Kafka性能优化及性能测试

目的：

充分发挥kafka在低时延，高吞吐等不同场景下的优势。

参数配置：

1）提升吞吐量

2）保证低时延

3）保证高持久

4）相关参数设置说明

1、内存缓冲的大小：buffer.memory

Kafka的客户端发送数据到服务器，一般都是要经过缓冲的，也就是说，你通过KafkaProducer发送出去的消息都是先进入到客户端本地的内存缓冲里，然后把很多消息收集成一个一个的Batch，再发送到Broker上去的。所以这个“buffer.memory”的本质就是用来约束KafkaProducer能够使用的内存缓冲的大小的，他的默认值是32MB。那么既然了解了这个含义，大家想一下，在生产项目里，这个参数应该怎么来设置呢？你可以先想一下，如果这个内存缓冲设置的过小的话，可能会导致一个什么问题？首先要明确一点，那就是在内存缓冲里大量的消息会缓冲在里面，形成一个一个的Batch，每个Batch里包含多条消息。然后KafkaProducer有一个Sender线程会把多个Batch打包成一个Request发送到Kafka服务器上去。
内存缓冲区设置太小可能导致一个问题：消息快速的写入内存缓冲里面，但是Sender线程来不及把Request发送到Kafka服务器。这样是不是会造成内存缓冲很快就被写满？一旦被写满，就会阻塞用户线程，不让继续往Kafka写消息了。所以对于“buffer.memory”这个参数应该结合自己的实际情况来进行压测，你需要测算一下在生产环境，你的用户线程会以每秒多少消息的频率来写入内存缓冲。比如说每秒300条消息，那么你就需要压测一下，假设内存缓冲就32MB，每秒写300条消息到内存缓冲，是否会经常把内存缓冲写满？经过这样的压测，你可以调试出来一个合理的内存大小。

2、多少数据打包为一个Batch合适：batch.size

这个东西是决定了你的每个Batch要存放多少数据就可以发送出去了。比如说你要是给一个Batch设置成是16KB的大小，那么里面凑够16KB的数据就可以发送了。这个参数的默认值是16KB，一般可以尝试把这个参数调节大一些，然后利用自己的生产环境发消息的负载来测试一下。比如说发送消息的频率就是每秒300条，那么如果比如“batch.size”调节到了32KB，或者64KB，是否可以提升发送消息的整体吞吐量。因为理论上来说，提升batch的大小，可以允许更多的数据缓冲在里面，那么一次Request发送出去的数据量就更多了，这样吞吐量可能会有所提升。但是这个东西也不能无限的大，过于大了之后，要是数据老是缓冲在Batch里迟迟不发送出去，那么岂不是你发送消息的延迟就会很高。比如说，一条消息进入了Batch，但是要等待5秒钟Batch才凑满了64KB，才能发送出去。那这条消息的延迟就是5秒钟。所以需要在这里按照生产环境的发消息的速率，调节不同的Batch大小自己测试一下最终出去的吞吐量以及消息的延迟，设置一个最合理的参数。

3、要是一个Batch迟迟无法凑满怎么办：linger.ms

要是一个Batch迟迟无法凑满，此时就需要引入另外一个参数了，“linger.ms”，他的含义就是说一个Batch被创建之后，最多过多久，不管这个Batch有没有写满，都必须发送出去了。
给大家举个例子，比如说batch.size是16kb，但是现在某个低峰时间段，发送消息很慢。这就导致可能Batch被创建之后，陆陆续续有消息进来，但是迟迟无法凑够16KB，难道此时就一直等着吗？当然不是，假设你现在设置“linger.ms”是50ms，那么只要这个Batch从创建开始到现在已经过了50ms了，哪怕他还没满16KB，也要发送他出去了。所以“linger.ms”决定了你的消息一旦写入一个Batch，最多等待这么多时间，他一定会跟着Batch一起发送出去。避免一个Batch迟迟凑不满，导致消息一直积压在内存里发送不出去的情况。这是一个很关键的参数。这个参数一般要非常慎重的来设置，要配合batch.size一起来设置。举个例子，首先假设你的Batch是32KB，那么你得估算一下，正常情况下，一般多久会凑够一个Batch，比如正常来说可能20ms就会凑够一个Batch。那么你的linger.ms就可以设置为25ms，也就是说，正常来说，大部分的Batch在20ms内都会凑满，但是你的linger.ms可以保证，哪怕遇到低峰时期，20ms凑不满一个Batch，还是会在25ms之后强制Batch发送出去。如果要是你把linger.ms设置的太小了，比如说默认就是0ms，或者你设置个5ms，那可能导致你的Batch虽然设置了32KB，但是经常是还没凑够32KB的数据，5ms之后就直接强制Batch发送出去，这样也不太好其实，会导致你的Batch形同虚设，一直凑不满数据。

