Kafka集群调优+能力探底

2023-12-05 20:10 由昔久发表于 #软件设计

一、前言

我们需要对4个规格的kafka能力进行探底，即其可以承载的最大吞吐；4个规格对应的单节点的配置如下：

标准版： 2C4G
铂金版： 4C8G
专业版： 8C16G
企业版： 16C32G

另外，一般来讲，在同配置下，kafka的读性能是要优于写性能的，写操作时，数据要从网卡拷贝至堆内存，然后进行一堆数据校验、解析后，会将数据拷贝至堆外内存，然后再拷贝至操作系统的page cache，最后操作系统异步刷盘至设备中。而读操作时，kafka使用了零拷贝技术，数据会从disk或page cache直接拷贝到网卡，节省了大量的内存拷贝。因此我们这次探底将聚焦于链路的短板，即kafka的写操作进行压测

注：本文不是专业的压测报告，而是针对不同集群调优，以获取其最大的吞吐能力

二、磁盘能力探底

在真正开始对kafka压测前，我们首先对磁盘的能力进行一个摸底。因为kafka是典型的数据型应用，是强依赖磁盘性能的，一旦有了这个数据，那么这个就是kafka的性能天花板。如果磁盘是传统的机械磁盘，那么瓶颈毫无悬念一般都会落在磁盘上；但如果磁盘类型是SSD，而且性能很高的话，操作系统会极力压榨cpu，从而获取一个最大刷盘吞吐，因此瓶颈在哪就很难讲了

要测试磁盘吞吐的话，2个变参的影响较大：

单次写入磁盘的数据量
写盘的线程数

2.1、单次刷盘大小

现在的硬件厂商，对于磁盘的优化，基本上都是4K对齐的，因此我们的参数一般也要设置为4K的整数倍，例如4K\8K\16K... 如果单次写入量小于4K，例如只写了10byte，那么底层刷盘的时候，也会刷4K的量，这就是臭名昭著的写放大

而具体单次写多少数据量能达到最优呢？这就需要不断的benchmark了

2.2、刷盘线程数

我们知道kafka的broker通过参数num.io.threads来控制io的线程数量，通常是cpu * 2，不过这个参数并不能真实反应在同一时刻写盘的线程数，因此我们探底的时候，也需要动态修改这个参数，从而获取磁盘真实的吞吐

2.3、探底工具

public class DiskMain2 {
    private static final long EXE_KEEP_TIME = 30 * 1000;

    public static void main(String[] args) throws Exception {
        new DiskMain2().begin(args);
    }

    private void begin(String[] args) throws Exception {
        AtomicLong totalLen = new AtomicLong();
        long begin = System.currentTimeMillis();
        int threadNum = args.length > 0 ? Integer.parseInt(args[0]) : 4;
        int msgK = args.length > 1 ? Integer.parseInt(args[1]) : 16;
        int size = msgK * 1024;
        List<Thread> threadList = new ArrayList<>();
        for (int j = 0; j < threadNum; j++) {
            Thread thread = new Thread(() -> {
                try {
                    File file = new File("/bitnami/kafka/" + UUID.randomUUID() + ".txt");
                    file.createNewFile();
                    FileChannel channel = FileChannel.open(Paths.get(file.getPath()), StandardOpenOption.WRITE);
                    ByteBuffer byteBuffer = ByteBuffer.allocateDirect(size);
                    for (int i = 0; ; i++) {
                        byteBuffer.clear();
                        byteBuffer.position(size);
                        byteBuffer.flip();
                        channel.write(byteBuffer);
                        if (i % 100 == 0) {
                            long cost = System.currentTimeMillis() - begin;
                            if (cost > EXE_KEEP_TIME) {
                                break;
                            }
                        }
                    }
                    channel.force(false);
                    totalLen.addAndGet(file.length());
                    file.delete();
                } catch (IOException e) {
                    throw new RuntimeException(e);
                }
            });
            thread.start();
            threadList.add(thread);
        }
        for (Thread thread : threadList) {
            thread.join();
        }
        long cost = (System.currentTimeMillis() - begin) / 1000;
        System.out.println((totalLen.get() / 1024 / 1024) + " MB");
        System.out.println(cost + " sec");
        System.out.println(totalLen.get() / cost / 1024 / 1024 + " MB/sec");
    }
}

简单描述下这个工具做的事儿：启动M（可配）个线程，每个线程单次往磁盘中写入N（可配）K的数据，整个过程持续30秒，然后统计所有写入文件的总大小，最后除以时间，从而计算磁盘吞吐

几个注意点：

大块的磁盘写入，一定要使用FileChannel，与kafka中的log写入对齐
尽量减少cpu的使用，将压力下放给磁盘，demo中使用的ByteBuffer，通过修改position的值模拟大块数据
使用DirectByteBuffer，减少一次堆内存 --> 对外内存的拷贝

2C4G

[root@jmc-pod kafka]# java DiskMain 2 4 802 MB/sec

[root@jmc-pod kafka]# java DiskMain 2 8 1016 MB/sec

[root@jmc-pod kafka]# java DiskMain 2 16 1105 MB/sec

[root@jmc-pod kafka]# java DiskMain 2 32 942 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 4 1013 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 8 941 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 16 1062 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 32 1076 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 4 916 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 8 993 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 16 1035 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 32 982 MB/sec

4C8G

[root@jmc-pod kafka]# java DiskMain 2 16 1320 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 4 2172 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 8 2317 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 16 2580 MB/sec

