Offset管理

小涂学编程

已于 2024-03-21 17:43:53 修改

阅读量1k

点赞数 11

分类专栏： RocketMQ 文章标签： java 大数据数据库

于 2024-03-02 23:30:57 首次发布

本文链接：https://blog.csdn.net/qq_45905724/article/details/136423149

版权

RocketMQ 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

Offset管理

这里的offset指的是Consumer的消费offset

消费进度offset用于记录每个Queue的不同消费组的消费的。根据消费进度记录器的不同，

可以分为两中模式：

本地模式
远程模式

offset本地管理模式

当消费模式为广播消费时，offset使用本地模式储存。因为每条消息会被所有的消费者消费，每个消费者管理自己的消费进度，各个消费之间不存在消费进度的交集。

Consumer在广播消费模式下offset相关数据以json的形式持久化到Consumer本地磁盘文件中，默认文件路径为当前用户主目录下的.roketmq_offsets/&{clientId}/${group}/offsets.json。其中，

clientid为当前消费者id默认为ip@DEFAULT
group为消费者组名称。

offset远程管理模式

当消费模式为集群消费时，offset使用远程模式管理，因为所有Consumer实例对消息采用的是对均衡消费，所有Consumer共享Queue的消费进度。

Consumer在集群消费模式下offset相关数据以json的形式持久化到Broker磁盘文件中，文件路径为当前用户主目录下的store/config/consumeroffset.josn

Broker启动时会加载这个文件，并写入到一个双层Map，外层Map的key为topic@group，value为内层map，内层map的key为queueId，value为offset。当发生Rebalance时，新的Consumer会从该Map中获取到相应的数据来继续消费。

TopicConfigManager：key是topic名称，value是TopicConfig，TopicConfig中维护着该Topic中所有Queue的数据
ConsumerManager：key是ConsumerGroupId，Value是ConsumerCroupInfo，Consumer GroupInfo中维护着该Group中所有Consumer示例数据。
ConsumerOffsetMagager：key位Topic与订阅该Topic的Group的组合即topic@group，value是一个内层Map。内层Map的key为QueueId，内层Map的Value为该Queue的消费进度Offset

集群模式下offset采用远程管理模式，主要是为了保证Rebalance机制。

offset用途

消费者是如何从最开始持续消费消息的？消费者要消费的第一条消息的起始位置是用户自己通过consumer.setConsumerFromWhere()方法指定的。

public enum ConsumeFromwhere{

CONSUME_FROM_LAST_OFFSET,

@Deprecated
CONSUME_FROM_LAST_OFFSET_AND_FROM_MIN_WHEN_BOOT_FIRST,

@Deprecated
CONSUME_FROM_MIN_OFFSET,

@Deprecated
CONSUME_FROM_MAX_OFFSET,

CONSUME_FROM_FIRST_OFFSET,

CONSUME_FROM_TIMESTAMP,


}

CONSUME_FROM_LAST_OFFSET: 从queue的当前最后一条消息开始消费的
CONSUME_FROM_FIRST_OFFSET:从queue的第一条消息开始消费
CONSUME_FROM_TIMESTAMP:从指定的具体时间戳位置的消息开始消费，这个具体时间戳是通过另一语句指定的。

consumer.setConsumerTimestamp(“20225001080000”)yyyyMMddHHmmss

当消费完一批消息后，Consumer会提交其消费进度offset给Broker，Broker在收到消息进度后会将其更新到那个双层Map（ConsumerOffsetManager）及consumerOffset.json文件中，然后向该Consumer进行ACK（"ACK" 是 "Acknowledgement" 的缩写，意为确认或确认信号。在通信和计算机领域中，ACK 通常用于表示接收到数据或消息，并向发送方发送确认信号。），而ACK内容中包含了三项数据：

