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:
- 完成支付任务
- 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
- 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。