[root@jmc-pod kafka]# java DiskMain 4 32 2271 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 4 2150 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 8 2315 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 16 2498 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 32 2536 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 64 2434 MB/sec

8C16G

[root@jmc-pod kafka]# java DiskMain 4 16 2732 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 4 3440 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 8 3443 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 16 3531 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 32 3561 MB/sec

[root@jmc-pod kafka]# java DiskMain 8 64 3562 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 4 3515 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 8 3573 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 16 3659 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 32 3673 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 64 3674 MB/sec

[root@jmc-pod kafka]# java DiskMain 12 16 3672 MB/sec

16C32G

[root@jmc-pod kafka]# java DiskMain 16 16 3918 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 8 3814 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 32 3885 MB/sec

[root@jmc-pod kafka]# java DiskMain 16 64 3894 MB/sec

[root@jmc-pod kafka]# java DiskMain 24 8 4053 MB/sec

[root@jmc-pod kafka]# java DiskMain 24 16 4039 MB/sec

[root@jmc-pod kafka]# java DiskMain 24 32 4080 MB/sec

[root@jmc-pod kafka]# java DiskMain 24 64 4050 MB/sec

[root@jmc-pod kafka]# java DiskMain 32 16 4042 MB/sec

[root@jmc-pod kafka]# java DiskMain 32 32 4078 MB/sec

通过反复压测，得出如下结论：

规格	最大吞吐量	cpu	参数
2C4G	1105 MB/sec	200%	2线程，16K
4C8G	2580 MB/sec	400%	4线程，16K
8C16G	3674 MB/sec	790%	16线程，64K
16C32G	4080 MB/sec	950%	24线程，32K

在kafka 3副本的经典协议下，上述表格便是其吞吐量的天花板。其中16C32G在算力上虽然比8C16G强了1倍，但其落盘速度却基本持平，在大数据的压力下，瓶颈终究会落在磁盘，因此可以大胆预测，其性能不会比8C16G高出太多

分析上述数据可知：

2C4G：磁盘的吞吐量约1G/s，远没有达到上限，此时的瓶颈在cpu
4C8G：吞吐量虽上升了一倍不止，不过cpu飚满，瓶颈还在cpu
8C16G：吞吐量约为3.5G/s，相比较4C8G并没有翻倍，后端的cpu几乎吃满，光看这组数据不好定位瓶颈
16C32G：终于探到磁盘的底了，在cpu还有大量剩余的前提下，磁盘明显写不动了

磁盘的性能是真好，居然能压出 4 GB/s的速率，叹叹

三、Kafka吞吐量概述

一般描述某个kafka集群的吞吐量时，通常写为 3*n MB/s，例如 3*100 MB/s。之所以习惯这样描述，是基于kafka自身的3副本协议，即1主2备的模式，leader收到业务流量n后，2个follower还需要从leader将数据同步过来，这样在集群角度看来，是一共处理了3*n流量

某个topic所拥有的副本数，理论上是不能大于整个集群的broker数量的，因为副本本质上是做高可用的，当topic的副本数大于整个集群的broker数量后，那势必某个broker存在2个及以上副本，这样也就丧失了高可用的初衷

3.1、集群横向扩容

所谓集群横向扩容，是指为集群添加同构broker，集群的broker数量初始为3，扩容后可能变为了6，这里的broker数量与topic的replica不是同一个概念，注意区分。

某个topic副本数过多，将带来集群内部大量的数据流转，而副本数过少，例如单副本，又存在一些高可用的风险，因此即便随着broker数量的增多，kafka最佳实践还是建议将topic的副本数设置为3，这样每增加3个broker，集群的能力将会得到横向的扩容

这里的横向扩容出来的能力跟broker数量是严格呈线性关系的，本文不会对横向扩容进行压测对比

3.2、集群纵向扩容

纵向扩容是指集群的broker数量不变，但是提升broker的配置。例如之前集群是3 * 2C4G的规格，进行纵向扩容后，集群将变为3 * 4C8G

broker的配置线性提升了，其提供的吞吐能力也会随着线性提升吗？答案是否定的；如果磁盘用的是机械磁盘，我们可能很快能够断言瓶颈将卡在disk上，但SSD的高吞吐也是非常吃cpu的，内容比较复杂，内存、磁盘、cpu等都息息相关，这里没有很好的捷径，只能benchmark

纵向压测、对比也是本文的重心

四、发压准备

4.1、客户端准备

4.1.1、发压程序

发压程序使用官方的工具kafka-producer-perf-test.sh，这个工具实际调用的是kafka内核中的类：

org.apache.kafka.tools.ProducerPerformance

当然，单个Producer的pool、开辟内存、与server端的连接等都是有上限的，因此真正发压时，需要启动多个发压进程。发压脚本如下

bash kafka-producer-perf-test.sh \
--producer-props \
	bootstrap.servers=10.0.0.10:9094,10.0.0.11:9094,10.0.0.12:9094 \
	acks=1  \
  buffer.memory=134217728 \
--producer.config=admin5.conf \
--topic topic_6 \
--throughput=-1  \
--num-records 100000000 \
--record-size 1024000

admin5.conf 配置如下（因为开启了ACL认证，因此需要申明SASL配置）

security.protocol=SASL_PLAINTEXT
sasl.mechanism=SCRAM-SHA-512
sasl.jaas.config=org.apache.kafka.common.security.scram.ScramLoginModule required username="kafka-a9asfbx5pl" password="a9asfbxmsn";

