Technology

Chart Type 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go 内存管理 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

Architecture

实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 在离线业务混部 RNN pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台 tf-operator源码分析 k8s批处理调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF 生命周期管理 openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Kubernetes webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 概率论 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列


《Apache Kafka源码分析》——server

2019年01月30日

前言

建议先阅读下《Apache Kafka源码分析》——Producer与Consumer

服务端网络开发的基本套路

对应到kafka server

对kafka好奇的几个问题:

  1. 数据在磁盘上是如何存储的?

网络层

kafka client (producer/consumer) 与kafka server通信时使用自定义的协议,一个线程 一个selector 裸调java NIO 进行网络通信。

面对高并发、低延迟的需求,kafka 服务端使用了多线程+多selector

这是一款常见的服务端 实现

  1. 分层实现,网络io 部分负责读写数据,并将数据序列化/反序列化为协议请求。
  2. 协议请求交给 上层处理, API层就好比 tomcat 中的servlet

单机——基本实现

初始化过程

整体思路

kafka 服务端核心是 KafkaServer,KafkaServer 没什么特别的,聚合和启动各个能力对象即可(kafka 称之为subsystem)。各能力对象都用到了统一的线程池,各自干各自的活儿。

  1. LogManager。 The entry point to the kafka log management subsystem. The log manager is responsible for log creation, retrieval, and cleaning. All read and write operations are delegated to the individual log instances. LogManager 负责日志文件的维护,单纯的日志写入交给了Log 对象
  2. ReplicaManager的主要功能是管理一个Broker 范围内的Partition 信息。代码上,Partition 对象为ReplicaManager 分担一部分职能
  3. KafkaController,在Kafka集群的多个Broker中, 有一个Broker会被推举为Controller Leader,负责管理整个集群中分区和副本的状态。

从下文可以看到,broker 的主要逻辑就是接收各种请求并处理。除了使用了自定义网络协议导致网络层不一样,在api层/业务层,broker 与webserver 的开发逻辑是类似的。作为一个“webserver”,KafkaServer 的一个很重要组件是请求分发——KafkaApis。KafkaServer 将各个组件startup后,KafkaApis 聚合各个能力组件,将请求分发到 各个能力组件具体的方法上。

要注意两个层次的概念

  1. broker 层次的leader 和 follower
  2. replica 层次的leader 和 follower

从单机角度看,自定义协议 + 主流程 + 旁路subsystem,与mysql 有点神似。

请求处理

kafka 的请求多达45种(2.3版本),分为两类:数据类请求;控制类请求。

当网络线程拿到请求后,它不是自己处理,而是将请求放入到一个共享请求队列中。Broker 端还有个 IO 线程池,负责从该队列中取出请求,执行真正的处理。如果是 PRODUCE 生产请求,则将消息写入到底层的磁盘日志中;如果是 FETCH 请求,则从磁盘或页缓存中读取消息。

上图的请求处理流程对于所有请求都是适用的,但因为控制类请求的重要性,社区于 2.3 版本正式实现了数据类请求和控制类请求的分离。

控制器

Broker 在启动时,会尝试去 ZooKeeper 中创建/controller 节点。Kafka 当前选举控制器的规则是:第一个成功创建 /controller 节点的 Broker 会被指定为控制器。

假定最开始Broker 0 是控制器。当 Broker 0 宕机后,ZooKeeper 通过 Watch 机制感知到并删除了 /controller 临时节点。之后,所有存活的 Broker 开始竞选新的控制器身份。Broker 3 最终赢得了选举,成功地在 ZooKeeper 上重建了 /controller 节点。之后,Broker 3 会从ZooKeeper 中读取集群元数据信息,并初始化到自己的缓存中。至此,控制器的 Failover 完成,可以行使正常的工作职责了。

日志存储

整体思想

接收到客户端的请求之后,不同的系统(都要读写请求数据)有不同的反应

  1. redis 读取/写入内存
  2. mysql 读取/写入本地磁盘
  3. web 系统,转手将请求数据处理后写入数据;或者查询数据库并返回响应信息,其本身就是一个中转站。

读写本地磁盘的系统 一般有考虑几个问题

  1. 磁盘只能存储二进制数据或文本数据,文本数据你可以一行一行读取/写入。二进制数据则要求制定一个文件格式,一次性读写特定长度的数据。
  2. 如果文件较大,为加快读写速度,还要考虑读写索引文件
  3. 内存是否需要缓存热点磁盘数据

