三.RocketMQ工作原理

1.消息的生产

消息的生产过程

Producer可以将消息写入某Broker的某Queue中，其经历了如下过程：

• Producer发送消息之前，会先向NameServer发出获取消息Topic的路由信息的请求
• NameServer返回该Topic的路由表及Broker列表
• Producer对消息做一些特殊处理，例如，消息本身超过4M，则会对其进行压缩
• Producer向选择的Queue所在的Broker发出RPC请求，将消息发送到选择出的Queue

路由表：实际是一个Map，key为topic名称，value是一个QueueData实例列表
QueueData：并不是一个Queue对应一个QueueData，而是一个Broker中该Topic的所有的Queue对应的数据
只要涉及到该Topic的Broker，一个Broker对应一个QueueData。
简单来说，路由表的key为topic，value为List

Broker列表：也是一个Map，key为brokerName，value为BrokerData。
一个Broker对应一个BrokerData实例，对吗？不对，主从的BrokerName是相同的，一套BrokerName相同的MS小集群对应一个BrokerData。BrokerData包含brokerName及一个map，map的key为brokerId，value为该broker对应的地址。
brokerId为0表示该broker为master，非0表示为slave

Queue选择算法

对于无序消息，其Queue选择算法，也称为消息投递算法，常见的有两种：

• 轮询算法：
  默认选择算法。该算法保证了每个Queue中可以均匀的获取到消息

该算法存在一个问题：由于某些愿意你，在某些broker上的Queue可能投递延迟严重，从而导致Producer的缓存队列中出现较大的消息积压，影响消息的投递性能。

• 最小投递延迟算法
  该算法会统计每次消息投递的时间延迟，然后根据统计出的结果将消息投递到时间延迟最小的Queue。如果延迟相同，则采用轮询算法投递。该算法可以有效提升消息的投递性能。

可能导致单个broker接受的消息很多，分配不均，导致消费者集群消费也不均匀，因为一个消费者组中的一个消费者消费一个Broker中的Queue

2.消息的存储

RocketMQ中的消息存储在本地文件系统中，这些相关文件默认在当前用户主目录下的store目录下。

• abort：该文件再Broker启动后会自动创建，正常关闭Broker，该文件会自动消失。若在没有启动Broker的情况下，发现这个文件是存在的，说明之前Broker是非正常关闭的。
• checkpoint: 其中存储着commitlog、consumequeue、index文件的最后刷盘时间戳
• commitlog: 其中存放着commitlog文件，而消息是写在commitlog文件中的
• config： 存放着Broker运行期间的一些配置数据
• consumequeue：其中存放着consumequeue文件，队列就存放在这个目录中
• index：其中存放着消息索引文件indexFile
• lock：运行期间使用到的全局资源锁

1.commitlog文件

目录与文件

• commitlog目录中存放着很多mappedFile文件，当前Broker中的所有消息都是落盘到这些mappedFile文件中的。mappedFile文件大小为1GB（小于等于1GB），文件名由20位十进制数构成，表示当前文件的第一条消息的起始位置偏移量
• 需要注意的是，一个Broker中仅包含一个commitlog目录，所有的mappedFile文件都是存放在该目录中的。即无论当前Broker中存放着多少个Topic的消息，这些消息都是被顺序写入到了mappedFile文件中的。也就是说，这些消息在Broker中存放时并没有被按照Topic进行分类存放。
• mappedFile和mappedFile之间的偏移量是关联的，比如第一个mappedFile的偏移量到了0.98G，来了一个0.03G的消息，只能放到下一个mappedFile，下一个mappedFile的起始偏移量为0.98G。文件名即其偏移量

第一个文件名一定是20位的0构成的。因为第一个文件的第一条消息的偏移量commitlog offset为0
当第一个文件放满时，会自动生成第二个文件继续存放消息，文件名为当前偏移量。假设第一个文件大小为1073741820（1G = 1073741820字节），第二个文件名就是00000000001073741820
以此类推，第n个文件名应该是前n-1个文件大小只和。
一个Broker中所有mappedFile文件的commitlog offset是连续的。
存储是顺序写入的，所以其访问效率高。无论是SSD磁盘还是SATA磁盘，通常情况下，顺序存取效率都高于随机读写。