关于发压脚本的参数配置做一下说明

bootstrap.servers 连接集群的接入点
acks 响应方式，这个对性能影响非常大，这里使用默认的1。有3种配置

1 ： leader收到消息后便返回成功
0 ：不需要等待任何副本确认
-1 ：生产者将等待所有的副本接收到消息并进行确认

buffer.memory 这里是设置了producer的128M的缓冲区，默认为32M
producer.config 因为目标集群开启了acl，这里需要存放一些相关配置
throughput 发送流量的一个上限值，-1表示不设置上限
num-records 发送消息的条数，因为要压测，所以这里放一个大值
record-size 每条消息的大小。这里配置的1M，因为需要压测集群的极限值，这里直接设置一个相对大的值

注意，如果消息大小配置较小的话，可以通过调整batch.size及linger.ms参数来控制攒批

4.1.2、发压机器

因为kafka实例是被k8s孵化出来的，因此独立开辟了 5台ECS发压，其配置

10.252.128.183	8C 16G
10.252.128.185	8C 16G
10.252.128.136	4C 8G
10.252.128.140	4C 8G
10.252.128.176	4C 8G

因为发压程序不会占用大量cpu及内存，当开启多进程压测时，只要网络带宽不是瓶颈就OK

4.2、服务端准备

4.2.1、常规压测配置

集群新建出来后，有一些关键的配置还是需要留意设置一下的，否则性能会打很大的折扣

配置项	建议值	说明
num.network.threads	与cpu核数相近	broker端的网络线程，负责将数据从网卡搬运至broker堆内存中，这个过程涉及内存的拷贝，是一个典型的吃cpu的操作。设置太小，网卡搬运工作将会成为瓶颈，设置太大，又会造成频繁的线程切换，建议将其设置为cpu+1
num.io.threads	2*cpu + 1	broker端典型的IO线程，所有写log的操作都是该线程触发的
log.retention.bytes	-1	parition目录的最大阈值，当partition目录超过该值时就会触发删除老消息的操作。这个是kafka提供的原生配置，设置为-1，代表不对其做限制
log.flush.interval.messages	Long.MaxValue	接收到指定条数的消息后刷盘，这里建议配置为最大值，即刷盘的行为留给操作系统自己去控制。此值切勿设置的过小，否则将会导致磁盘频繁的sync，对性能影响很大
log.flush.interval.ms	null	达到指定时间后将内存中的消息刷盘。这个配置项与log.flush.interval.messages类似，也是刷盘的策略，这里同样建议不对其设置，交由操作系统来控制已获得最大的吞吐性能
message.max.bytes	10M	这个值限定了单条消息在broker端的上限，同样在producer也有一个参数来配置max.request.size，producer端的这个配置一定是要小于server端的
num.replica.fetchers	cpu+1	这个值没有特定大小，根据不同的场景来设定，如果想保证配置`acks=-1`的性能较高，那么需要提高此值，建议设置为cpu+1，否则就是默认的1即可
replica.fetch.max.bytes	10M	设置副本单次拉取的最大字节数，这个值需要大于单条消息的最大值，否则可能导致性能偏低

4.2.2、副本同步

前文说过，kafka选择不同的副本同步策略、同步副本数量，对性能影响很大；如果选择单副本的话，那么最大吞吐就是上文使用工具测出来的磁盘性能，而如果选择多副本的话，则整体吞吐的计算公式是是业务流量*副本数，后文我们将针对不同acks、num.replica.fetchers参数以及不同的副本数分别进行压测，最终得出一个多维参考值

4.2.3、服务端监控

服务端监控主要是查看集群整体流量、broker cpu、内存参数。我们通过top命令可以快速获取cpu、memory参数，而集群整体流量，为了快速获取，可通过JMX去拉取kafka原生监控项

public class JMXMain {
    public static void main(String[] args) throws Exception {
        new JMXMain().begin(args);
    }

    private void begin(String[] args) throws Exception {
        String metricName = "kafka.server:type=BrokerTopicMetrics,name=BytesInPerSec";
        List<MBeanServerConnection> connectionList = initConnectionList(args);

        while (true) {
            long total = 0L;
            long[] arr = new long[3];
            int index = 0;
            for (MBeanServerConnection connection : connectionList) {
                Optional<ObjectName> first = connection.queryNames(new ObjectName(metricName), null).stream().findFirst();
                if (first.isPresent()) {
                    Object oneMinuteRate = connection.getAttribute(first.get(), "OneMinuteRate");
                    long single = transToM(oneMinuteRate);
                    arr[index++] = single;
                    total += single;
                } else {
                    System.out.println("none");
                }
            }

            System.out.println(Arrays.toString(arr));
            System.out.println("rate is " + total + " MB/sec");
            
            Thread.sleep(10000);
        }
    }

    private List<MBeanServerConnection> initConnectionList(String[] args) throws Exception {
        // 10.0.0.21:9094,10.0.0.22:9094,10.0.0.23:9094
        List<String> connList = new ArrayList<>();
        if (args != null) {
            for (String ip : args) {
                String s = "service:jmx:rmi:///jndi/rmi://" + ip + ":5555/jmxrmi";
                connList.add(s);
            }
        }
        List<MBeanServerConnection> resultList = new ArrayList<>();
//        String[] arr = {"service:jmx:rmi:///jndi/rmi://10.0.0.19:5555/jmxrmi", "service:jmx:rmi:///jndi/rmi://10.0.0.20:5555/jmxrmi", "service:jmx:rmi:///jndi/rmi://10.0.0.21:5555/jmxrmi"};
        for (String jmxUrl : connList) {
            System.out.println(jmxUrl);
            JMXConnector connector = JMXConnectorFactory.connect(new JMXServiceURL(jmxUrl));
            MBeanServerConnection connection = connector.getMBeanServerConnection();
            resultList.add(connection);
        }
        return resultList;
    }
    
    public static long transToM(Object count) {
        if (count == null) {
            return 0;
        } else {
            double v = Double.parseDouble(count.toString()) / 1024 / 1024;
            return (long) v;
        }
    }
}

