【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！！！
0 ~7 q" b2 g* X* A精品学习资料获取通道，参见文末
! [/ Y7 D& P- e: @; B! b7 `1 |目录
1、Kafka的客户端缓冲机制
; Q( c) }2 P0 o  v& i7 t* D( D2、内存缓冲造成的频繁GC问题
6 Y( L" j5 a; k$ k$ z3 y" i, _2 |3、Kafka设计者实现的缓冲池机制
$ [# x4 M. y) X% K% n4、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

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。
# Y5 s3 Y7 ]8 f6 I, u8 G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。
8 \( G, g/ q! V, W" D整个过程如下图所示：
; I  J  W' w. J- E
* z, J# ^/ R& B  {. }
0 T9 T: B$ J$ }% {  C6 \: O: @
2、内存缓冲造成的频繁GC问题

& i5 D2 y) n) \/ w: X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。
/ M+ a7 E+ V: D/ H3 ~/ 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。
5 p" j9 Y6 C) r3 @8 o+ _$ D5 Y* M; n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？
: ^2 W1 }2 r( z9 e1 J* N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。
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。
& y: ~% q7 L3 v* Y( X/ t& `3 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。
  S) y& p& U7 H1 K% p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。
3 q% T* r5 e, k2 L" X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
; b7 J# N' j" ?/ G2 R+ a. B% A7 {9 W- `4 h
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。
- F' }. |: t0 @% D$ e; e2 d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！
5 ^) U) ~' B0 V  f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。
: e, C9 p2 z3 [0 t. U" `; r3 w; m3、Kafka设计者实现的缓冲池机制
& f! F3 \) ]5 J6 V# V8 C
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
, ~' c- c' q$ Z' L( _! v

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。
, E0 w$ L$ M: g  ~5 Z4 C" d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。
; V0 _3 x/ E5 N- G/ ]7 T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。
/ _( ~- N# j2 h; C4 ^8 y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：
9 x+ M4 T1 G0 S3 G0 M( ^3 h
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。
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。
( A5 C2 }, n/ k' |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？
' j0 z- D0 `8 a* r) E3 X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？
' w! b' t; f, v$ T7 y3 f8 L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。
8 p7 n" u7 w; s6 i+ H0 P& L4 A7 X! x4、总结一下
. s- T) q9 Y1 f9 G
. y( l4 r; R2 j2 w5 D0 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。
+ v  s8 S# H2 h! M9 C, 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。
, s* N% e4 h+ L2 W7 ^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,
6 _; W* x( h# @' _; |: o: r. H. S# U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！！！
% F2 g/ r3 ?* }; _4 p3 o1 P十余年BAT架构经验倾囊相授
" B: M( x0 n# {2 z) F# L- v

推荐阅读
" U) n3 |% y, R4 y& t- k; x7 P/ v1 t1、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？
  q2 s6 D/ G. Y# q* r- W" K2 _( e* z! }3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
  t4 `% r! [8 b* b4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
' S. s" o2 ?1 Y" t6 i; j" w2 C+ h5、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
# }, C7 y8 E& [6 X$ g7、「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？
5 X( A0 Q2 G* l0 u/ \/ S10、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？
/ E2 U" o$ X/ l) I& @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
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
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
/ k7 z: n* A7 c) N2 c+ k! u; p16、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
2 o  H4 y* N- ^5 C18、大白话聊聊Java并发面试问题之volatile到底是什么？
" m& H* f/ b- l4 m4 T8 P  C1 X, U19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
2 j# s& L. |  |/ Z  n8 H" i) J20、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
* z: L6 ]4 s/ \6 J8 J9 L22、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）
( f1 h1 }5 a: G9 ?- T# q24、「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？
0 x. s, j" ^0 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
7 Z6 C8 E1 ?5 L; s  F' [" R9 U1 V26、「行走的Offer收割机」一位朋友斩获BAT技术专家Offer的面试经历
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？
28、扎心！线上服务宕机时，如何保证数据100%不丢失？
( ^! e+ C1 O* R5 t2 `& g29、 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？
5 a% R7 P2 a! @  m; D31、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）？
, ~* M6 P3 y: r+ N  A* |0 D' u) Q33、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）？
9 R+ ]1 q# M& x# P4 Z34、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）？
; I3 ]- a1 s& z6 I2 w( {6 z+ x3 v35、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）
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）？
) W: W% D2 ~  r1 V* {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）？
0 D- A2 @. D5 y0 l' X2 k  }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）
6 P) k" z  [3 {6 u0 \2 a41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
( o( [+ F9 z, J* z42、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
( v, }7 K3 R9 Y+ a$ f% b44、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 ]* H! m  a6 o7 P/ d" 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？
" Z( Y# g  y, ^6 I47、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
( _  F6 w5 c6 O48、「非广告，纯干货」中小公司的Java工程师应该如何逆袭冲进BAT？
4 |* N; `5 R0 X  D8 ]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？
3 L- p, s' E4 w2 N- Z54、【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？
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？
- E% q( Z% |% B+ j  R9 N57、尴尬了！Spring Cloud微服务注册中心Eureka 2.x停止维护了咋办？
5 h6 I3 r' {* M# T1 T& i58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
3 X+ A& O3 U5 g( q4 W59、面试官：消息中间件如何实现每秒几十万的高并发写入？
1 U# C1 z) c4 H' H, @$ W& i60、【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？
* @3 p- }( Z( ^; ~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？
7 q: I" s! ^- O  `" \. ~$ K63、面对BAT大厂的竞争对手时，小公司Java工程师是如何败北的？
2 y) y4 X# \# n( x64、【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 `* d9 u8 z! _5 P! i1 h# z( ?66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
) {& T+ e# Z' `3 h67、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？
: l0 {+ q# |' {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？
  p3 S) X2 Y* _) E68、分享一套GitHub上stars 10000+的Java面试题（含解析）
: r% e* R( f. b69、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
71、三年努力，梦归阿里！
9 |! J/ g8 k0 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
- e9 H4 ^8 S8 m; D* i75、【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/
% Z" \) H9 I7 p2 f+ ~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！