当前队列的最小offset
最大offset
及下次消费的起始offset（nextBeginOffset）

重试队列

当rocketMQ对消息的消费出现异常时，会将发生异常的消息的offset提交到Broker中的重试队列。系统在发生消息消费异常时会为当前的topic@group创建一个重试队列，该队列以%RETRY%开头，到达重试时间后进行消费重试。

persons的重试

offset的同步提交和异步提交

集群消费模式下，Consumer消费完消息后会向Broker提交消费进度offset，

其提交方式分为两种：

同步提交：消费者在消费完一批消息后回向Broker提交这些消息的offset，然后等待broker的成功响应。如在等待超时之前收到了成功响应，则继续读取下一批消息进行消费（从ACK中获取nextBeginOffset）。若没有收到响应，则会重新提交，直到获取到响应。而在这个等待过程中，消费者是阻塞的。其严重影响了消费者的吞吐量。

异步提交：消费者在消费完一批消费后向Broker提交offset，但无需等待Broker的成功响应，可以继续读取并消费下一批消息。这种方式增加了消费者的吞吐量。但需要注意，broker在收到提交的offset后，还是会向消费者进行响应。可能还没有收到ACK，此时消费者Consumer会从Broker中直接获取nextBeginOffset

消费幂等

什么时消费幂等？
当出现消费者对某条消息重复消费的情况时，重复消费的结果与消费一次的结果是相同的，并未对业务系统产生任何负面影响，那么这个消费过程是消费幂等。

幂等：若某操作执行多次与执行一次对系统产生的影响是相同的，则称该操作时幂等操作。

在互联网应用中，尤其在网络不稳定的情况下，消息很有可能会出现重复发送或者重复消费。如果重复的消息可能会影响业务处理，那么就应该对消息做幂等处理。

消息重复的场景分析

什么情况下可能出现消息被重复消费？最常见的有以下三种情况

发送时消息重复

当一条消息已被成功发送到Broker并完成持久化，此时出现了网络闪断，从而导致Broker对Producer应答失败。如果此时Producer意识到消息发送失败并尝试再次发送消息，此时Broker中就可能会出现两条内容相同并且Message ID也相同的消息，那么后续Consumer就一定会消费两次该消息。

消费时消息重复

消息已投递到Consumer并完成业务处理，当Consumer给Broker反馈应答时网络闪断，Broker没有接收消费成功响应。为了保证消息至少被消费一次的原则，Broker次尝试投递之前已被处理过的消息。此时消费者就会收到与之前处理过的内容相同。

Rebalance时消息重复

当Consumer Group中的Consumer数量发生变化时，或其订阅的Topic的Queue数量发生变化时，会触发Rebalance,此时Consumer可能会收到曾经被消费过的消息。

通用解决方案

两要素

幂等解决方案的设计中涉及到两项要素：

幂等令牌
与唯一性处理

只要充分利用好这两要素，就可以设计出好的幂等解决方案。

幂等令牌：是生产者与消费者两者中的既定协议，通常指具备唯一业务标识的字符串。例如，订单号、流水号。一般由Producer随着消息同一发送来
唯一性处理：服务端通过采用一定的算法逻辑，保证同一个逻辑不会被重复执行多次。例如，对同一笔订单的多次支付操作，只会成功一次

解决方案

对于常见的系统，幂等性操作的通用性解决方案是：

首先通过缓存去重。在缓存中如果已经存在了某幂等令牌，则说明本次操作是重复性操作；若缓存没有命中，则进入下一步。
在唯一性处理之前，现在数据库中查询幂等令牌作为索引是否存在。若存在，则说明本次操作作为重复性操作；若不存在，则进入下一步。
同一事务中完成三项操作：唯一性处理后，将幂等令牌写入到缓存中去，并将幂等令牌作为唯一索引的数据写入到DB中。

