一、背景说明

深夜接到客户紧急电话，反馈腾讯云 kafka 中有大量消息堆积未及时消费。每分钟堆积近 100w 条数据。但是查看 ES 监控，各项指标都远还没到性能瓶颈。后天公司就要搞电商促销活动，到时候数据量是现在的至少 2 倍，这让客户很是着急。这究竟是怎么回事呢？该从何排查才能发现问题所在呢？下面我们一起还原“案发”现场。

二、客户面临问题及分析

集群使用场景：使用腾讯云 ES 集群存储业务日志数据。

集群架构：冷热架构。

集群规模：3个热节点：8C32G+4T SSD ；4个温节点：8C32G+5T高性能云盘。

数据链路：Filebeat 采集日志数据 ---> 腾讯云 kafka ----> 客户自建 logstash ----> 腾讯云 Elasticsearch

具体问题反馈：

kafka 的日常消息生产量在 260w/min。但是看 kafka 监控发现消费量只有180w/min。也就是说每分钟会堆积近 100w 条消息，积累了一段时间后，kafka 中堆积的数据量达到数亿条。

kafka 消息生产消费监控

问题分析：

经过电话沟通后，拿到了客户的 logstash 配置如下：

logstash.conf

input{kafka{bootstrap_servers => "xx.xx.xx.xx:9092"#topics => ["xx-yhtplus","xx-order","xx-user","xx-image","xx-goods","xx-activities","xx-wechat"]topics_pattern  => "xx-.*"consumer_threads => 24decorate_events => truegroup_id => "logstash"codec => "json"auto_offset_reset => "latest"
}
}
filter {mutate {convert => ["respones-time", "float"]}
}
output {elasticsearch {hosts => ["http://腾讯云VIP:9200"]user => ""password => ""index =>  "%{[@metadata][topic]}-%{+YYYY-MM-dd}"}
}

logstash.yml

pipeline.workers: 8
pipeline.output.workers: 8
pipeline.batch.size: 5000
pipeline.batch.delay: 10

经过了解发现，客户在腾讯云 tke 中启动了 8 个 logstash 进程，但是实际上只有 3 个是活跃的，另外 5 个一直处于空闲状态，且每个 logstash 进程只使用了不到 3 核的 CPU。

logstash 进程

客户反馈对 logstash.yml 配置文件做了多次调整，均不生效。

pipeline.workers 设置为 logstash 核数；

pipeline.batch.size 从 5000 到 20000 均有调整。

通过客户的配置优化反馈来看，问题应该不是出在 logstash.yml 配置的调整上，而极有可能出现在消费 kafka 的源头上。我们可以把 logstash 理解为一个水管，从kafka 上游取水，往下游 ES 中灌。既然上游的水有积压，那无非就是调大进水口或者调大出水口。既然 ES 还没到瓶颈，且 logstash.yml 相关配置无论怎么优化调整，依然没有更多的水灌到 ES 中来。那可以肯定的是问题不在出水口，而是在kafka 这侧的进水口出了点问题，即消费 kafka 的口子没有完全打开。

三、优化建议

经过和客户更细致的沟通，得到如下反馈：

1. logstash 是统一消费一个消费组，该消费组中一共有 24 个 topic；

2. 24 个 topic 中有 2 个 topic 数据量非常大，其他 22 个 topic 数据量一般；

3. 每个 topic 设置为 3 个 partition。

得到如上反馈后，针对该问题，我这边给客户更进一步的优化方案如下：

1. 将 topic 进行拆分，两个大的 topic 分别单独作为一个消费组，其他的 22 个 topic 作为一个消费组，这样将一个消费组拆分出三个消费组进行消费；

2. 增大 topic 的 partition 数量，将两个大的 topic 的 partition 调整为 24，其他的22 个 topic 的 partition 调整为 8；

3. 起三组 logstash，分别消费对应的消费组；

4. 将每组 logstash 中 consumer_threads 和每组消费组的总 partition 大小设置保持一致，即保证每个 logstash 的 consumer_thread 数目* logstash 的进程数目 = kafka 对应 topic 的分区数。

起三组 logstash 消费进程

做完这些调整后，再次观察 kafka 的消费情况，已经从原来的 180w/min 提升到了520w/min。消费性能立马提升了近 3 倍。客户表示非常满意。再也不用担心两天后促销活动的消息堆积问题。

优化后的消费能力

四、问题解答

1、这个客户为什么用冷热分离的架构呢？

答：因为该客户对数据的保存时间有严格要求，即数据至少要保存两个月的时间，但是对 ES 的热节点 ssd 架构比较敏感，因此我们推荐了客户使用腾讯云 ES 的冷热分离的架构，即新索引在热节点上创建，数据保存一周后，通过 ES 提供的索引生命周期管理，自动将热节点上的数据迁移到冷节点中，冷节点使用腾讯云高性能云盘，价格相对 ssd 更加便宜。数据满 2 个月后，通过 ES 的索引生命周期自动将冷节点上的数据进行删除，以释放更多的存储空间。

2、明明设置了索引生命周期管理，但是热节点上的数据都超过一周了为什么还是没有迁移到冷节点？

答：索引的生命周期配置只会对新增的索引生效，默认对存量的索引是不生效的，这是为了防止对存量比较重要的索引造成误删除等不可逆的影响，如果需要对存量索引也生效的话，可以通过设置存量索引的 settings，关联对应的 Policy 即可。

往期推荐

3行代码能写出8个接口！同事这样做的

Java 服务性能优化，提升QPS

API 接口文档平台，多人协作太顺手了

Java方法调用的底层原理探秘

3w+字详解 23 种设计模式（多图 + 代码）

Nginx+keepalived 高可用，防盗链及动静分离配置解决方案，先收藏再看！

分布式事务七种解决方案，最后一种经典了！

回复【干货】获取精选干货视频教程

回复【加群】加入疑难问题攻坚交流群

回复【mat】获取内存溢出问题分析详细文档教程

回复【赚钱】获取用java写一个能赚钱的微信机器人

回复【副业】获取程序员副业攻略一份

戳这儿