每隔10秒打印一下集群整体的流量及每个broker各自流量，例如：

[406, 407, 405]
rate is 1218 MB/sec
[409, 409, 407]
rate is 1225 MB/sec
[408, 408, 408]
rate is 1224 MB/sec
[406, 406, 405]
rate is 1217 MB/sec

注意：这里打印的流量，仅包含leader处理的业务流量，不包括follower从leader同步的备份流量，例如，我创建一个单partition，3副本的topic，然后向集群写入100MB/s的流量，因为设置了3副本，因此虽然只会向其中某个broker发送数据，但是另外2个broker中同时也均会有100MB/s的备份流量，但是使用上述工具则只会打印leader的流量： [100, 0, 0]

五、发压

5.1、2C4G

5.1.1、单partition/单副本

最小配置，首先测试一下单partition、单replica 的性能，从而与磁盘极限性能做个对比；这个值体现了kafka单broker的极限能力

创建topic：【1 partition、1 replica、acks=1】

发压命令

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh \ 
--producer-props \
	bootstrap.servers=10.0.0.10:9094,10.0.0.11:9094,10.0.0.12:9094 \
  acks=0 \
  max.request.size=2048000   \
--producer.config=/root/kafka_2.12-2.8.2/bin/admin5.conf \
--topic topic_1_1 \
--throughput=-1  --num-records 100000000 --record-size 1924000

当启动了8个producer客户端后，监控集群的吞吐峰值来到了 550MB/s；其实启动了4个客户端后，吞吐量就达到了530，后续通过增加客户端数量带来的收益越来越小，说明broker端能力已达上限

[0, 546, 0]
rate is 546 MB/sec
[0, 545, 0]
rate is 545 MB/sec
[0, 550, 0]
rate is 550 MB/sec

简单做个对比

规格	理论峰值	Kafka吞吐
2C4G	1105 MB/sec	550MB/s

在开始对磁盘用工具进行压测时候，2C4G的规格就因为cpu成为了短板，压测工具自身没有消耗cpu的逻辑，几乎全量的cpu都消耗在了刷盘的操作中

而kafka的构成要比磁盘工具复杂很多，涉及内存的数据拷贝、数据解析、正确性验证、刷盘等，而这些操作无疑会消耗大量cpu，cpu本身就是短板，因此压测出来的kafka吞吐量会比理论值低很多

因此当前2C4G的3节点的极限能力是 3 * 550MB/s

5.1.2、多partition/三副本/all acks

当选项acks设置为all时，代表只有当3个副本的消息都落盘后，才会response，这个设置也是严格的保证了数据的高可用，不会有任何数据的丢失，同时这种配置也是效率最低的，我们创建一个 6 partition，3副本的topic，同时将acks设置为all，再查看此时的性能，做一个对比

创建topic：【6 partition、3 replica、acks=all】

发压命令

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh \
--producer-props \
	bootstrap.servers=10.0.0.10:9094,10.0.0.11:9094,10.0.0.12:9094 \
  acks=-1 \
  max.request.size=2048000   \
--producer.config=/root/kafka_2.12-2.8.2/bin/admin5.conf \
--topic topic_6_3 \
--throughput=-1  --num-records 100000000 --record-size 1924000

启动了4个producer客户端后，监控集群的吞吐峰值来到了 3 * 320MB/s

[106, 107, 105]
rate is 318 MB/sec
[107, 107, 106]
rate is 320 MB/sec
[108, 108, 106]
rate is 322 MB/sec
[108, 107, 107]
rate is 322 MB/sec
[108, 107, 107]
rate is 322 MB/sec
[108, 106, 107]
rate is 321 MB/sec

4个客户端的延迟都已经很高，达到了400ms左右，说明数据都积攒到了broker端排队处理，4个客户端数据采样：

terminal-1:
230 records sent, 45.8 records/sec (84.07 MB/sec), 395.2 ms avg latency, 2228.0 ms max latency.
223 records sent, 44.4 records/sec (81.56 MB/sec), 437.7 ms avg latency, 1771.0 ms max latency.

terminal-4:
216 records sent, 43.1 records/sec (79.11 MB/sec), 429.5 ms avg latency, 1628.0 ms max latency.
225 records sent, 45.0 records/sec (82.54 MB/sec), 399.1 ms avg latency, 1279.0 ms max latency.