消息单元

需要注意到，消息单元中是包含Queue相关属性的。所以我们就需要十分留意commitlog与Queue间的关系是什么？
1.我们注意到commitlog的名称为n，第一条消息的偏移量也为n
2.第n条消息的的偏移量为前m个消息的MsgLen之和

2.consumequeue

目录与文件

• 为了提高效率，会为每个Topic在store/consumequeue中创建一个目录，目录名为Topic名称。在该Topic目录下，会再为每个该Topic的Queue建立一个目录，目录名为queueId。每个目录中存放着若干Consumer文件，consumequeue文件是commitlog的索引文件，可以根据consumequeue定位到具体的消息。
• consumequque文件名也是由20位数字构成，表示当前文件的第一个索引条目的起始唯一偏移量。与mappedFile文件名不同的是，其后续文件名是固定的。因为consumequeue文件大小是固定不变的。

索引条目

每个consumequeue文件可以包含30w个索引条目，每个索引包含三个消息的重要属性：在commitlog中的偏移量，消息长度MsgLen，消息Tag的hashCode。这三个属性占20个字节，所以每个文件的大小固定为30w * 20 字节

一个consumequeue文件中所有消息的Topic一定是相同的。但每条消息的Tag可能是不同的。

3.对文件的读写

消息写入

一条消息进入到Broker后经历了一下几个过程才最终被持久化。

• Broker根据queueId，获取到该消息对应索引条目要在consumequeue目录中写入偏移量（有全局offset的），即QueueOffset
• 将QueueId、queueOffset等数据，与消息一起封装为消息单元
• 将消息单元写入到commitlog
• 形成消息索引条目
• 将消息索引目录分发到相应的consumequeue

消息拉取

• 当consumer拉取消息时会经历一下几个步骤：
• consumer要获取到其要消费消息所在queue的消费偏移量offset，计算出其要消费消息的消息offset

• 消费offset即消费进度，consumer对某个Queue的消费offset，即消费到了该Queue的第几条消息

• Consumer向Broker发送拉取请求，其中会包含其要拉取消息的Queue，消息offset即消息Tag
• Broker计算在该consumequeue中的queueOffset

• queueOffset = 消息offset * 20字节

• 从该ququeOffset处开始向后向后查找第一个指定Tag的索引条目。
• 解析该索引条目的前8个字节，即可定位到该消息在commitlog中的commitlog offset
• 从对应commitlog offset中读取消息单元，并发送给Consumer

性能提升

RocketMQ中，无论消息本身还是消息索引，都是存储在磁盘上的。其不会影响消息的消费吗？当然不会。其实RocketMQ的性能在目前的MQ产品中还是非常高的。因为系统通过一系列相关机制大大提升了性能。

• 首先，RocketMQ对文件的对鞋操作都是通过mmap零拷贝进行的，将对文件的操作转化为直接对内存地址进行操作，从而极大地提高了文件的读写效率。
• 其次，consumequeue中的数据是顺序存放的，还引入了PageCache的预读取机制，使得对consumequeue文件的读取几乎接近于内存读取，即使在有消息堆积情况下也不会影响性能。
• RocketMQ中可能会影响性能的是对commitlog文件的读取。因为对commitlog文件来说，读取消息时会产生大量的随机访问，而随机访问会严重影响性能。不过，如果合适的系统IO调度算法，比如设置调度算法为Deadline（采用SSD固态硬盘的话），随机读的性能也会有所提升。

腾讯工程技术有一篇Linux 零拷贝的文章，可以看下

3.indexFile

除了通过的指定Topic进行消费外，RocketMQ还提供了根据key进行消息查询的功能。该查询时通过store目录中index子目录中的indexFile进行索引实现的快速查询。当然，这个indexFile中的索引数据是在包含了key的消息被发送到Broker时写入的。如果消息中没有key，就不会被写入。

1.索引条目结构

• 每个Broker中包含一组indexFile，每个indexFile都是以一个时间戳命名的（这个indexFile被创建时的时间戳）。每个indexFile分三部分：indexHeader、slots槽位、indexes索引数据。每个indexFile文件中包含500w个slot槽。而每个slot槽又可能会挂载很多的index索引单元。
  

