生产故障｜Kafka ISR频繁伸缩引发性能急剧下降-阿里云开发者社区

本文是笔者双十一系列第二弹，源于一个双十一期间一个让笔者猝不及防的生产故障，本文将详细剖析Kafka的副本机制，以及ISR频繁变更(扩张与伸缩)为什么会导致集群不可用。

1、Kafka副本机制

---

Kafka数据组织方式是topic-parition的结构，每一个topic可以设置多个分区，各个分区的数据是topic数据的一部分（数据分片），为了保证单个分区的高可用行，又引入了副本机制，即一个分区的数据会存储多份，避免单点故障.

一个3节点的Broker集群，每一个Toipic的副本因子设置为3，则对于其中一个Topic，其存储结构如下图所示：

正如上图所示：一个Topic有三个分区，p0,p1,p2，其中每一个分区有3个副本(3份相同的数据)，其与客户端交互的关键点如下：

• 每一个分区的Leader负责该分区的读写
• 分一个分区的follower从Leader节点复制数据
• 如果leader分区所在的broker宕机，会触发leader选举

上述的模型，满足高可用的诉求，但同时会带来一个设计难题：如何保证同一个分区中Leader与follwer节点数据的一致性。

Kafka副本之间的数据复制模型如下图所示：

Kafka复制模型采取的是拉模型，即follower节点主动向leader拉取数据，leader节点可用根据从节点发起的拉起请求的消息偏移量，从而得知从节点当前复制数据的位置。

Kafka在数据副本一致性方面并没有采取诸如raft协议之列的，而是之间基于最高水位线与leader_epoch机制，本文不深入探讨在一致性方面的知识，这些后续会一一剖析。

在Kafka中，引入了一个概念：副本同步集，即ISR集合。

所谓的副本同步集，表示这个集合中的副本能跟上Leader的从节点，判断的规则：两者之间同步消息的时间间隔不能超过设置的阔值，该值由参数 replica.lag.time.max.ms 来控制，默认为10s。

例如上图中，分区p0的leader节点成功写入了5条消息，两者在服务端存储的时间间隔为15s，而其中一个从节点只复制了t1，与最新的t5消息间隔15s，超过了replica.lag.time.max.ms设置的10s，则Leader会将该节点从ISR集合中剔除；而另外一个从节点尽管只复制了4条消息，但落户Leader副本的时间间隔小于10s，则该节点会作为ISR集合中的一员。

ISR集合与副本数的关系如下图所示：

那这个ISR集合的作用是什么呢？

一个非常重要的作用：可以用来实现消息发送阶段消息不丢失。

构建KafkaProducer对象时可以设置acks=all或者-1表示必须ISR集合中的副本全部成功写入消息才会向客户端返回成功，注意：这里并不是说所有副本写入成功。

并且对ISR集合中的副本的个数也有要求，可以在topic级别的配置参数：

min.insync.replicas进行设置，该值默认为2。

例如将topic的副本因子设置为3，表示有三个副本，只要ISR集合中的数量不少于2个，将acks设置为all时才能正常写入成功，如果ISR集合中的副本数量小于min.insync.replicas，则消息发送会失败。

以上就是Kafka ISR集合的一些基本介绍，该专栏后续会继续深入探讨kafka的日志存储、高低水位线、Leader epoch等机制。

在探究ISR伸缩与扩张会引发消息发送、消息消费性能急剧下降原因之前，想提出一个思考题

思考题：从上文中可知，ISR集合中各个副本虽然是同步集合，但判断是否同步的规则确实从节点不落后Leader节点多少数据，那这些副本之间的数据并不是完全同步的，如果在Leader切换过程中，会丢失消息吗？

2、ISR频繁伸缩缩引发性能急剧下降

---

双十一期间一个Kafka集群频繁发生ISR，读写性能急剧下降，监控图如下所示：

起初一个topic的写入tps达到了25W每秒，当出现ISR收缩与扩张后，断崖式下降，与此同时，服务端会有大量的日志：

为什么会ISR频繁收缩与扩张，为导致性能急剧下降呢？

当然，首先如果acks设置为all，消息写入下降这个是必然的，因为ISR集合中的数量会低于min.insync.replicas，导致消息无法写入，但这个topic是用于同步数据库binlog，如果出现集群等原因导致消息丢失，完全可以回放binlog进行数据补推，故消息发送时是将acks设置为1(Leader节点写入成功即返回成功)。

那又是为什么呢？

通过系统相关的监控发现发生问题时的CPU、磁盘都没有瓶颈，故优先排查Kafka的线程堆栈信息。

关键信息一：Kafka Broker在处理消息写入时需更新Kafka高水位线，需要申请leaderIsrUpdateLock的读锁，如下图所示：

原来消息写入时需要加读锁，但由于读锁与读锁之间时相容的，并不影响消息发送的并发度。

关键信息二：Kafka Broker在处理消息拉起请求时(消费端、从节点都会发fetch请求)需同样需要更新Kafka高水位线，需要申请leaderIsrUpdateLock的读锁，如下图所示：

消息发送、消息写入都需要申请读写锁leaderIsrUpdateLock中的读锁，并不会影响并发度。

关键信息三：Kafka Broker在ISR发生扩张与伸缩时需要申请leaderIsrUpdateLock的写锁，如下图所示：

在ISR集合发生变更时，对高水位线的的更新需要加写锁，此时会与消息发送、消费客户端消费消息、分区副本消息复制发送锁竞争，并发度急剧下降，这样就解释了为什么ISR收缩与扩张会导致TPS急剧下降。

令人比较“无语”的是，这里会有一个连锁反应，因为会影响副本分区从其Leader节点拉取消息的速率，容易加剧ISR的扩张与收缩，从而使问题越来越严重。

3、解决方案

---

经过上述分析，ISR的频繁扩张与收缩，其最直观的原因是：follower副本从Leader副本复制数据，由于复制跟不上，导致两者之间数据同步的差距超过了replica.lag.time.max.ms，导致Leader分区会将跟不上进度的副本剔除ISR，然后当follwer分区跟上后，又能加入ISR。

故可以通过调整Kafka相关的参数，来减少ISR发生的几率：

• replica.lag.time.max.ms从默认10s，调整为30s
• num.replica.fetchers从默认值1调整为10，该参数的主要作用是设置Follower节点用于从服务端复制数据的线程数量，调整该参数可以加大并发，在线程堆栈线程名称为：ReplicaFetcherThread线程，注意，这个是控制一个节点到集群单个Broker的链接数，例如一集群有8个节点，该值设置为10，那一个节点就会创建 （8-1）* 10 共70个ReplicaFetcher线程。

本文就到介绍到这里里，其实ISR频发扩张后，还会引发更加严重的问题，最后竟然引发了整个集群无法写入消息，无法消费消息，这些将在后续文章中发布