建议和mysql 对比学习下 《mysql技术内幕》笔记1

逻辑概念 对应的物理概念 备注
Log 目录 目录的命名规则<topic_name>_<partition_id>
LogSegment 一个日志文件、一个索引文件 命名规则[baseOffset].log[baseOffset].index
baseOffset 是日志文件中第一条消息的offset
offset 消息在日志文件中的偏移 类似于数据库表中的主键
由索引文件记录映射关系

以索引文件中的3,205为例,在数据文件中表示第3个message(在全局partition表示第314个message),以及该消息的物理偏移地址为205。

当写满了一个日志段后,Kafka 会自动切分出一个新的日志段,并将老的日志段封存起来。Kafka 在后台还有定时任务会定期地检查老的日志段是否能够被删除,从而实现回收磁盘空间的目的。

写日志过程

分区 and 副本

副本机制可以保证数据的持久化或消息不丢失,但倘若Leader副本积累了太多的数据以至于单台 Broker 机器都无法容纳了,此时应该怎么办呢?如果你了解其他分布式系统,你可能听说过分片、分区域等提法,比如 MongoDB 和 Elasticsearch 中的 Sharding、HBase 中的 Region,其实它们都是相同的原理,只是 Partitioning 是最标准的名称。

follower replica是不对外提供服务的,只是定期地异步拉取领导者副本中的数据而已。既然是异步的,就存在着不可能与 Leader 实时同步的风险。

Kafka 引入了 In-sync Replicas,也就是所谓的 ISR 副本集合。ISR 中的副本都是与 Leader 同步的副本,相反,不在 ISR 中的追随者副本就被认为是与 Leader 不同步的。那么,到底什么副本能够进入到 ISR 中呢?

这个标准就是 Broker 端参数 replica.lag.time.max.ms 参数值。这个参数的含义是 Follower 副本能够落后 Leader 副本的最长时间间隔,当前默认值是 10 秒。这就是说,只要一个 Follower 副本落后 Leader 副本的时间不连连续超过 10 秒,那么 Kafka 就认为该 Follower 副本与 Leader 是同步的

我们假设这是某个分区 Leader 副本的高水位图。在分区高水位以下的消息被认为是已提交消息,反之就是未提交消息。消费者只能消费已提交消息,即图中位移小于 8 的所有消息。图中还有一个日志末端位移的概念,即 Log End Offset,简写是 LEO。它表示副本写入下一条消息的位移值。Kafka 所有副本都有对应的高水位和 LEO 值,只不过 Leader 副本比较特殊,Kafka 使用 Leader 副本的高水位来定义所在分区的高水位。

通过高水位,Kafka 既界定了消息的对外可见性(高水位之前的),又实现了异步的副本同步机制(高水位与LEO 之间的)。

  leader replica follower replica
leo 接收到producer 发送的消息,写入到本地磁盘,更新其leo follower replica从leader replica拉取消息,会告诉leader replica 从哪个位移处开始拉取
写入到本地磁盘后,会更新其leo
高水位 currentHW = min(currentHW,LEO-1,LEO-2,……,LEO-n)
所有replica leo的变化都会引起HW的重新计算
follower replica 更新完leo 之后,会比较其leo 与leader replica 发来的高水位值,用两者较小值作为自己的高水位

zookeeper

为什么要zookeeper,因为关联业务要交换元数据

kafka的主体是producer ==> topic ==> consumer,topic只是一个逻辑概念,topic包含多个分区,每个分区数据包含多个副本(leader副本,slave副本)。producer在发送数据之前,首先要确定目的分区(可能变化),其次确定目的分区的leader副本所在host,知道了目的地才能发送record,这些信息是集群的meta信息。producer每次向topic发送record,都要waitOnMetadata(record.topic(), this.maxBlockTimeMs)以拿到最新的metadata。

producer面对的是一个broker集群,这个meta信息找哪个broker要都不方便,也不可靠,本质上,还是从zookeeper获取比较方便。zookeeper成为producer与broker集群解耦的工具。

关联业务之间需要交换元数据,当然,数据库也可以承担这个角色,但数据库没有副本等机制保证可靠性

多机——基于zk协作的两种方式

在kafka中,broker、分区、副本状态等 作为集群状态信息,一旦发生改变,都会需要集群的broker作出反应,那么broker 之间如何协同呢?