• indexHeader固定40个字节，其中存放着如下数据：
  

beginTimestamp: 该indexFile中第一条消息的存储时间
endTimestamp: 该indexFile中最后一条消息的存储时间
beginPhyoffset：该indexFile中第一条消息在commitlog中的偏移量
endPhyoffset: 该indexFile中最后一条消息在commitlog中的偏移量
hashSlotCount: 已经填充有index的slot数量（并不是每个slot槽下都挂载有index索引单元）
indexCount: 该indexFile中包含的索引个数（统计所有slot槽下的所有index索引个数之和）

• index中最复杂的是Slots和Indexes间的关系。在实际存储时，Indexes是在整体Slots后面的，即Slots有指定大小。但为了便于理解，将他们的关系展示为如下形式：

• 

• key的hash值 % 500w 的结果即为slot槽位，然后将该slot值修改为该index索引单元的indexNo，根据这个indexNo，根据这个indexNo可以计算出该index单元在indexFile中的位置。不过，该取模结果的重复率是很高的，为了解决该问题，每个index索引单元中增加了preIndexNo，用于指定该slot中当前index索引单元的前一个index索引单元。而slot中始终存放的是其下最新的索引单元的indexNo，这样的话，只要找到了slot就可以找到其最新的index索引单元，而通过这个index索引单元就可以找到其之前的所有index索引单元。

indexNo是一个在indexFile中的流水号，从0开始依次递增。即在一个indexFile中，所有indexNo是依次递增的。indexNo在index索引单元中是没有体现出来的，其是通过indexes依次数出来的

• index索引单元默认20个字节，其中存放着以下四个属性：
  

keyHash: 消息中指定的业务key的hash值
phyOffset: 当前key对应的消息在commitlog中的偏移量commitlog offset
timeDiff：当前key对应消息的存储时间与当前indexFile创建的时间差（第一个key消息时间）
preIndexNo：当前slot下当前index索引单元的前一个index索引单元的indexNo

2.文件名的作用

indexFile的文件名为当前文件被创建时的时间戳，这个时间戳有什么用处呢？
根据业务key进行查询时，查询条件除了key之外，还需要指定一个要查询的时间戳，表示要查询不大于改时间戳的最新的消息，即查询指定时间戳之前存储的最新消息。这个时间戳文件名可以简化查询，提高查询效率。具体后面会详细讲解。

indexFile是何时创建的？其创建的条件（时机）有两个：

• 当第一条带key的消息发送来后，系统发现没有ndexFile，此时会创建第一个indexFile
• 当一个indexFile中挂载的index索引单元个数超过2000w个时，会创建新的indexFile。当带key的消息发送到来后，系统会找到最新的indexfile, 并从起indexHeader的最后4字节读取到indexCount。若indexCount > 2000w时，会创建新的indexFile
• 由此可知，一个indexFile的最大大小是：40 + 500w * 4 + 2000w * 20 字节

3.查询流程

当消费者通过业务key来查询相应的消息时，其需要经过一个相对较复杂的查询流程。不过，在分析查询流程之前，首先要清楚几个定位计算式子：

• 计算指定消息key的slot槽位序号： slot槽位序号 = key的hash % 500w
• 计算槽位序号为n的slot在indexFile中的起始位置： slot(n)位置 = 40 + （n - 1） * 4
• 计算indexNo为m的index在indexFile中的位置：index(m)位置 = 40 + 500w * 4 + (m - 1) * 20

1.输入业务key与要查询的时间，开始查询
2.根据传入的时间找到相应的indexFile
3.计算出传入时间与indexFile文件名的差值diff
4.计算出业务key的hash值
5.计算出slot槽位序号n
6.根据slot槽位序号计算出该slot在indexFile中的位置
7.找到slot后读取slot值,即当前slot中最新的index索引单元的indexNo
8.根据indexNo计算出该index单元在indexFile的位置
9.计算出的时间差diff - 当前index单元中的timeDiff
10.如果结果 >= 0 且 key的hash值一致,读取该index单元的phyOffset,定位到相应的消息
11.如果结果 < 0,读取该index单元的preIndexNo,作为要查找的下一个index索引单元的indexNo,回到步骤8

• 也就是说,只取小于指定时间的一条数据

4.消息的消费

消费者从Broker中获取消息的方式有两种:pull拉取和push推动.消费者组对于消息消费的模式又分为两种:集群消费clustering和广播消费Broadcasting

1.推拉消费类型

拉取式消费

Consumer主动从Broker中拉取消息,主动权由Consumer控制.一旦获取了批量消息,就会启动消费过程.不过,该方式的实时性较弱,即Broker中有了新消息时消费者并不能及时发现.

