需要知道哪些地方还不够好？
-
以往经验
-
用户反馈
-
业内对比
还需要知道是不是一直都是好的？
-
监控跟踪
-
告警通知
不好的时候如何再让其变好？
-
治理措施
-
应急方案
目录
-
打造分布式消息治理平台
-
RocketMQ 实战踩坑和解决
-
打造微服务高可用治理平台
背景
裸奔的 RabbitMQ
公司之前使用 RabbitMQ ，下面在使用 RabbitMQ 时的痛点，其中很多事故由于 RabbitMQ 集群限流引起的。
-
积压过多是清理还是不清理？这是个问题，我再想想。
-
积压过多触发集群流控？那是真的影响业务了。
-
想消费前两天的数据？请您重发一遍吧。
-
要统计哪些服务接入了？您要多等等了，我得去捞IP看看。
-
有没有使用风险比如大消息？这个我猜猜。
裸奔的服务
曾经有这么一个故障，多个业务共用一个数据库。在一次晚高峰流量陡增，把数据库打挂了。
-
数据库单机升级到最高配依然无法解决
-
重启后缓一缓，不一会就又被打挂了
-
如此循环着、煎熬着、默默等待着高峰过去
思考：无论消息还是服务都需要完善的治理措施
================================================================================
设计指南
哪些是我们的关键指标，哪些是我们的次要指标，这是消息治理的首要问题。
设计目标
旨在屏蔽底层各个中间件（ RocketMQ / Kafka ）的复杂性，通过唯一标识动态路由消息。同时打造集资源管控、检索、监控、告警、巡检、容灾、可视化运维等一体化的消息治理平台，保障消息中间件平稳健康运行。
消息治理平台设计需要考虑的点
-
提供简单易用 API
-
有哪些关键点能衡量客户端的使用没有安全隐患
-
有哪些关键指标能衡量集群健康不健康
-
有哪些常用的用户/运维操作将其可视化
-
有哪些措施应对这些不健康
======================================================================
设计指南
把复杂的问题搞简单，那是能耐。
极简统一 API
提供统一的 SDK 封装了（ Kafka / RocketMQ ）两种消息中间件。
一次申请
主题消费组自动创建不适合生产环境，自动创建会导致失控，不利于整个生命周期管理和集群稳定。需要对申请流程进行控制，但是应尽可能简单。例如：一次申请各个环境均生效、生成关联告警规则等。
设计指南
监控客户端使用是否规范，找到合适的措施治理
场景回放
场景一 瞬时流量与集群的流控
假设现在集群 Tps 有 1 万，瞬时翻到 2 万甚至更多，这种过度陡增的流量极有可能引发集群流控。针对这类场景需监控客户端的发送速度，在满足速度和陡增幅度阈值后将发送变的平缓一些。
场景二 大消息与集群抖动
当客户端发送大消息时，例如：发送几百KB甚至几兆的消息，可能造成 IO 时间过长与集群抖动。针对这类场景治理需监控发送消息的大小，我们采取通过事后巡检的方式识别出大消息的服务，推动使用同学压缩或重构，消息控制在 10KB 以内。
场景三 过低客户端版本
随着功能的迭代 SDK 的版本也会升级，变更除了功能外还有可能引入风险。当使用过低的版本时一个是功能不能得到支持，另外一个是也可能存在安全隐患。为了解 SDK 使用情况，可以采取将 SDK 版本上报，通过巡检的方式推动使用同学升级。
场景四 消费流量摘除和恢复
消费流量摘除和恢复通常有以下使用场景，第一个是发布应用时需要先摘流量，另外一个是问题定位时希望先把流量摘除掉再去排查。为了支持这种场景，需要在客户端监听摘除/恢复事件，将消费暂停和恢复。
场景五 发送/消费耗时检测
发送/消费一条消息用了多久，通过监控耗时情况，巡检摸排出性能过低的应用，针对性推动改造达到提升性能的目的。
场景六 提升排查定位效率
在排查问题时，往往需要检索发了什么消息、存在哪里、什么时候消费的等消息生命周期相关的内容。这部分可以通过 msgId 在消息内部将生命周期串联起来。另外是通过在消息头部埋入 rpcId / traceId 类似链路标识，在一次请求中将消息串起来。
治理措施提炼
需要的监控信息
-
发送/消费速度
-
发送/消费耗时
-
消息大小
-
节点信息
-
链路标识
-
版本信息
常用治理措施
-
定期巡检：有了埋点信息可以通过巡检将有风险的应用找出来。例如发送/消费耗时大于 800 ms、消息大小大于 10 KB、版本小于特定版本等。
-