第一部已经判断过是否是重复性操作了，为什么第二部还要再次判断？

尽管在第一步已经通过缓存去重判断了重复性操作，但在高并发或分布式系统中，由于缓存和数据库之间存在延迟或不一致性，可能会出现极端情况下的并发问题，导致在短时间内出现缓存和数据库不一致的情况。因此，在第二步中再次查询数据库中的幂等令牌可以作为一种安全措施，确保系统的数据一致性和正确性。双重检查机制

以支付场景为例：

当支付请求到达后，首先在Redis缓存中却获取key为支付流水号的缓存value。若value不空，则说明本次支付是重复操作，业务系统直接返回调用侧重复支付标识；若value为空，则进入下一步操作
到DBMS中根据支付流水号查询是否存在相应实例。若存在，则说明本次支付是重复操作，业务系统直接返回调用侧重复支付标识；若不存在，则说明本次操作是首次操作，进入下一步完成唯一性处理
在分布式事务中完成三项操作：
1. 完成支付任务
2. 将当前支付流水号作为key,任意字符串作为value,通过set(key,value,expireTime)将数据写入到Redis缓存
3. 将当前支付流水号作为主键，与其它相关数据共同写入到DBMS

消息幂等的实现

消费幂等的解决方案很简单：为消息指定不会重复的唯一标识。因为MessageId有可能出现重复的情况，因为真正安全的幂等处理，不建议使用MessageId作为处理依据。最好的方式是以业务唯一标识作为幂等出力的关键依据，而业务的唯一标识可以通过消息key设置。

以支付场景为例，可以将消息的Key设置为订单号，作为幂等处理的依据。具体代码示例如下：

Message message = new Message();
message.setKey("ORDERID_100");
SendResult sendResult = producer.send(message):

消费者收到消息时可以根据消息的Key即订单号来实现消费幂等：


consumer.registerMessageListener(new MessageListenerConcurrently(){

@override
public ConsumeConcurrentlystatus consumeMessage(List<MessageExt> 
 msgs, ConsumeconcurrentlyContext context){
for(MessageExt msg: msgs){
string key msg. getKeys();
//根据业务唯一标识Key做幂等处理

....

}

return ConsumeConcurrentlystatus.CONSUME_SUCCESS;
}

});

RocketMQ本身能够保证消息不丢失，但不能保证消息不重复。

消息堆积和延迟

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中未处理的消息就会越来越多，这部分消息就被称为消息堆积。消息出现堆积进而会造成消息的消费延迟。

以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费延迟也无法接受

产生原因分析

Consumer使用长轮询Pull模式消费消息时，分为以下两个阶段：

拉去消息

Consumer通过长轮询（保持长链接拉去）Pull模式批量拉取的方式从服务端获取消息，将拉取到的消息缓存到本地缓冲队列中。对于拉取式消费，在内网环境会有很高的吞吐量，所以这一阶段一般不会成为消息堆积的瓶颈。

一个单线程单分区的低规格主机Consumer，其达到几万的TPS。如果多个分区多个线程，则可轻松达到几十万的TPS

消息消费

Consumer将本地缓存的消息提交到消息线程中，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消费能力完全依赖于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，导致处理单条信息的耗时比较长，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限，停止从服务端拉去消息。

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度决定。

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，在考虑消费并发度问题。

消费耗时

影响消息处理时长的主要因素是代码逻辑。

而代码逻辑中可能影响处理时长代码主要有两种类型：

CPU内部计算代码
外部I/O操作型代码。

通常情况下代码中如果没有负责的递归和循环的话。

内部计算耗时相对外部I/O操作来收几乎可以忽略，所以外部IO型代码是影响消息处理时长的主要症状。

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，Spring Cloud的对下游系统的Http接口调用

关于下游系统调用逻辑需要进行提前梳理，掌握每个调用操作预期的耗时，这样做是为了能够判断消费逻辑中IO操作的耗时是否合理。

通常消息堆积是由于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。

消息并发度

一般情况下，消费者端的消费并发度有单节点线程数和节点数量工程决定，其值为单节点线程数*节点数量。不过，通常需要优先调节单节点的线程数，如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
节点类型，即Consumer Group所包含的Consumer数量