用户自己指定拉取时间间隔,拉取时间间隔较长,可能拉取到的消息较多,实时性也较差.拉取时间间隔太短,空请求比例增加

推送式消费

该模式下Broker收到数据后会主动推送给Consumer.该消费模式一般实时性较高.
该消费类型是典型的发布-订阅模式,即Consumer向其关联的Queue注册了监听器,一旦发现有新的消息到来会就触发回调的执行,回调方法是Consumer去Queue中拉取消息.而这些都是基于Consumer与Broker间的长连接.长连接的维护是需要消耗系统资源的.

对比

• pull: 需要应用去实现对关联Queue的遍历,实时性差;但便于应用控制消息的拉取.
• push: 封装了对关联Queue的遍历,实时性强,但会占用较多的系统资源.

2.消费模式

广播消费

广播消费模式下,相同Consumer Group的每个Consumer实例都接收同一个Topic的全量消息.即每条消息都会被发送到Consumer Group中的每个Consumer.

集群消费

集群消费模式下,相同Consumer Group的每个Consumer实例平均分摊同一个Topic的消息.即每条消息只会被发送到Consumer Group中的某个Consumer.

消息进度保存

• 广播模式: 消费进度保存在consumer端.因为广播模式下consumer group中的每个consumer都会消费所有消息,但他们的消费进度是不同的.所以consumer各自保存各自的消费进度.
• 集群模式: 消费进度保存在broker中.consumer group中的所有consumer共同消费同一个Topic中的消息,同一条消息只会被消费一次.消费进度参与到了消费的负载均衡中,故消费进度是需要共享的.

broker中的消费进度: 在consumeroffset.json文件中的queueId的消费进度+1,如下图中,queueId为0的queue消费进度为8

3.Rebalance机制

Rebalance讨论的前提是:集群消费,广播消费没有这个问题

什么是Rebalance

Rebalance即再均衡,指的是,将一个Topic下的多个Queue在同一个Consumer Group中的多个Consumer间进行重新分配的过程

Rebalance机制本意是为了提升消息的并行消费能力.例如,一个Topic下有5个队列,在只有一个消费者的情况下,这个消费者将负责这5个队列的消息.如果此时我们增加一个消费者,那么就可以给其中一个消费者分配2个队列,给另一个分配3个队列,从而提升消息的并行消费能力.

Rebalance限制

由于一个队列最多分配给一个消费者,一个消费者组中消费者实例数量大于队列数量,多余的消费者将分配不到任何队列.

Rebalance危害

• 消费暂停: 在只有一个Consumer时,其负责消费的所有队列;在新增了Consumer后会触发Rebalance的发生.此时原Consumer就需要暂停部分队列的消费,等到这些队列分配给新的Consumer后,这些暂停的队列才能继续被消费.
• 消费重复: Consumer在消费新分配给自己的队列时,必须接着之前Consumer提交的消费进度的offset继续消费.然而默认情况下,offset是异步提交的,这个异步性提交给Broker的offset与Consumer实际消费的消息并不一致.这个不一致的差值就是可能会重复消费的消息.

同步提交: consumer提交了其消费完毕的一批消息的offset给broker后,需要等待broker的成功ACK.当收到ACK后,consumer才能继续获取并消费下一批消息.在等待ACK期间,consumer是阻塞的.
异步提交: consumer提交了其消费完毕的一批消息的offset给broker后, 不需要等待broker的成功ACK.consumer可以直接获取并消费下一批消息.比如consumerA实际消费到800了,broker中的offset还是500,那么Rebalance后,consumerB从500开始消费,500-800之间就属于重复消费了.
对于一次性读取消息的数量,需要根据业务场景选择一个相对均衡的是很有必要的.因为数量过大,系统性能提升了,但产生重复消费的消息数量可能会增加;数量过小,系统性能下降,但被重复消费的消息数量可能减少.

