Rocket-消息堆积与消息积压

概念

消息处理流程中，如果Consumer的消费速度跟不上Producer的发送速度，MQ中未处理的消息会越来越多，这部分消息就被称为堆积消息，消息出现堆积进而造成消息的消费延迟，一下场景需要重点关注消息堆积和消费延迟问题

• 业务系统上下游能力不匹配造成的持续堆积，且无法自行恢复。
• 业务系统对消息的消费实时性要求较高，即使是短暂的堆积造成的消息延迟也无法接受

产生原因分析

Consumer使用长轮询Pull模式消息时，分为下两个阶段：
拉取消息
Consumer通过长轮询Pull模式批量拉取的方式从服务端获取消息，将拉取到的消息存放到本地缓存队列中，对于拉取式消费，在内网环境下会有很高的吞吐量，所有这一阶段一般不会成为消息堆积的瓶颈。

消息消费
Consumer将本地缓存的消息提交到消费线程中，使用业务消费逻辑对消息进行处理，处理完毕后获取到一个结果，这是真正的消息消费过程，此时Consumer的消费能力就完全依赖于消息的消费耗时和消费并发度了，如果由于业务处理逻辑复杂等原因，导致处理单条消息的耗时较长，则整体的消息吞吐量肯定不会高，此时就会导致Consumer本地缓存队列达到上线，停止从服务端拉取消息。

结论
消息堆积的主要瓶颈在于客户端的消费能力，而消费能力由消费耗时，和消费并发决定，注意，消费耗时的优先级要高于消费并发度。即在保证了消费耗时的合理性前提下，再考虑消费并发度问题！

消费耗时

影响消息处理时长的代码逻辑，可能主要生产于两种类型的代码：CPU内部计算代码和外部I/O操作型代码。通常情况下代码中如果没有复杂的递归和循环的话，内部计算耗时相对I/O操作来说几乎可以忽略。所以外部IO型代码是影响消息处理处理时长的主要症结所在。

外部IO操作型代码举例：
读写外部数据库，例如对远程MySQL的访问
读写外部缓存系统，例如对远程Redis的访问

下游系统调用，例如Dubbo的RPC远程调用，SpringCloud的对下游系统的Http接口调用
关于下游系统调用逻辑要进行提前梳理，掌握每个调操作预期的耗时，这样做是为了能够判断消息逻辑中IO操作的耗时是否合理，通常消息堆积是由于小下游系统出现了服务异常或达到了DBMS容量限制，导致消费耗时增加。
网络异常，并不仅仅是系统中出现的类似500这样的代码错误，而可能是更加隐蔽的问题，例如网络带宽问题。达到了DBMS容量限制，其他会引发消息的消费耗时增加

消息并发读

一般情况下，消费者终端的消费并发度由单节点线程数和节点数量共同决定，其值为单节点线程数 * 节点数量，不过，通常需要优先调整单节点的线程数，若单机硬件资源达到了上限，则需要通过横向扩展来提高消费并发度。

单节点线程数：即单个Consumer所包含的线程数量
节点数量：即Consumer Group 所包含的Consumer数量
对于普通消息，延迟消息以及事务消息，并发度计算都是但几点线程数 * 节点数量，但对于顺序消息则是不同的，顺序消息的消费并发度等于 Topic的Queue分区数量。

单机线程数计算

对于一台主机中线程池中线程数的设置需要谨慎，不能盲目调用最大线程数，设置过大的线程数反而会带来大量的线程切换的开销，理想环境下单节点的最优线程计算模型为
C * (T1 + T2) / T1

• C :CPU内核数
• T1：CPU内部逻辑计算耗时
• T2：外部IO操作耗时

如何避免

为了避免在业务中使用时出现费预期的消息堆积和消息言辞问题，需要在前期设计阶段对整个业务逻辑进行完善的排查和梳理，其中最重要的就是梳理消息的消费耗时和设置消息的并发度

梳理消息的消费耗时
通过压测获取消息的消费耗时，并对耗时较高的操作的代码逻辑进行分析，梳理消息的消费耗时需要关注以下信息：

• 消息消费逻辑的计算复杂度是否过高，代码是否存在无限循环和递归等缺陷
• 消息消费逻辑中的I/O操作是否是必须的，能否用本地缓存等方案规避
• 消息逻辑中的复杂耗时的操作是否可以做异步化处理，如果可以，是否会造成逻辑错乱

设置消息并发度
对消息消费度的计算，可以通过一下两步实施

• 逐步调大单个Consumer节点的线程数，并观测节点的系统指标，得到单个节点最优的消费线程和消费吞吐量
• 更具上下游链路的流量峰值计算出需要设置的节点数