对于普通消息、延时消息及事务消息，并发度计算都是单节点线程数*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。

全局顺序消息：该类型消息的Topic只有一个Queue分区，其可以保证该Topic的所有消息被顺序消费。为了保证这个全局顺序性，Consumer Group中在同一时刻只能有一个Consumer的一个线程进行消费，所以其并发度为1
分区顺序消息：该类型消息的Topic中有多个Queue分区，其仅可以保证该Topic的每个Queue分区中的消息被顺序消费，不能保证整个Topic中消息的顺序消费。为了保证这个分区顺序性，每个Queue分区中的消息在Consumer Group中的同一时刻只能有一个Consumer的一个线程被消费。即，在同一时刻最多会出现多个Queue分区有多个Consumer的多个线程并行消费。所以其并发度为Topic的分区数量。

单机线程数的计算

对一台主机中线程池中线程数的设置需要谨慎，不能盲目直接调大线程数，设置过大的线程数反而会带来大量的线程切换的开销。理想环境下单结点的最优线程数计算模型为：C*（T1 + T2） / T2

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

上式可以转换为 C * T1 / T1 + C * T2 / T1 = C + C * T2 / T1

注意，该计算的数值是理想i情况下的理论数值，在生产环境中，不建议直接使用，而是根据当前环境，先设置一个比该值小的数值然后观察其压测效果，然后再根据效果逐步调大线程数，直到找到该环境中性能最佳时的值。

如何避免

为了避免在业务使用时出现非预期的消息堆积和消费延迟问题，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延迟和设置消息消费的并发度。

梳理消息的消息耗时。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。
消息消费逻辑的I/O操作是否是必须的，能否用本地缓存等方案规避。
消费逻辑的复杂耗时的操作是否可以做异步化操作，如果可以，是否会造成逻辑错乱。

设置消费并发度。对于消息消费并发度的计算，可以通过以下两步实施：

逐步调大单个Consumer节点的线程数，并观测结点的性能指标，得到单个节点最优的消费线程数和消费吞吐量。
根据上下游链路的流量峰值计算出需要设置的节点数消息的清除
- 节点数=流量峰值 / 单个节点消息吞吐量
消息是被顺序存储在CommitLog文件的，且消息大小不定长，所以消息的清理是不可能以消息为单位进行清理的，而是以commitlog文件为单位进行清理的，否则会急剧下降清理效率，并实现逻辑复杂。

消息的清理

消息被消费过后会被清理掉吗？不会的。
消息是被顺序存储在commitlog文件的，且消息大小不定长，所以消息的清理是不可能以消息为单位进行清理的，而是以commitlog文件为单位进行清理的。否则会急剧下降清理效率，并实现逻辑复杂。

commitlog文件存在一个过期时间，默认为72小时，即三天，除了用户手动清理外，一下情况下也会被自动清理，无论文件中的消息是否给消费过：

文件过期，且达到清理时间点（默认为凌晨4点）后，自动清理过期文件。
文件过期，且磁盘空间占用率以达到过期清理警戒线（默认75%）后，无论是否达到清理时间点，都会自动清理过期文件。
磁盘占用率达到清理警戒线（默认为85%）后，开始按照设定好的规则清理文件，无论是否过期，默认会从最老的文件开始清理。
磁盘占用率达到系统危险警戒线（默认为90%）后，Broker将拒绝消息写入。

需要注意以下几点:

对于RockerMQ系统来说，删除一个1G大小的文件，是一个压力巨大的IO操作，在删除过程中，系统性能会骤然下降，所以，其默认清理时间点为凌晨四点，访问量最小的时间，也正因如此，我们要保障空间的空闲率，不要是系统出现在其他时间点删除Commitlog文件的情况。
官方建议RockerMQ服务的Linux文件系统采用ext4，性能较好。