发送平滑：例如检测到瞬时流量满足 1 万而且陡增了 2 倍以上，可以通过预热的方式将瞬时流量变的平滑一些。
-
消费限流：当第三方接口需要限流时，可以对消费的流量进行限流，这部分可以结合高可用框架实现。
-
消费摘除：通过监听摘除事件将消费客户端关闭和恢复。
设计指南
监控主题消费组资源使用情况
场景回放
场景一 消费积压对业务的影响
有些业务场景对消费堆积很敏感，有些业务对积压不敏感，只要后面追上来消费掉即可。例如单车开锁是秒级的事情，而信息汇总相关的批处理场景对积压不敏感。通过采集消费积压指标，对满足阈值的应用采取实时告警的方式通知到应用负责的同学，让他们实时掌握消费情况。
场景二 消费/发送速度的影响
发送/消费速度跌零告警？有些场景速度不能跌零，如果跌零意味着业务出现异常。通过采集速度指标，对满足阈值的应用实时告警。
场景三 消费节点掉线
消费节点掉线需要通知给应用负责的同学，这类需要采集注册节点信息，当掉线时能实时触发告警通知。
场景四 发送/消费不均衡
发送/消费的不均衡往往影响其性能。记得有一次咨询时有同学将发送消息的key设置成常量，默认按照 key 进行 hash 选择分区，所有的消息进入了一个分区里，这个性能是无论如何也上不来的。另外还要检测各个分区的消费积压情况，出现过度不均衡时触发实时告警通知。
治理措施提炼
需要的监控信息
-
发送/消费速度
-
发送分区详情
-
消费各分区积压
-
消费组积压
-
注册节点信息
常用治理措施
-
实时告警：对消费积压、发送/消费速度、节点掉线、分区不均衡进行实时告警通知。
-
提升性能：对于有消费积压不能满足需求，可以通过增加拉取线程、消费线程、增加分区数量等措施加以提升。
-
自助排查：提供多维度检索工具，例如通过时间范围、msgId 检索、链路系统等多维度检索消息生命周期。
设计指南
度量集群健康的核心指标有哪些？
场景回放
场景一 集群健康检测
集群健康检测回答一个问题：这个集群是不是好的。通过检测集群节点数量、集群中每个节点心跳、集群写入Tps水位、集群消费Tps水位都是在解决这个问题。
场景二 集群的稳定性
集群流控往往体现出集群性能的不足，集群抖动也会引发客户端发送超时。通过采集集群中每个节点心跳耗时情况、集群写入Tps水位的变化率来掌握集群是否稳定。
场景三 集群的高可用
高可用主要针对极端场景中导致某个可用区不可用、或者集群上某些主题和消费组异常需要有一些针对性的措施。例如：MQ 可以通过同城跨可用区主从交叉部署、动态将主题和消费组迁移到灾备集群、多活等方式进行解决。
治理措施提炼
需要的监控信息
-
集群节点数量采集
-
集群节点心跳耗时
-
集群写入 Tps 的水位
-
集群消费 Tps 的水位
-
集群写入 Tps 的变化率
常用治理措施
-
定期巡检：对集群 Tps 水位、硬件水位定期巡检。
-
容灾措施：同城跨可用区主从交叉部署、容灾动态迁移到灾备集群、异地多活。
-
集群调优：系统版本/参数、集群参数调优。
-
集群分类：按业务线分类、按核心/非核心服务分类。
最核心指标聚焦
如果说这些关键指标中哪一个最重要？我会选择集群中每个节点的心跳检测，即：响应时间（ RT ），下面看看影响 RT 可能哪些原因。
关于告警
-
监控指标大多是秒级探测
-
触发阈值的告警推送到公司统一告警系统、实时通知
-
巡检的风险通知推送到公司巡检系统、每周汇总通知
消息平台图示
架构图
看板图示
总结
在清楚了各个大厂的面试重点之后，就能很好的提高你刷题以及面试准备的效率，接下来小编也为大家准备了最新的互联网大厂资料。
ert/85fb5b11a94db70db4168a32f5719f0b.png)
关于告警
-
监控指标大多是秒级探测
-
触发阈值的告警推送到公司统一告警系统、实时通知
-
巡检的风险通知推送到公司巡检系统、每周汇总通知
消息平台图示
架构图
看板图示
总结
在清楚了各个大厂的面试重点之后，就能很好的提高你刷题以及面试准备的效率，接下来小编也为大家准备了最新的互联网大厂资料。
[外链图片转存中…(img-HUHekEsQ-1714442980126)]
[外链图片转存中…(img-liOy2xAm-1714442980127)]
[外链图片转存中…(img-1dbBEypt-1714442980127)]
[外链图片转存中…(img-8pur9wtC-1714442980128)]
861
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