• 消费突刺: 由于Rebalance可能导致重复消费,如果需要重复消费的消息过多,或者因为Rebalance暂停时间过长从而导致积压了部分消息.那么有可能会导致Rebalance结束后瞬间需要消费很多消息.

Rebalance产生的原因

导致Rebalance产生的原因,无非是两个:

• 消费者所订阅的Queue数量发生变化
• 消费者组中消费者数量发生变化

1.具体到生产环境下,Queue数量发生变化的场景:
Broker扩容或缩容
Broker升级运维
Broker与NameServer间的网络异常
Queue扩容或缩容
2.消费者数量发生变化的场景:
Consumer Group扩容或缩容
Consumer升级运维
Consumer 与 NameServer间网络异常

Rebalance过程

在Broker中维护着多个Map集合,这些集合中动态存放着当前Topic中Queue的信息,Consumer Group中Consumer实例的信息.一旦发现消费者所订阅的Queue数量发生变化,或者消费者组中消费者的数量发生变化,立即向Consumer Group中的每个实例发出Rebalance通知.

TopicConfigManager: key是topic名称,value是TopicConfig.TopicConfig中维护着该Topic中所有Queue的数据.
ConsumerManager: key是ConsumerGroupId,value为ConsumserGroupInfo.ConsumerConfigInfo维护着该Group中所有Consumer实例数据.
ConsumerOffsetManager: key为Topic与Consumer Group的组合, value为一个内层Map,内存Map的key为QueueId, 内层Map的value为该Queue的消费进度offset. 详细见Broker的store/config/consumerOffset.json

Consumer实例在接收到通知后会采用Queue分配算法自己获取到相应的Queue,即由Consumer实例自主进行Rebalance.

4.Queue分配算法

一个Topic的Queue只能由ConsumerGroup中的一个Consumer消费,而一个Consumer可以同时消费多个Queue中的消息.那么Queue与Consumer间的配对关系是如何确定的,即Queue要分配给哪个Consumer进行消费,也是有算法策略的.常见的有四种策略.这些策略是通过在创建Consumer时的构造器传进去的.

平均分配策略

该算法是要根据avg = QueueCount / ConsumerCount的计算结果进行分配的.如果能够整除,则按顺序将avg个Queue逐个分配Consumer;如果不能整除,则将多余的Queue按照Consumer顺序逐个分配.

先计算每个Consumer分配的数量,再进行分配,即ConsumerA消费Queue1,Queue2,ConsumerB消费Queue3,Queue4,ConsumerC消费Queue5…

环形分配策略

环形平均算法指按照消费者的顺序,依次由Queue队列组成的环形图中逐个分配

一致性hash策略

该算法会将Consumer的hash值作为Node节点放到hash环上,然后将Queue的hash值也放到hash环上,通过顺时针方向,距离queue最近的那个Consumer就是该Queue要分配的consumer.

该算法存在的问题:分配不均.
优点: 可以有效减少由于消费者组扩容或缩容带来的大量的Rebalance.

同机房策略

该算法会根据queue的部署机房位置和Consumer的位置,过滤出当前consumer相同机房的queue.然后按照平均分配策略或环形平均策略对同机房queue进行匹配.如果没有同机房queue,则按照平均分配策略或环形平均策略对所有queue进行匹配.

5.至少一次原则

RocketMQ有一个原则:每条消息必须要被成功消费一次.
那什么是成功消费呢?Consumer在消费完消息后会向其消费进度记录器提交其消费消息的offset,offset被成功记录到记录器中,那么这条消费就被成功消费了.

什么是消费进度记录器?
对于广播消费模式来说,Consumer本身就是消费进度记录器.
对于集群消费模式来说,Broker是消费进度记录器.

5.订阅关系的一致性

订阅关系的一致性指的是,同一个消费者组(GroupID相同)下所有Consumer实例所订阅的Topic下的Consumer实例所订阅的Topic与Tag的处理逻辑必须完全一致.否则,消息消费的逻辑就会混乱,甚至导致消息丢失.

1.正确订阅关系

多个消费者组订阅了多个Topic,并且每个消费者组里的多个消费者实例的订阅关系保持了一致.