可见，acks参数的不同，对最终结果的影响甚大

因cpu核数只有2，因此调整num.replica.fetchers参数对最终的压测影响不大，后续等cpu核数增加后可以考虑增加此值

5.1.3、多partition/三副本/leader

然而我们实际生产中，通常既不会将topic的副本数设置为1，也不会将acks设置为all，那么这个时候的最大流量值，体现的便是集群能够处理业务流量的峰值，一旦这个值超过了550MB/s，那么follower一定出现不同程度的落后leader的现象，等流量回落后，follower再逐步进行追赶，因此这个值也是具有相当重要的参考价值

创建topic：【3 partition、3 replica、acks=1】

发压命令

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh --producer-props bootstrap.servers=10.0.0.10:9094,10.0.0.11:9094,10.0.0.12:9094 acks=1 max.request.size=2048000   --producer.config=/root/kafka_2.12-2.8.2/bin/admin5.conf --topic topic_3_3 --throughput=-1  --num-records 100000000 --record-size 1924000

启动了12个producer客户端后，监控集群的业务流量峰值来到约了 1GB/s

[347, 349, 343]
rate is 1039 MB/sec
[340, 345, 342]
rate is 1027 MB/sec
[339, 344, 341]
rate is 1024 MB/sec
[343, 347, 344]
rate is 1034 MB/sec

客户端的延迟都已经达到了400ms左右，说明瓶颈不在客户端侧，客户端数据采样：

terminal-1:
228 records sent, 45.6 records/sec (83.60 MB/sec), 412.7 ms avg latency, 1173.0 ms max latency.
268 records sent, 53.5 records/sec (98.11 MB/sec), 334.0 ms avg latency, 774.0 ms max latency.

terminal-3:
218 records sent, 43.4 records/sec (79.62 MB/sec), 394.7 ms avg latency, 1422.0 ms max latency.
252 records sent, 50.3 records/sec (92.35 MB/sec), 377.1 ms avg latency, 1226.0 ms max latency.

注意：我这里并没有使用 3 * 1GB/s 的描述，是因为虽然leader确实已经接受了1GB/s的流量，但是其并没有在同一时刻事实同步给follower，事实上，随着时间的推移，follower已经落后的越来越多

5.1.4、整理总结

能力	描述	流量
单broker磁盘能力	当前cpu+磁盘所具备的极限写入能力，作为判断kafka能力的参考	1105 MB/s
严格写入能力	严格高可用地写入数据，即acks=all的方式写入数据，这种模式下，3个broker中的数据齐头并进	*3 320 MB/s**
常规集群能力	用的最多的方式， acks=1，即写leader的模式，也是讨论最多的模式	*3 550 MB/s**
可应对峰值能力	这种模式下，leader的流量将远大于follower的，	1000 MB/s

5.2、4C8G

5.2.1、单partition/单副本

创建topic：【1 partition、1 replica、acks=1】

当启动了8个producer端时，集群的流量来到580 MB/s左右，这个值与2C4G的基本持平，难道它们两个的性能相当吗？其实不尽然，因为单partition、单副本的case，注定broker将会是同时写入1个文件，此时的瓶颈将落在IO上，因此，单纯的加cpu是不会提升吞吐的

[0, 584, 0]
rate is 584 MB/sec
[0, 589, 0]
rate is 589 MB/sec
[0, 586, 0]
rate is 586 MB/sec

看一下cpu的使用率

cpu基本维持在180%上下，而4C的上限是400%

5.2.2、multi 【单partition/单副本】

创建topic：4 * 【1 partition、1 replica、acks=1】

既然1个topic无法探知broker的上限，那我们就创建多个【单partition/单副本】的topic，使其落在同一个broker上，然后再向这个broker发压即可。（也可以通过手动指定将某个topic的分区都分布在1台broker上实现）

查看topic_1_1的ISR分布情况：

bash /root/kafka_2.12-2.8.2/bin/kafka-topics.sh \
--bootstrap-server 10.0.0.5:9094,10.0.0.9:9094,10.0.0.18:9094 \
--command-config  /root/kafka_2.12-2.8.2/bin/admin7.conf  \
--describe --topic topic_1_1

返回结果

Topic: topic_1_1	Partition: 0	Leader: 1000	Replicas: 1000	Isr: 1000

通过这种方式，选取4个topic：topic_1_1、topic_i_1_1、topic_j_1_1、topic_n_1_1，然后每个topic启动4个producer进行发压，也就是一共开启了16个client端发压

首先看一下broker端的流量统计指标，单broker的流量来到了 1GB/s

[0, 1009, 0]
rate is 1009 MB/sec
[0, 1016, 0]
rate is 1016 MB/sec
[0, 1021, 0]
rate is 1021 MB/sec
[0, 1016, 0]
rate is 1016 MB/sec
[0, 1015, 0]
rate is 1015 MB/sec

再观察一下cpu利用率，维持在400%，已经打满

客户端的监控日志采样。延迟也高达500ms，说明压力已经完全给到了broker

196 records sent, 38.8 records/sec (71.24 MB/sec), 457.4 ms avg latency, 560.0 ms max latency.
167 records sent, 33.4 records/sec (61.21 MB/sec), 536.9 ms avg latency, 649.0 ms max latency.
147 records sent, 29.1 records/sec (53.35 MB/sec), 623.0 ms avg latency, 782.0 ms max latency.
184 records sent, 36.6 records/sec (67.19 MB/sec), 489.4 ms avg latency, 588.0 ms max latency.
189 records sent, 37.8 records/sec (69.33 MB/sec), 478.6 ms avg latency, 563.0 ms max latency.

