KafkaMirrorMaker 的不足以及一些改进

Producer 发送链路
主要的发送流程发送流程如下：

private Future<RecordMetadata> doSend(ProducerRecord<K, V> record, Callback callback) {
    TopicPartition tp = null;
    try {
        // 1. 阻塞获取集群信息，超时后抛出异常
        ClusterAndWaitTime clusterAndWaitTime = waitOnMetadata(record.topic(), record.partition(), maxBlockTimeMs);
        Cluster cluster = clusterAndWaitTime.cluster;

        // 2. 序列化要发送的数据
        byte[] serializedKey = keySerializer.serialize(record.topic(), record.headers(), record.key());
        byte[] serializedValue = valueSerializer.serialize(record.topic(), record.headers(), record.value());

        // 3. 决定数据所属的分区
        int partition = partition(record, serializedKey, serializedValue, cluster);
        tp = new TopicPartition(record.topic(), partition);

        // 4. 将数据追加到发送缓冲，等待发送线程异步发送
        RecordAccumulator.RecordAppendResult result = accumulator.append(tp, timestamp, serializedKey,
                serializedValue, headers, interceptCallback, remainingWaitMs);
        
        // 5. 唤醒异步发送线程，将缓冲中的消息发送给 brokers
        if (result.batchIsFull || result.newBatchCreated) {
            this.sender.wakeup();
        }
        return result.future;
    } catch (Exception e) {
        // ...
    }
}

决定分区
Producer 的功能是向某个 topic 的某个分区消息，所以它首先需要确认到底要向 topic 的哪个分区写入消息：

public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
    List<PartitionInfo> partitions = cluster.partitionsForTopic(topic);
    int numPartitions = partitions.size();
    if (keyBytes == null) { 
        // 如果 key 为空，使用 round-robin 策略确认目标分区（保证数据均匀）
        int nextValue = nextValue(topic);
        return Utils.toPositive(nextValue) % numPartitions;
    } else {
        // 如果 key 不为空，使用 key 的 hash 值确认目标分区（保证数据有序）
        return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;
    }
}

追加缓冲
为了保证防止过量消息积压在内存中，每个 Producer 会设置一个内存缓冲，其大小由buffer.memory选项控制。
如果缓冲区的数据超过该值，会导致Producer.send方法阻塞，等待内存释放（记录被发送出去或超时后被清理）：

public RecordAppendResult append(TopicPartition tp,
                                 long timestamp,
                                 byte[] key,
                                 byte[] value,
                                 Header[] headers,
                                 Callback callback,
                                 long maxTimeToBlock) throws InterruptedException {
    ByteBuffer buffer = null;
    if (headers == null) headers = Record.EMPTY_HEADERS;
    try {
        // 如果缓冲中存在未满的 ProducerBatch，则会尝试将记录追加到其中
        // ...

        // 估计记录所需要的空间
        byte maxUsableMagic = apiVersions.maxUsableProduceMagic();
        int size = Math.max(this.batchSize, AbstractRecords.estimateSizeInBytesUpperBound(maxUsableMagic, compression, key, value, headers));
        
        // 分配内存空间给当前记录
        // 如果内存空间不足则会阻塞等待内存空间释放，如果超过等待时间会抛出异常
        buffer = free.allocate(size, maxTimeToBlock);
        synchronized (dq) {
           
            // 再次尝试向现存的 ProducerBatch 中追加数据，如果成功则直接返回
            RecordAppendResult appendResult = tryAppend(timestamp, key, value, headers, callback, dq);
            if (appendResult != null) {
                return appendResult;
            }

            // 新建 ProducerBatch 并将当前记录追加到其中
            MemoryRecordsBuilder recordsBuilder = recordsBuilder(buffer, maxUsableMagic);
            ProducerBatch batch = new ProducerBatch(tp, recordsBuilder, time.milliseconds());
            FutureRecordMetadata future = Utils.notNull(batch.tryAppend(timestamp, key, value, headers, callback, time.milliseconds()))
            ;
            dq.addLast(batch);

            buffer = null;
            return new RecordAppendResult(future, dq.size() > 1 || batch.isFull(), true);
        }
    } finally {
        if (buffer != null)
            free.deallocate(buffer);
    }
}

异步发送
每个 Producer 都有一个发送线程，该线程会不停地调用Sender.sendProducerData方法将缓冲中的 RecordBatch 发送出去：

private long sendProducerData(long now) {
    Cluster cluster = metadata.fetch();

    // 获取就绪的 broker 节点信息，准备发送
    RecordAccumulator.ReadyCheckResult result = this.accumulator.ready(cluster, now);

    if (!result.unknownLeaderTopics.isEmpty()) {
        // 如果部分 topic 没有 leader 节点，则触发强制刷新
        for (String topic : result.unknownLeaderTopics)
            this.metadata.add(topic);
        this.metadata.requestUpdate();
    }

    // 根据就绪 broker 节点信息，获取缓冲中对应的 ProducerBatch，准备发送
    Map<Integer, List<ProducerBatch>> batches = this.accumulator.drain(cluster, result.readyNodes,
            this.maxRequestSize, now);
    if (guaranteeMessageOrder) {
        // 排除已经检查过的分区，避免重复检查
        for (List<ProducerBatch> batchList : batches.values()) {
            for (ProducerBatch batch : batchList)
                this.accumulator.mutePartition(batch.topicPartition);
        }
    }