2.错误订阅关系

订阅了不同Topic
订阅了不同Tag
订阅了不同数量的Topic

6.offset管理

这里的offset指的是Consumer的消费进度offset.
消费进度offset是用来记录每个Queue的不同消费组的消费进度的.
根据消费进度记录器的不同,可以分为两种模式:本地模式和远程模式

1.offset本地管理模式

当消费模式为广播消费时,offset使用本地模式存储.因为每条消息会被所有的消费者消费,每个消费者管理自己的进度,各个消费者之间不存在消费进度的交集.
Consumer在广播消费模式下offset相关数据以json的形式持久化到Consumer本地磁盘文件中,文件路径为当前用户主目录下的.rocketmq_offsets/$clientId/group/offsets.json.其中${clientId}为当前消费者id,默认为ip@DEFAULT;group为消费者组名称.

2.offset远程消费模式

当消费模式为集群消费时,offset使用远程模式管理.因为所有Consumer实例对消息采用的是均衡消费,所有Consumer共享Queue的消费进度.
Consumer在集群消费模式下,offset相关数据以json形式存储在Broker所在磁盘文件中,文件路径为当前用户主目录下的:store/config/consumerOffset.json
Broker启动时会加载这个文件,并写入到一个双层Map,即ConsumerOffsetManager, 前面提到过.

3.offset用途

这里有个问题: 消费者是如何知道其要消费哪个消息的,即消费者是如何知道其要消费消息在Queue中的偏移量offset的?其实消费者的第一条消息是通过consumer.setConsumeFromWhere()方法指定起始位置的.

在消费者启动后,其要消费的第一条消息的起始位置常用的有三种,这三种位置可以通过枚举类型常量设置.这个枚举类型为ConsumeFromWhere

CONSUME_FROM_LAST_OFFSET: 从queue的当前最后一条消息开始消费
CONSUME_FROM_FIRST_OFFSET: 从queue的第一条消息开始消费
CONSUME_FROM_TIMESTAMP: 从指定的具体时间戳位置的消息开始消费.

• 这个具体时间戳是通过另外一个语句指定的:consumer.setConsumeTimestamp(“202301010800”)来指定年月日时分

当消费完一批消息后,Consumer会提交其消费进度offset给Broker,Broker在收到消费进度后会将其更新到那个双层Map即consumerOffset.json文件中,然后向该Consumer进行ACK,而

ACK内容包含三项数据:
minOffset, maxOffset, 以及下次消费的起始offset(nextBeginOffset)

4.重试队列

当RocketMQ队消息的消费出现异常时,会将发生异常的消息的offset提交到Broker的重试队列.系统在发生消息消费异常时会为当前的Topic创建一个重试队列,该队列以%RETRY%TopicName@groupName命名(同样可以在consumerOffset.json文件中看到),到达重试时间后进行消费重试.

5.offset的同步提交和异步提交

集群模式下,Consumer消费完消息后会向Broker提交消费进度offset,其提交方式分为两种.

同步提交: consumer提交了其消费完毕的一批消息的offset给broker后,需要等待broker的成功ACK.当收到ACK后,consumer才能继续获取并消费下一批消息.在等待ACK期间,consumer是阻塞的.其严重影响了消费者的吞吐量.

异步提交: consumer提交了其消费完毕的一批消息的offset给broker后, 不需要等待broker的成功ACK.consumer可以直接获取并消费下一批消息.比如consumerA实际消费到800了,broker中的offset还是500,那么Rebalance.增加了消费者的吞吐量.但是需要注意,broker收到提交的offset后,还是会向消费者进行响应的,只是不影响consumer继续消费, consumer会从Broker中直接获取nextBeginOffset.

7.消息幂等

1.什么是消息幂等

当出现消费者对某条消息重复消费的情况时,重复消费的结果与第一个次消费的结果是相同的,并且多次消费并未对业务系统产生任何负面影响,那么这个消费过程就是消费幂等的.
在互联网应用中,尤其是网络不稳定的情况下,消息很有可能会出现重复发送或重复消费.如果重复的消息可能影响业务处理,那么就应该对消息做幂等处理.