4、最大请求大小：“max.request.size”

这个参数决定了每次发送给Kafka服务器请求的最大大小，同时也会限制你一条消息的最大大小也不能超过这个参数设置的值，这个其实可以根据你自己的消息的大小来灵活的调整。给大家举个例子，你们公司发送的消息都是那种大的报文消息，每条消息都是很多的数据，一条消息可能都要20KB。此时你的batch.size是不是就需要调节大一些？比如设置个512KB？然后你的buffer.memory是不是要给的大一些？比如设置个128MB？只有这样，才能让你在大消息的场景下，还能使用Batch打包多条消息的机制。但是此时“max.request.size”是不是也得同步增加？

5、重试机制：“retries”和“retries.backoff.ms”

“retries”和“retries.backoff.ms”决定了重试机制，也就是如果一个请求失败了可以重试几次，每次重试的间隔是多少毫秒。
这个大家适当设置几次重试的机会，给一定的重试间隔即可，比如给100ms的重试间隔。

6、确认机制：acks

此配置是表明当一次produce请求被认为完成时的确认值。特别是，多少个其他brokers必须已经提交了数据到他们的log并且向他们的leader确认了这些信息。典型的值包括：
0：表示producer从来不等待来自broker的确认信息（和0.7一样的行为）。这个选择提供了最小的时延但同时风险最大（因为当server宕机时，数据将会丢失）。
1：表示获得leader replica已经接收了数据的确认信息。这个选择时延较小同时确保了server确认接收成功。
-1：producer会获得所有同步replicas都收到数据的确认。同时时延最大，然而，这种方式并没有完全消除丢失消息的风险，因为同步replicas的数量可能是1。如果你想确保某些replicas接收到数据，那么你应该在topic-level设置中选项min.insync.replicas设置一下。

7、min.insync.replicas：

当生产者设置应答为"all"(或“-1”)时，此配置指定了成功写入的副本应答的最小数。如果没满足此最小数，则生产者将引发异常(NotEnoughReplicas或NotEnoughReplicasAfterAppend)
当min.insync.replicas和acks强制更大的耐用性时。典型的情况是创建一个副本为3的topic，将min.insync.replicas设置为2，并设置acks为“all”。如果多数副本没有收到写入，这将确保生产者引发异常。

8、压缩compression.type：

压缩的速度上lz4=snappy<gzip

9、日志保留策略配置

当kafka server的被写入海量消息后，会生成很多数据文件，且占用大量磁盘空间，如果不及时清理，可能磁盘空间不够用，kafka默认是保留7天。

优化建议：
减少日志保留时间，建议三天或则更多时间。log.retention.hours=72
此外，segment段文件配置1GB，有利于快速回收磁盘空间，重启kafka加载也会加快(如果文件过小，则文件数量比较多，kafka启动时是单线程扫描目录(log.dir)下所有数据文件)，文件较多时性能会稍微降低。log.segment.bytes=1073741824

10、log数据文件刷盘策略

为了大幅度提高producer写入吞吐量，需要定期批量写文件

优化建议：
每当producer写入10000条消息时，刷数据到磁盘。log.flush.interval.messages=10000
每间隔1秒钟时间，刷数据到磁盘。log.flush.interval.ms=1000

Producer程序优化示例

虚拟机测试环境：

props.put("bootstrap.servers", props.getProperty("kafka.cluster"));
props.put("retries", 0);
props.put("batch.size", 204800);
props.put("linger.ms", 100);
props.put("buffer.memory", 67108864);
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("acks", "0");
props.put("request.timeout.ms", "60000");
props.put("compression.type","lz4");

实际生产环境可参考：

https://my.oschina.net/objcoding/blog/4600179

优化前后对比：

以下优化对比在虚拟机测试环境中进行：

1）优化前：

[root@node02 kafka_2.11-0.10.2.2]# ./bin/kafka-producer-perf-test.sh --topic emq --throughput 100000 --num-records 100000 --producer-props bootstrap.servers=192.168.72.141:9092 --record-size 1000
18224 records sent, 3640.4 records/sec (3.47 MB/sec), 2304.1 ms avg latency, 4117.0 max latency.
38385 records sent, 7677.0 records/sec (7.32 MB/sec), 4753.8 ms avg latency, 5970.0 max latency.
100000 records sent, 7538.635507 records/sec (7.19 MB/sec), 3486.82 ms avg latency, 5970.00 ms max latency, 3541 ms 50th, 5523 ms 95th, 5739 ms 99th, 5957 ms 99.9th.