    // 清理已经过期的 ProducerBatch 数据，释放被占用的缓冲内存
    List<ProducerBatch> expiredBatches = this.accumulator.expiredBatches(this.requestTimeout, now);
    if (!expiredBatches.isEmpty())
        log.trace("Expired {} batches in accumulator", expiredBatches.size());
    for (ProducerBatch expiredBatch : expiredBatches) {
        failBatch(expiredBatch, -1, NO_TIMESTAMP, expiredBatch.timeoutException(), false);
    }

    // 如果任意 broker 节点已经就绪，则将 pollTimeout 设置为 0
    // 这是为了避免不必要的等待，让内存中的数据能够尽快被发送出去
    long pollTimeout = Math.min(result.nextReadyCheckDelayMs, notReadyTimeout);
    if (!result.readyNodes.isEmpty()) {
        pollTimeout = 0;
    }

    // 通过 NetworkClient -> NetworkChannel -> TransportLayer
    // 最终将将消息写入 NIO 的 Channel
    sendProduceRequests(batches, now);

    return pollTimeout;
}

优化方案
从前面的分析我们可以得知以下两点信息：

每个 Producer 有一个内存缓冲区，当空间耗尽后会阻塞等待内存释放
每个 Producer 有一个异步发送线程，且只维护一个 socket 连接（每个 broker 节点）
为了提高转发效率、节省带宽，使用 Java 复刻了一版 KafkaMirrorMaker 并进行了一些优化：

支持将一个集群的数据广播到多个集群
使用多个 Producer 同时进行转发提高效率
数据保序
如果同时使用多个 Producer，可能在转发过程中发生数据乱序，折中的策略是根据 key 的 hash 值来选择 Producer，保证 key 相同的数据会使用同个 Producer 进行发送：

void send(ConsumerRecord<byte[], byte[]> message) {
    ProducerRecord record = new ProducerRecord<>(message.topic(), message.key(), message.value());
    int hash = Math.abs(Arrays.hashCode(message.key()));
    producers[hash % producers.length].send(record, onSend);
}

水位控制
多集群广播虽然能够一定程度上节省流量与机器资源，但是需要处理多个集群间发送速度不一致的问题。

极端情况下，如果其中某个机房的专线发生故障，Producer 会阻塞等待消息超时。当过量消息积压在 Queue 中，会导致 JMV 频繁的 FullGC，最终影响到对另一个机房的转发。

为了处理这一情况，需要在发送队列上加上水位线watermark限制：

interface Watermark {
    default long high() { return Long.MAX_VALUE;  }
    default long low()  { return 0; }
}

final BlockingQueue<byte[]> messageQueue = new LinkedBlockingQueue<>();
final AtomicLong messageBytes = new AtomicLong();

private void checkWatermark() {
    long bytesInQueue = messageBytes.get();
    if (bytesInQueue > bytesWatermark.high()) {
        long discardBytes = bytesInQueue - bytesWatermark.low();
        WatermarkKeeper keeper = new WatermarkKeeper(Integer.MAX_VALUE, discardBytes);
        keeper.discardMessage(messageQueue);
        long remainBytes = messageBytes.addAndGet(-discard.bytes());
    }
}

为了实现高效的数据丢弃，使用BlockingQueue.drainTo减少锁开销：

public class WatermarkKeeper extends AbstractCollection<byte[]> {

private final int maxDiscardCount;  // 丢弃消息数量上限
private final long maxDiscardBytes; // 丢弃消息字节上限

private int count;  // 实际丢弃的消息数
private long bytes; // 实际丢弃消息字节数

public MessageBlackHole(int maxDiscardCount, long maxDiscardBytes) {
    this.maxDiscardCount = maxDiscardCount;
    this.maxDiscardBytes = maxDiscardBytes;
}

public void discardMessage(BlockingQueue<byte[]> queue) {
    try {
        queue.drainTo(this);
    } catch (StopDiscardException ignore) {}
}

@Override
public boolean add(byte[] record) {
    if (count >= maxDiscardCount || bytes >= maxDiscardBytes) {
        throw new StopDiscardException();
    }
    count++;
    bytes += record.length;
    return true;
}

@Override
public int size() {
    return count;
}

public long bytes() {
    return bytes;
}

@Override
public Iterator<byte[]> iterator() {
    throw new UnsupportedOperationException("iterator");
}

// 停止丢弃
private static class StopDiscardException extends RuntimeException {
    @Override
    public synchronized Throwable fillInStackTrace() {
        return this;
    }
}

}
监控优化
不使用 KafkairrorMaker 的另一个重要原因是其 JMX 监控不友好：

RMI 机制本身存在安全隐患
JMX 监控定制化比较繁琐（使用 jolokia 也无法解决这一问题）
一个比较好的方式是使用 SpringBoot2 的 micrometer 框架实现监控：

// 监控注册表（底层可以接入不同的监控平台）
@Autowired
private MeterRegistry meterRegistry;

// 接入 Kafka 的监控信息
new KafkaClientMetrics(consumer).bindTo(meterRegistry);
new KafkaClientMetrics(producer).bindTo(meterRegistry);

// 接入自定义监控信息
Gauge.builder("bytesInQueue", messageBytes, AtomicLong::get)
     .description("Estimated message bytes backlog in BlockingQueue")
     .register(meterRegistry);

亚马逊测评 www.yisuping.com