2.消息重复的场景分析

什么情况下可能会出现消息被重复消费呢?最常见的有以下三种情况:

发送消息时重复

当一条消息已被成功发送到Broker并完成持久化,此时出现了网络闪断,从而导致Broker对Producer应答失败.此时如果Producer意识到消息发送失败并尝试再次发送消息,此时Broker中就可能会出现两条内容相同并且MessageID也相同的消息,那么后续Consumer就一定会消费两次该消息.

消费时消息重复

消息已投递到Consumer并完成业务处理,当Consumer给Broker反馈应答时网络闪断,Broker没有接收到消费成功响应.为了保证消息至少被消费一次的原则,Broker将在网络恢复后再次尝试投递之前已被处理过的消息.此时消费者就会收到与之前处理过的内容相同,MessageID也想通的消息.

Rebalance时消息重复

当Consumer Group中的Consumer数量发生变化时,或其订阅的Topic的Queue数量发生变化时,会触发Rebalance,此时Consumer可能会收到曾经被消费过的消息.

3.通用解决方案

两要素

幂等解决方案的设计中涉及到两项要素:幂等令牌,与唯一性处理.只要充分利用好两要素,就可以设计出好的幂等解决方案.

• 幂等令牌: 是生产者和消费者两者中的既定协议,通常指具备唯一业务标识的字符串.例如:订单号
• 唯一性: 服务端通过采用一定的算法策略,保证同一个业务不会被重复执行成功多次.例如:订单号查询后确认可以消费再消费.

解决方案

对于常见的系统,幂等性操作的通用性解决方案是:
1.首先通过缓存去重.在缓存中如果已经存在了某幂等令牌,则说明本次操作是重复性操作;若缓存没有命中,则进入下一步.
2.如果1校验未通过,比如缓存过期,在唯一性处理之前,先在数据库中查询幂等令牌作为索引的数据是否还存在.若存在,则说明本次操作为重复性操作;若不存在,则进入下一步.
3.在同一事务中完成三项操作:唯一性处理后,将幂等令牌写入到缓存,并将幂等令牌作为唯一索引的数据写入到DB中.

以支付场景为例:
1.当支付请求到达后,首先在Redis缓存中获取key为支付流水号的缓存value.若value不为空,则说明本次是重复操作,业务系统直接返回调用侧重复支付标识.若value为空,进行下一步.
2.使用支付流水号查询DB中是否有支付记录,如果有,业务系统直接返回重复支付标识.若支付记录没有,进行下一步.
3.完成支付任务,在Redis缓存中记录支付流水号,记录入DB. 这三项必须都成功, 一般先做业务处理,然后记录redis,最后入库.

4.消息幂等的实现

消费幂等的解决方案很简单:为消息指定不会重复的唯一标识.因为MessageID可能出现重复的情况,所以真正安全的幂等处理,不建议以MessageID作为处理依据.最好的方式是以业务唯一标识作为迷瞪处理的关键依据,而业务的唯一标识可以通过消息key设置.比如设置key为orderId_100, 可以解析出100,然后进行幂等处理.

8.消息堆积与消费延迟

1.概念

消息处理流程中,如果Consumer的消费速度跟不上Producer的发送速度,MQ中未处理的消息会越来越多,这部分消息就被称为堆积消息.消息出现堆积进而会造成消息的消费延迟.以下场景需要重点关注消息堆积和消费延迟问题:

• 业务系统上下游能力不匹配造成的持续堆积,且无法自行恢复
• 业务系统对消息的消费实时性要求较高,即使是短暂的堆积造成的消费延迟也无法接受.

2.产生原因分析

Consumer使用长轮训Pull模式消费消息时,分为以下两个阶段:

拉取消息

Consumer通过长轮训Pull模式批量拉取的方式从服务端获取消息,将拉取到的消息缓存到本地缓冲队列中.对于拉取式消费,在内网环境下,会有很高的吞吐量,所以这一阶段一般不会成为消息堆积的瓶颈.

消息消费

Consumer将本地缓存的消息提交到消费线程中,使用业务消费逻辑对消息进行处理,处理完毕后获取到一个结果.这是真正的消费过程.此时Consumer的消费能力就完全依赖于消息的消费耗时和消费并发度.如果由于业务处理逻辑复杂等原因,导致处理单条消息的耗时较长,则整体的消息吞吐量肯定不会高,此时就会导致Consumer本地缓存队列达到上限,停止从服务端拉取消息.