2）优化后：

## ack为0
[root@node02 kafka_2.11-0.10.2.2]# ./bin/kafka-producer-perf-test.sh --topic emq --throughput 100000 --num-records 100000 --producer-props bootstrap.servers=192.168.72.141:9092 acks=0 compression.type=lz4 batch.size=204800 linger.ms=100 retries=0  buffer.memory=67108864 --record-size 1000
100000 records sent, 77160.493827 records/sec (73.59 MB/sec), 44.78 ms avg latency, 261.00 ms max latency, 42 ms 50th, 96 ms 95th, 111 ms 99th, 128 ms 99.9th.## ack为1
[root@node02 kafka_2.11-0.10.2.2]# ./bin/kafka-producer-perf-test.sh --topic emq --throughput 100000 --num-records 100000 --producer-props bootstrap.servers=192.168.72.141:9092 acks=1 compression.type=lz4 batch.size=204800 linger.ms=100 retries=0  buffer.memory=67108864 --record-size 1000
100000 records sent, 79365.079365 records/sec (75.69 MB/sec), 59.57 ms avg latency, 251.00 ms max latency, 52 ms 50th, 124 ms 95th, 179 ms 99th, 195 ms 99.9th.

优化后吞吐量显著提升，延迟也下降明显。

Kafka性能优化及性能测试相关推荐

SQL性能优化以及性能测试
SQL性能优化以及性能测试博主介绍笛卡尔连接分页limit的sql优化的几种方法
前端性能优化之性能测试
前端性能优化是一个很宽泛的概念,有很多教程都有前端性能优化的方法,这也是我们一直在关注的一件重要事情.配合各种方式.手段.辅助系统,前端优化的最终目的都是提升用户体验,改善页面性能,我们常常竭尽全力进 ...
kafka性能优化入门
当我们谈论 Kafka 性能调优时,需要考虑很少的配置参数.因此,为了提高性能,最重要的配置是控制磁盘刷新速率的配置. 此外,我们可以根据组件划分这些配置.因此,让我们先谈谈Producer.因此,在 ...
Kafka 性能调优实战：同等资源配置性能提升 20 几倍的秘诀
作者 | 丁威责编 | 欧阳姝黎抛出问题笔者最近在折腾数据异构体系,在实现MySQL增量数据同步到MQ(Kafka.RocketMQ),本文的故事就从这里开始. 众所周知,为了提高写 ...
跨境茶话会8月期丨性能优化的艺术
大师兄说众所周知,对于现在国内的互联网环境,不管什么样的系统,一旦等用户的访问量上去之后,我们每增加一个功能实际上都是要考虑它的吞吐量和延迟,在加工上都是要做一个缜密的思考的.所以我相信在这方面许多 ...
Kafka性能篇：为何Kafka这么快？
『码哥』的 Redis 系列文章有一篇讲透了 Redis 的性能优化 --<Redis 核心篇:唯快不破的秘密>.深入地从 IO.线程.数据结构.编码等方面剖析了 Redis " ...
网站性能优化有哪些方法
网站性能优化有哪些方法一.总结一句话总结: web前端性能优化:浏览器访问优化.CDN加速.反向代理应用服务器性能优化:分布式缓存.异步操作.使用集群.代码优化 web前端性能优化方法有哪些 1 ...
漫游Kafka设计篇之性能优化（7）
Kafka在提高效率方面做了很大努力.Kafka的一个主要使用场景是处理网站活动日志,吞吐量是非常大的,每个页面都会产生好多次写操作.读方面,假设每个消息只被消费一次,读的量的也是很大的,Kafka也 ...
漫游Kafka设计篇之性能优化
原文地址:http://blog.csdn.net/honglei915/article/details/37564757 Kafka视频教程同步首发,欢迎观看! Kafka在提高效率方面做了很大努力 ...

Kafka性能优化及性能测试

目的：

参数配置：

Producer程序优化示例

优化前后对比：

Kafka性能优化及性能测试相关推荐

最新文章

热门文章