在Kafka 早期版本中,每个broker 都会向zookeeper 上注册watcher,当分区或副本状态变化时会唤醒很多不必要的watcher, 导致羊群效应及zookeeper 集群过载。

在新版的设计中,只有Controller Leader 在zookeeper上注册wather,其它的broker 几乎不用再监听zookeeper 中的数据变化。 每个Broker 启动时都会创建一个KafkaController 对象,但是集群中只能存在一个Controller Leader来对外提供服务。在集群启动时,多个Broker上的KafkaController 会在指定路径下竞争创建节点,只有第一个成功创建节点的KafkaController 才能成为Leader(其余的成为Follower)。当Leader出现故障后,所有的Follower会收到通知,再次竞争新的Leader。KafkaController 与Broker 交互,Broker 处理来自KafkaController 的LeaderAndIsrRequest、StopReplicaRequest、UpdateMetadataRequest 等请求

简单说,老版本Broker 之间的数据传递依赖于Zookeeper,每个Broker 对zookeeper 的所有数据数据变化 相机做出反应 并更新zookeeper,比较低效。新版本Broker 选举出Controller Leader 后, 由Controller Leader 相机向各个Broker 发出指令。有人告诉你做什么,总比你拿到数据后自己分析判断再行动要容易些。

作为对比,hadoop 之类框架有明确的master/slave 之分,但为了高可用,master 往往要多个副本。除此之外,分布式框之间的协同 应该是相通的

  1. 每个组件启动后,向zk 注册自己的信息
  2. 接收master/leader 的各种请求(http协议或自定义协议) 并处理即可,处理完相机更新zk的数据

从这个角度看,每个slave 组件的逻辑与业务程序猿常写的web server 也别无二致

在安装kafka的时候,经常需要改三个配置文件。

  1. server.properties, 配置zk地址
  2. producer.properties, 配置broker列表,只有实际的生产端需要(估计是给命令行工具用的)
  3. consumer.properties, 配置broker列表,只有实际的消费端需要(估计是给命令行工具用的)

早期consumer.properties 也是要配置 zk地址的,在靠后的版本就不需要了,这个变迁也体现了zk 作用的变化。producer.properties 未发现要配置zk 地址。

图中圆角的矩形是临时节点,直角矩形是持久化的节点。

  1. 左侧这棵树保存的是 Kafka 的 Broker 信息,/brokers/ids/[0…N],每个临时节点对应着一个在线的 Broker,Broker 启动后会创建一个临时节点,代表 Broker 已经加入集群可以提供服务了,节点名称就是 BrokerID,节点内保存了包括 Broker 的地址、版本号、启动时间等等一些 Broker 的基本信息。如果 Broker 宕机或者与 ZooKeeper 集群失联了,这个临时节点也会随之消失。
  2. 右侧部分的这棵树保存的就是主题和分区的信息。/brokers/topics/ 节点下面的每个子节点都是一个主题,节点的名称就是主题名称。每个主题节点下面都包含一个固定的 partitions 节点,pattitions 节点的子节点就是主题下的所有分区,节点名称就是分区编号。每个分区节点下面是一个名为 state 的临时节点,节点中保存着分区当前的 leader 和所有的 ISR 的 BrokerID。这个 state 临时节点是由这个分区当前的 Leader Broker 创建的。如果这个分区的 Leader Broker 宕机了,对应的这个 state 临时节点也会消失,直到新的 Leader 被选举出来,再次创建 state 临时节点。

Kafka Pipeline

《软件架构设计》

  1. 对于ACK=ALL场景下,客户端每发送一条消息,要写入到Leader、Follower1和Follower2 之后,Leader 才会对客户端返回成功
  2. Leader 不会主动给两个Follower 同步数据,而是等两个Follower 主动拉取,并且是批量拉取
  3. 为什么叫pipeline呢?Leader处理完msg1就去处理msg2了,等Follower同步完成再告诉客户端msg1接收成功。将一次消息处理分为接收消息和同步消息两个步骤,并且并行化了

主动拉取 是kafka 的一个重要特征,不仅是consumer 主动拉取broker, broker partition follower 也是主动拉取leader。

小结

面向对象的源码分析,一般先宏观(比如如何启动,比如业务逻辑的实现路径等)后细节,就是类图和主流程序列图

  1. 类图表达依赖关系,反映了代码的组织和业务抽象
  2. 主流程展示主要执行路径,反应了业务的逻辑

声明式编程范式初探命令式编程中的变量本质上是抽象化的内存,变量值是该内存的储存内容。JVM 线程通信 靠共享内存,反映在代码上 就是共享对象。

源码分析体会任何一个系统的设计都有功能和性能(泛化一下就是功能性和非功能性) 两个部分,识别系统模块属于哪个部分,有助于简化对系统的认识。通常,一个系统的最早版本只专注于功能,后续除非大的变动,后来的演化大部分都是为了性能上的追求。在kafka 这块,zk的协作方式等方面的变化 有很充分的体现。