至此，探知当前配置的单broker的处理上限为 1 GB/s，因此集群的最大吞吐为 3 * 1 GB/s

5.2.3、多partition/三副本/all acks

创建topic：【6 partition、3 replica、acks=-1】

发压命令

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh \
--producer-props \
	bootstrap.servers=10.0.0.27:9094,10.0.0.28:9094,10.0.0.29:9094 \
  acks=-1 max.request.size=2048000 \
--producer.config=/root/kafka_2.12-2.8.2/bin/admin77.conf  \
--topic topic_a_6_3 --throughput=-1  \
--num-records 100000000 --record-size 1924000

吞吐停留在330 MB/s，怎么跟2C4G的相差不大呢？

[112, 111, 111]
rate is 334 MB/sec
[112, 111, 111]
rate is 334 MB/sec
[112, 111, 112]
rate is 335 MB/sec

这里别忘了一个参数num.replica.fetchers，这个参数默认为1，调大这个参数将加快follower从leader拉取数据的速率；我们首先看下当前这个参数的设置：

sh kafka-configs.sh \
--bootstrap-server 10.0.0.27:9094,10.0.0.28:9094,10.0.0.29:9094 \
--command-config  admin77.conf --all \
--entity-type brokers --describe  |  grep "num.replica.fetchers"

最终返回

num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}
num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}
num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}

这个参数是可以调用命令进行直接修改的，我们将其修改为cpu核数

sh kafka-configs.sh \
--bootstrap-server 10.0.0.27:9094,10.0.0.28:9094,10.0.0.29:9094 \
--command-config  admin77.conf \
--alter --entity-type brokers --entity-default \
--add-config 'num.replica.fetchers=4'

最终broker的性能提升至了550 MB/s

[181, 182, 182]
rate is 545 MB/sec
[183, 184, 183]
rate is 550 MB/sec
[183, 184, 183]
rate is 550 MB/sec

cpu利用率也相当低，大量的耗时都停留在三副本sync上

5.2.4、多partition/三副本/leader

将参数“num.replica.fetchers”调整为默认值后，同时将acks设置为1，再次发压

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh \
--producer-props \
	bootstrap.servers=10.0.0.27:9094,10.0.0.28:9094,10.0.0.29:9094 \
  acks=1 max.request.size=2048000 \
--producer.config=/root/kafka_2.12-2.8.2/bin/admin77.conf  \
--topic topic_a_6_3 --throughput=-1  \
--num-records 100000000 --record-size 1924000

共启动了16个客户端，流量来到了2200 MB/s

[734, 737, 733]
rate is 2204 MB/sec
[734, 736, 744]
rate is 2214 MB/sec
[737, 745, 741]
rate is 2223 MB/sec

同时cpu被打满

部分发压程序日志采样。随着producer的增多，吞吐量维持在恒定值

432 records sent, 86.2 records/sec (158.12 MB/sec), 198.7 ms avg latency, 1601.0 ms max latency.
378 records sent, 75.4 records/sec (138.33 MB/sec), 238.2 ms avg latency, 1297.0 ms max latency.
413 records sent, 82.4 records/sec (151.17 MB/sec), 222.9 ms avg latency, 1315.0 ms max latency.
353 records sent, 70.5 records/sec (129.39 MB/sec), 268.1 ms avg latency, 1442.0 ms max latency.

5.2.5、整理总结

能力	描述	流量
单broker磁盘能力	当前cpu+磁盘所具备的极限写入能力，作为判断kafka能力的参考	2580 MB/s
严格写入能力	严格高可用地写入数据，即acks=all的方式写入数据，这种模式下，3个broker中的数据齐头并进	*3 550 MB/s**
常规集群能力	用的最多的方式， acks=1，即写leader的模式，也是讨论最多的模式	*3 1000 MB/s**
可应对峰值能力	这种模式下，leader的流量将远大于follower的，会产生了流量倾斜	2250 MB/s

5.3、8C16G

用到的配置信息 admin6.conf

security.protocol=SASL_PLAINTEXT
sasl.mechanism=SCRAM-SHA-512
sasl.jaas.config=org.apache.kafka.common.security.scram.ScramLoginModule required username="kafka-acntgcoin9" password="acntgcozqb";

5.3.1、multi 【单partition/单副本】

创建topic：【12 partition、1 replica、acks=1】

通过命令创建topic，将12个分区全部都放在第一个broker上

bash /root/kafka_2.12-2.8.2/bin/kafka-topics.sh \
--bootstrap-server 10.0.0.5:9094,10.0.0.6:9094,10.0.0.7:9094 \
--command-config  /root/kafka_2.12-2.8.2/bin/admin6.conf  \
--create --topic topic_1_1 \
--replica-assignment 1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000

启动28个producer端发压客户端后，broker流量趋于稳定

[1964, 0, 0]
rate is 1964 MB/sec
[1959, 0, 0]
rate is 1959 MB/sec
[1962, 0, 0]
rate is 1962 MB/sec

查看对应pod的cpu使用率，已经打满

最终得出结论，单台broker的吞吐上限为 1.9 GB/s

5.3.2、多partition/三副本/all acks

创建topic：【12 partition、3 replica、acks=-1】

当前规格配置较高，需要创建更多的partition以压榨更多的cpu资源

查看参数num.replica.fetchers

sh kafka-configs.sh \
--bootstrap-server 10.0.0.5:9094,10.0.0.6:9094,10.0.0.7:9094 \
--command-config  admin6.conf --all \
--entity-type brokers --describe  |  grep "num.replica.fetchers"

  num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}
  num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}
  num.replica.fetchers=1 sensitive=false synonyms={DEFAULT_CONFIG:num.replica.fetchers=1}