3.消费耗时

影响消息处理时长的代码逻辑,可能主要产生于两种类型的代码: CPU内部计算型代码和外部I/O操作型代码.
通常情况下代码如果没有复杂的递归和循环的话,内部计算耗时相对外部I/O操作来说可以忽略不计.所以外部I/O型代码是影响消息处理时长的主要症结所在.

4.消费并发度

一般情况下,消费者端的消费并发度由单节点线程数和节点数量共同决定,其值为单节点线程数*节点数量.不过,通常需要优先调节单节点的线程数,若单机硬件资源达到了上限,则需要横向拓展来提高消费并发度.

对于普通消息,延时消息及事务消息,并发度计算都是单节点线程数*节点数量.但对于顺序消息则是不同的.顺序消息的消费并发度等于Topic的Queue分区数量.
1)全局顺序消息:该Topic只有一个Queue分区.这样就能保证全局顺序消费.为了保证这个全局顺序性,ConsumerGroup中在同一时刻只能有一个Consumer的一个线程进行消费,所以并发度为1.
2)分区顺序消息:在每个Topic内部的不同Queue, 保证在每个Queue对应的消费者同一时刻只消费一条消息,但是不同Queue之间不能保证顺序性.如msg1,msg2在queue1,msg3和msg4在queue2,msg1必定在msg2前面消费,但是msg3可能在msg1之前消费.

5.单机线程数计算

对于一台主机中线程池数的设置需要谨慎,不能盲目直接调大线程数,设置过大的线程数反而会带来大量的线程切换的开销.理想环境下单节点的最优线程数计算模型为: C * (T1 + T2) / T1.

• C: CPU内核数
• T1: CPU内部逻辑计算耗时
• T2: 外部IO操作耗时

最优线程数解释: C + C * T2 / T1, 让C个线程在执行CPU内部逻辑计算, T2 / T1 可能为就10, 那么就有10C个线程在等I/O结果,并不消耗CPU,这样的话,每个CPU都不浪费.
应该是先设置一个比较小的线程数,然后通过压测去不断调大线程数,直到找到最佳的线程数(平均消费耗时最低).

6.如何避免

为了避免在业务使用时出现非预期的消息堆积和消费延迟问题,需要在前期设计阶段对整个业务逻辑进行完善的排查和梳理.其中最重要的就是梳理消息的消费耗时和消息消费的并发度.

梳理消息的消费耗时

通过压测获取消息的消费耗时,并对耗时较高的操作的代码逻辑进行分析.梳理消息的消费耗时需要关注以下信息:

• 消费消息逻辑的计算复杂度是否过高,代码是否存在无限循环和递归等缺陷.
• 消息消费逻辑中的I/O操作是否是必须的,能否用本地缓存等方案规避.
• 消费逻辑中的复杂耗时的操作是否可以做异步化处理.如果可以,是否会造成逻辑错乱.

设置消费并发度

对于消息消费并发度的计算,可以通过以下两步实施:

• 逐步调大单个Consumer节点的线程数,并观测节点的系统指标,得到单个节点最优的消费线程数和消息吞吐量.
• 根据上下游链路的流量峰值计算出需要设置的节点数

节点数 = 流量峰值 / 单节点消息吞吐量

9.消息的清理

消息被消费后会被清理掉吗? 不会的.
消息时被顺序存储在commitlog文件的,且消息大小不定长,所以消息的清理是不可能以消息为单位进行清理的,而是以commitlog文件为单位进行清理的.否则会急剧下降清理效率,并实现逻辑复杂.

这个参数在broker的配置文件中.
commitlog文件存在一个过期时间,默认为72小时,即三天.除了用户手动清理外,在以下情况下也会被自动清理,无论文件中的消息是否被消费过:

• 文件过期,且到达清理时间点(默认为凌晨4点),自动清理过期文件
• 文件过期,且磁盘空间占用率已达到过期清理警戒线(默认75%)后,无论是否达到清理时间点,都会自动清理过期文件.
• 磁盘占用了达到清理警戒线(默认85%)后,开始按照设定好的规则清理文件,无论是否过期,默认会从最老的文件开始清理.
• 磁盘占用率达到系统危险警戒线(90%)后,Broker将拒绝写入消息.