kafka的Rebalance问题分析

曾经终败给现在 2023-01-17 09:17 146阅读 0赞

一、什么是kafka的Rebalance

kafka集群模式下，一个topic有多个partition，对于消费端，可以有多个consumer同时消费这些partition。为了保证大体上partition和consumer的均衡性，提升topic的并发消费能力，所以会有Rebalance。Rebalance 本质上是一种协议，规定了一个 Consumer Group 下的所有 consumer 如何达成一致，来分配订阅 Topic 的每个分区。

二、什么时机触发Rebalance

0.10kafka的rebalance条件

*  条件1：有新的consumer加入
 *  条件2：旧的consumer挂了
 *  条件3：coordinator挂了，集群选举出新的coordinator（0.10 特有的）
 *  条件4：topic的partition新加
 *  条件5：consumer调用unsubscrible()，取消topic的订阅

当一个group中,有consumer加入或者离开时,会触发partitions均衡。Kafka的Consumer Rebalance方案是基于Zookeeper的Watcher来实现的。consumer启动的时候，在zk下都维护一个”/consumers/\[group\_name\]/ids”路径，在此路径下，使用临时节点记录属于此cg的消费者的Id，该Id信息由对应的consumer在启动时创建。每个consumer都会在此路径下简历一个watcher，当有节点发生变化时，就会触发watcher，然后触发Rebalance过程。

三、0.9之前kafka的Rebalance算法

Consumer rebalacne算法：

1. 将目标 topic 下的所有 partirtion 排序，存于PT  
2. 对某 consumer group 下所有 consumer 排序，存于 CG，第 i 个consumer 记为 Ci  
3. N=size(PT)/size(CG)，向上取整  
4. 解除 Ci 对原来分配的 partition 的消费权（i从0开始）  
5. 将第i\*N到（i+1）\*N-1个 partition 分配给 Ci

在Rebalance期间，consumer不能正常消费，并且这种Rebalance过程强依赖zk，存在以下问题：

*  herd effect（羊群效应）：一个被Watch的zk节点变化，导致大量的watcher通知需要被发送给客户端，这会导致在通知期间其他操作的延迟。
 *  split brain：每个Consumer都是通过zk中保存的元数据来判断group中各其他成员的状态，以及broker的状态，进而分别进入各自的Rebalance，执行各自的Rebalance逻辑。不同的Consumer在同一时刻可能连接在不同的zk服务器上，看到的元数据就可能不一样，基于不一样的元数据，执行Rebalance就会产生不一致（冲突）的Rebalance结果，Rebalance的冲突，会到导致consumer的rebalance失败。
 *  重复消费问题：因为Rebalance时，很有可能导致offset commit不成功，所以可能造成重复消费问题。

解决办法：

*  加大Rebalance的重试时间:"rebalance.backoff.ms=5000"
 *  加大Rebalance失败的retry次数: "rebalance.max.retries=10"
 *  捕获"ConsumerRebalanceFailedException"，退出程序。

四、0.9后kafka对Rebalance过程进行了改进

Group Coordinator是一个服务，每个Broker在启动的时候都会启动一个该服务。Group Coordinator的作用是用来存储Group的相关Meta信息，并将对应Partition的Offset信息记录到Kafka内置Topic(\_\_consumer\_offsets)中。Kafka在0.9之前是基于Zookeeper来存储Partition的Offset信息(consumers/\{group\}/offsets/\{topic\}/\{partition\})，因为ZK并不适用于频繁的写操作，所以在0.9之后通过内置Topic的方式来记录对应Partition的Offset。

每个Group都会选择一个Coordinator来完成自己组内各Partition的Offset信息。那么consumer group如何确定自己的coordinator是谁呢？ 简单来说分为两步：

*  确定consumer group位移信息写入\_\_consumers\_offsets的哪个分区。具体计算公式：
    
     *  　　\_\_consumers\_offsets partition\# = Math.abs(groupId.hashCode() % groupMetadataTopicPartitionCount)   注意：groupMetadataTopicPartitionCount由offsets.topic.num.partitions指定，默认是50个分区。
 *  该分区leader所在的broker就是被选定的coordinator。

前面说过， rebalance本质上是一组协议。group与coordinator共同使用它来完成group的rebalance。目前kafka提供了5个协议来处理与consumer group coordination相关的问题：

*  Heartbeat请求：consumer需要定期给coordinator发送心跳来表明自己还活着
 *  LeaveGroup请求：主动告诉coordinator我要离开consumer group
 *  SyncGroup请求：group leader把分配方案告诉组内所有成员
 *  JoinGroup请求：成员请求加入组
 *  DescribeGroup请求：显示组的所有信息，包括成员信息，协议名称，分配方案，订阅信息等

rebalance过程分为2步：Join和Sync

1 Join， 顾名思义就是加入组。这一步中，所有成员都向coordinator发送JoinGroup请求，请求入组。一旦所有成员都发送了JoinGroup请求，coordinator会从中选择一个consumer担任leader的角色，并把组成员信息以及订阅信息发给leader——注意leader和coordinator不是一个概念。leader负责消费分配方案的制定。

2 Sync，这一步leader开始分配消费方案，即哪个consumer负责消费哪些topic的哪些partition。一旦完成分配，leader会将这个方案封装进SyncGroup请求中发给coordinator，非leader也会发SyncGroup请求，只是内容为空。coordinator接收到分配方案之后会把方案塞进SyncGroup的response中发给各个consumer。这样组内的所有成员就都知道自己应该消费哪些分区了。

五、如何避免不必要的Rebalance

除开consumer正常的添加和停掉导致rebalance外，在某些情况下，Consumer 实例会被 Coordinator 错误地认为 “已停止” 从而被“踢出”Group，导致rebalance，这种情况应该避免。

**第一类非必要 Rebalance 是因为未能及时发送心跳，导致 Consumer 被 “踢出”Group 而引发的**。这种情况下我们可以设置 **session.timeout.ms 和 heartbeat.interval.ms** 的值，来尽量避免rebalance的出现。（**以下的配置是在网上找到的最佳实践，暂时还没测试过**）

*  设置 session.timeout.ms = 6s。
 *  设置 heartbeat.interval.ms = 2s。
 *  要保证 Consumer 实例在被判定为 “dead” 之前，能够发送至少 3 轮的心跳请求，即 session.timeout.ms >= 3 \* heartbeat.interval.ms。

将 session.timeout.ms 设置成 6s 主要是为了让 Coordinator 能够更快地定位已经挂掉的 Consumer，早日把它们踢出 Group。

**第二类非必要 Rebalance 是 Consumer 消费时间过长导致的**。此时，**max.poll.interval.ms** 参数值的设置显得尤为关键。如果要避免非预期的 Rebalance，你最好将该参数值设置得大一点，比你的下游最大处理时间稍长一点。