用同样的方法查看参数replica.fetch.max.bytes，返回

replica.fetch.max.bytes=30240000 sensitive=false synonyms={STATIC_BROKER_CONFIG:replica.fetch.max.bytes=30240000, DEFAULT_CONFIG:replica.fetch.max.bytes=1048576}
replica.fetch.max.bytes=30240000 sensitive=false synonyms={STATIC_BROKER_CONFIG:replica.fetch.max.bytes=30240000, DEFAULT_CONFIG:replica.fetch.max.bytes=1048576}
replica.fetch.max.bytes=30240000 sensitive=false synonyms={STATIC_BROKER_CONFIG:replica.fetch.max.bytes=30240000, DEFAULT_CONFIG:replica.fetch.max.bytes=1048576}

将参数num.replica.fetchers修改为cpu核数

sh kafka-configs.sh \
--bootstrap-server 10.0.0.5:9094,10.0.0.6:9094,10.0.0.7:9094 \
--command-config  admin6.conf \
--alter --entity-type brokers --entity-default \
--add-config 'num.replica.fetchers=8'

发压

bash /root/kafka_2.12-2.8.2/bin/kafka-producer-perf-test.sh \
--producer-props \
	bootstrap.servers=10.0.0.5:9094,10.0.0.6:9094,10.0.0.7:9094 \
	acks=-1  \
max.request.size=2048000   \
--producer.config=/root/kafka_2.12-2.8.2/bin/admin6.conf \
--topic topic_a_12_3 --throughput=-1  --num-records 100000000 --record-size 1924000

一共启动了24个producer压测，强劲的cpu发挥了作用，写入速率达到了950 M/s

[315, 315, 315]
rate is 945 MB/sec
[315, 317, 318]
rate is 950 MB/sec
[313, 317, 317]
rate is 947 MB/sec

5.3.3、多partition/三副本/leader

创建topic：【12 partition、3 replica、acks=1】

按照常规，我们压一下三副本写leader的case；此时num.replica.fetchers同样设置为8

启动28个压测客户端后，流量趋于稳定

1034, 1032, 1028]
rate is 3094 MB/sec
[1034, 1038, 1034]
rate is 3106 MB/sec
[1036, 1039, 1040]
rate is 3115 MB/sec

客户端延迟1s+

426 records sent, 85.1 records/sec (156.14 MB/sec), 204.5 ms avg latency, 1791.0 ms max latency.

broker cpu使用率接近饱和

至此，可以得出结论，陡增业务流量可承接 3.1 GB/s

5.3.4、整理总结

当前规格，cpu还是短板，无法触及磁盘的3.6GB/s

能力	描述	流量
单broker磁盘能力	当前cpu+磁盘所具备的极限写入能力，作为判断kafka能力的参考	3674 MB/s
严格写入能力	严格高可用地写入数据，即acks=all的方式写入数据，这种模式下，3个broker中的数据齐头并进	*3 950 MB/s**
常规集群能力	用的最多的方式， acks=1，即写leader的模式，也是讨论最多的模式	*3 1920 MB/s**
可应对峰值能力	这种模式下，leader的流量将远大于follower的，	3100 MB/s

5.4、16C32G

这个配置规格与另外3个规格有本质的区别，当前规格在使用磁盘压测工具时，已经窥探到了磁盘的上限，我们继续benchmark，看它的压测数据。用到的配置信息 admin0.conf

security.protocol=SASL_PLAINTEXT
sasl.mechanism=SCRAM-SHA-512
sasl.jaas.config=org.apache.kafka.common.security.scram.ScramLoginModule required username="kafka-acrk9ciqkx" password="acrk9cihnz";

5.4.1、multi 【单partition/单副本】

创建topic：【24 partition、1 replica、acks=1】

通过命令创建topic，将24个分区全部都放在第一个broker上

bash /root/kafka_2.12-2.8.2/bin/kafka-topics.sh \
--bootstrap-server 10.0.0.5:9094,10.0.0.6:9094,10.0.0.7:9094 \
--command-config  /root/kafka_2.12-2.8.2/bin/admin0.conf  \
--create --topic topic_1_1 \
--replica-assignment \
1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000,1000

启动35个producer端发压客户端后，broker流量趋于稳定

[0, 2714, 0]
rate is 2714 MB/sec
[0, 2717, 0]
rate is 2717 MB/sec
[0, 2719, 0]
rate is 2719 MB/sec

查看对应pod的cpu使用率

最终得出结论，单台broker的吞吐上限为 2.7 GB/s

不对啊，这个与预期不符的，单broker能力上限的探测，8C16G已经达到了 1.9G/s，而当前配置预期可以达到 4G/s的，可无论怎么压，顶多到达 2.7+ GB/s，到底哪里是瓶颈呢？

cpu ？ cpu明显不是瓶颈，当前broker的cpu使用率还有富余
磁盘？ 2.7 GB/s 显然没有达到disk的上限，上文已经探知其上限为 4GB/s
发压端？ 发压端为了压测最大规格的实例，又额外申请了一个16C32G的压测机，而且即便是将客户端数量提升至40个，依旧没有变化，甚至可能有小幅度的下掉

既然都不是瓶颈，为什么吞吐上不去呢？难道瓶颈落在了网卡上？

5.4.2、网卡带宽探测--iperf3

这里我们还是很有必要探测一下网卡带宽的上限，使用的压测工具是

「iperf3」

启动server端程序

iperf3 -s

这里-s是-server的缩写，标明当前启动的是server端程序，默认监听5201端口

启动client端

iperf3 -c 21.100.18.151 -P 8

-c 指启动client端，后面的IP是server端IP
-P 8 启动并发连接数。这个要额外注意，如果不指定的话，默认是启动1个链接测试，这个时候网卡是打不满的，具体设置为多少能打满，需要反复不断测试

当将并发连接数设置为8时，达到网络传输的峰值

server端日志

[SUM]   0.00-10.04  sec  23.6 GBytes  20.2 Gbits/sec                  receiver

client端日志

...
[SUM]   6.00-7.00   sec  2.64 GBytes  22.7 Gbits/sec    0             
....

