码字不易,先关/赞在看
个人博客地址
KafkaProducer内存管理
kafka
生产者send
一条记录(record
)后并没有直接发送到broker
,而是先将它保存到内存(RecordAccumulator
)中,用于压缩之后批量发送,这里内存直接分配在堆上,如果对它不加以限制在消息生产速率足够高时很可能频繁出现fullgc
乃至oom
,另一方面频繁的内存申请和释放操作也很吃系统资源,因此Kafka
自建了内存池BufferPool
管理内存。
ByteBuffer 介绍
内存的创建和释放是比较消耗资源的,为了实现内存的高效利用,kafka
的生产者使用BufferPool
来实现内存(ByteBuffer
)的复用。
红色和绿色的总和代表BufferPool
的总量,用totalMemory
表示(由buffer.memory
配置);绿色代表可使用的空间,它又包括两个部分:上半部分代表未申请未使用的部分,用availableMemory
表示;下半部分代表已经申请但没有使用的部分,用一个ByteBuffer
队列(Deque<ByteBuffer>
)表示,我们称这个队列为free
,队列中的ByteBuffer
的大小用poolableSize
表示(由batch.size
配置)。
public class BufferPool {
private final long totalMemory;
private final int poolableSize;
private final ReentrantLock lock;
private final Deque<ByteBuffer> free;
private final Deque<Condition> waiters;
/** Total available memory is the sum of nonPooledAvailableMemory and the number of byte buffers in free * poolableSize. */
private long nonPooledAvailableMemory;
private final Metrics metrics;
private final Time time;
private final Sensor waitTime;
}
内存分配的过程
-
蓝色框内的为大多数的内存分配方式,就是从队列中直接拿想要的
ByteBuffer
; -
黄色的框为分配内存时队列中的内存不符合其分配的条件(队列为空或大小不匹配),从
availableMemory
中分配; -
绿色框为当前内存池中内存不足时阻塞等待的情况,具体就是有一个累加器
accumulated
,如果累加器没有累加到size
大小,说明还没有足够的内存释放出来,所以就会阻塞等待内存释放,内存释放之后会唤醒阻塞的线程,将可以分配的内存大小累加到累加器accumulated
上,这样直到累加器accumulated
大小满足size
,就直接分配。这里面还有一个原则就是如果还没给累加器accumulated
累加过一次的话,也就是accumulated==0
的时候,那么会优先尝试从队列中获取内存(有可能释放的内存释放到队列中)。
public ByteBuffer allocate(int size, long maxTimeToBlockMs) throws InterruptedException {
if (size > this.totalMemory) throw new IllegalArgumentException();
ByteBuffer buffer = null;
this.lock.lock();
try {
// 1. 需要的内存大小ByteBuffer内存池中有,直接出队一个
if (size == poolableSize && !this.free.isEmpty())
return this.free.pollFirst();
// 2 可用内存大于size,则从内存池中释放内存到nonPooledAvailableMemory中,直接分配size大小的内存
int freeListSize = freeSize() * this.poolableSize;
if (this.nonPooledAvailableMemory + freeListSize >= size) {
// 循环的释放内存池中的内存,直到nonPooledAvailableMemory大于size
freeUp(size);
this.nonPooledAvailableMemory -= size;
} else {
// 当前可用内存不足,需要阻塞用户线程,等待内存释放
int accumulated = 0;
Condition moreMemory = this.lock.newCondition();
try {
long remainingTimeToBlockNs = TimeUnit.MILLISECONDS.toNanos(maxTimeToBlockMs);
this.waiters.addLast(moreMemory);
while (accumulated < size) {
long startWaitNs = time.nanoseconds();
long timeNs;
boolean waitingTimeElapsed;
try {
// 阻塞,等待数据发送释放内存
waitingTimeElapsed = !moreMemory.await(remainingTimeToBlockNs, TimeUnit.NANOSECONDS);
} finally {
long endWaitNs = time.nanoseconds();
timeNs = Math.max(0L, endWaitNs - startWaitNs);
recordWaitTime(timeNs);
}
if (waitingTimeElapsed) {
throw new TimeoutException();
}
remainingTimeToBlockNs -= timeNs;
// 满足的话直接从内存池中释放
if (accumulated == 0 && size == this.poolableSize && !this.free.isEmpty()) {
buffer = this.free.pollFirst();
accumulated = size;
} else {
// 从内存池和nonPooledAvailableMemory进行累加内存
freeUp(size - accumulated);
int got = (int) Math.min(size - accumulated, this.nonPooledAvailableMemory);
this.nonPooledAvailableMemory -= got;
accumulated += got;
}
}
accumulated = 0;
} finally {
this.nonPooledAvailableMemory += accumulated;
this.waiters.remove(moreMemory);
}
}
} finally {
try {
if (!(this.nonPooledAvailableMemory == 0 && this.free.isEmpty()) && !this.waiters.isEmpty())
this.waiters.peekFirst().signal();
} finally {
lock.unlock();
}
}
if (buffer == null)
// 直接分配size大小的内存
return safeAllocateByteBuffer(size);
else
return buffer;
}
释放内存的话就比较简单了,如果释放的大小等于poolableSize
的话,就把它放入free
队列,否则释放到availableMemory
中(availableMemory+=size
)。所以只有固定大小的内存块被释放后才会进入池化列表,非常规释放后只会增加可用内存大小,而释放内存则由虚拟机回收。因此如果超大消息比较多,依然有可能会引起full gc
乃至oom
;
BufferPool
是线程安全的,用一个ReentrantLock
来保证,并且用一个Deque<Condition> waiters
队列来记录申请不到足够空间而阻塞的线程,此队列中实际记录的是阻塞线程对应的Condition
对象。
可以看到BufferPool
只针对特定大小(poolableSize
)的ByteBuffer
进行管理,对于其它大小的并不会缓存进来。因此如果超大消息比较多(大于poolableSize
),就不会很好的利用内存池,频繁的申请回收内存效率会降低,并可能带来full GC
或者oom
,这个时候就要调整好batch.size
的配置了。
批量管理
batch
创建后会逗留linger.ms
时间,它集聚该段时间内属于该分区的消息。如果生产速率特别高又或者有超大消息流入很快将分区打满,则实际逗留时间会低于linger.ms
。想象一下极端场景,batch
大小默认16k
,如果消息以5k
、12k
间隔发,则内存实际利用率只有(5+12)/(2*16)
。
另一方面,RecordAccumulator
挤出前先要做就绪节点检查,挤出动作也只针对leader
在这些节点上的分区批次,当节点ready to drain
后,可能因为连接或者inflightRequests
超限等问题,被从发送就绪列表移除,从而导致这些节点的可发送批次不会被挤出。它们始终占据分区队列的最高挤出优先级,这会导致:
- 后追加的消息被积压,即使连接恢复后新入的消息也只能等待顺序处理,整体投递延时猛增。
- 批次占据的内存得不到释放,有可能发生雪崩:因为只有追加没有挤出,问题节点的批次有可能占满全部内存空间导致其他正常节点分区无法为新批次申请空间。
Kafka
提供请求超时timeout.ms
解决这个问题,从逗留截止开始计算批次超时则被废弃–释放内存空间并从分区队列移除。
理想状况下,单位时间内追入和挤出应该恰好相等且内存被充分使用。长期观察下调好linger.ms、batch.size、timeout.ms、和buffer.memory这几个参数将有助于达到这个目标。