9 `6 G7 c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！