[SUM]   0.00-10.00  sec  23.7 GBytes  20.3 Gbits/sec  214             sender
[SUM]   0.00-10.04  sec  23.6 GBytes  20.2 Gbits/sec                  receiver

iperf Done.

虽然压测的平均速率是20.3 Gbits/sec，但其曾经最高速率达到了22.7 Gbits/sec，因此我们就那这个进行计算。因为这个的单位是bit，我们需要将其转换为byte

22.7Gbits/8 = 2.8 GB/s

果然与我们压测的 2.72 GB 对应上了，压力实实在在的给到了网卡

5.4.3、多partition/三副本/all acks

创建topic：【24 partition、3 replica、acks=-1】

根据之前的磁盘压测工具已经判断出，当前的规格实例的cpu已经不是短板，因此我们这里将partition数量设置大一些。另外一些配置的修改

将参数num.replica.fetchers修改为cpu核数
将参数replica.fetch.max.bytes设置为20M

这样做的目的是加快follower同步leader数据的速率，经过一段时间发压后，broker端的速率来到了1350 MB/s

[448, 450, 446]
rate is 1344 MB/sec
[451, 450, 450]
rate is 1351 MB/sec
[452, 451, 450]
rate is 1353 MB/sec

8C16G的速率接近 1GB/s，而当前规格虽然配置翻倍了，但是速率却没能翻倍，为什么呢？其实这里也是符合预期的，因为8C16G的集群已经非常接近磁盘上限了，压出了3580 MB/s的吞吐，而16C32G也只能压出4GB/s的吞吐，因此瓶颈已经悄悄转移至磁盘上了（acks=all的情况，很大一部分开销在3副本的sync上）

其实这里我对不同partition的速率也做了压测，这里简单公布结论

partition	吞吐（MB/s）
12	950
18	1200
21	1350
24	1350

5.4.4、整理总结

因为已经将短板确定为网卡，我们这里不再对峰值进行赘述

能力	描述	流量
单broker磁盘能力	当前cpu+磁盘所具备的极限写入能力，作为判断kafka能力的参考	4080 MB/s
严格写入能力	严格高可用地写入数据，即acks=all的方式写入数据，这种模式下，3个broker中的数据齐头并进	*3 1350 MB/s**
常规集群能力	用的最多的方式， acks=1，即写leader的模式，也是讨论最多的模式	*3 2720 MB/s**

六、总结

此处我们还是有必要对流量规格再做个说明，以2C4G来举例，我们对外宣讲的流量规格是

「 3 * 550 MB/s 」

即集群可以处理 550 MB/s的吞吐，且在集群内部做好了经典三副本同步，因此站在partiton leader的视角，我们脑海中的画面可能是这样的：

而实际结果很有可能是这样的

甚至这样

这取决于follower从leader的拉取策略，比如参数num.replica.fetchers、replica.fetch.max.bytes等的配置，但在磁盘吞吐较高的背景下，又加剧了同步的不稳定性；以下分别以低IO及高IO进行阐述

低IO：集群的磁盘吞吐并不高，例如50 MB/s，集群的吞吐瓶颈会落在了IO上，因此当数据进来后会首先进入page cache中，然后再由操作系统异步刷盘到磁盘中。因为吞吐不高，因此新数据在page cache中存活的时间相对较长，当follower从leader拉取数据时，数据大概率还在cache当中，此时调用kafka的零拷贝，将数据copy走，性能快，速率稳定，且不占用磁盘IO
高IO：就像我们现在部署的集群，IO的吞吐非常高，拿2C4G的规格来讲，单broker的写入速率可达 550 MB/s，而内存只有4个G，其中Java堆内存又会占用2.5个G，以及操作系统本身的占用，留给page cache的空间满打满算也就1G左右，那数据进入在page cache中停留的时间不会超过2秒，等follower来拉取数据时，大概率是需要从disk设备中进行二次读取的，这就占用了磁盘的带宽，也让整个拉取的过程变得相对不稳定

但我们同样测出了acks=all场景中，流量的一个相对精确的保底值，供大家参考

总结各规格集群吞吐如下

规格	Broker数量	流量 Acks=all	流量 Acks=1
2C4G	3	*3 320 MB/s**	*3 550 MB/s**
4C8G	3	*3 550 MB/s**	*3 1100 MB/s**
8C16G	3	*3 950 MB/s**	*3 1920 MB/s**
16C32G	3	*3 1350 MB/s**	*3 2720 MB/s**

测试多规格kafka集群的极限吞吐是一个艰巨的任务，其中至少涉及

网络
cpu
磁盘/网络 IO
kafka攒批模式/消息体大小
刷盘策略
不同规格的partition控制
replica副本同步策略
发压端控制
网络线程/IO线程搭配
等等。。

这些环节中，只要有1个掉链子，那整个链路的吞吐也会拉胯；另外上述所有case，Java堆空间只分配了系统一半的内存，另一半留给了page cache