Kafka集群调优+能力探底

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：

1. 单次写入磁盘的数据量
2. 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 threadList = new ArrayList();        for (int j = 0; j  {                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：

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_PLAINTEXTsasl.mechanism=SCRAM-SHA-512sasl.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

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

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 connectionList = initConnectionList(args);        while (true) {            long total = 0L;            long[] arr = new long[3];            int index = 0;            for (MBeanServerConnection connection : connectionList) {                Optional 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 initConnectionList(String[] args) throws Exception {        // 10.0.0.21:9094,10.0.0.22:9094,10.0.0.23:9094        List connList = new ArrayList();        if (args != null) {            for (String ip : args) {                String s = "service:jmx:rmi:///jndi/rmi://" + ip + ":5555/jmxrmi";                connList.add(s);            }        }        List 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、2C4G5.1.1、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

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

5.2、4C8G

相关认证配置 admin7.conf

security.protocol=SASL_PLAINTEXTsasl.mechanism=SCRAM-SHA-512sasl.jaas.config=org.apache.kafka.common.security.scram.ScramLoginModule required username="kafka-acegzesojh" password="acegzesfmj";

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_1Partition: 0Leader: 1000Replicas: 1000Isr: 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

5.3、8C16G

用到的配置信息 admin6.conf

security.protocol=SASL_PLAINTEXTsasl.mechanism=SCRAM-SHA-512sasl.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"

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}

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

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_PLAINTEXTsasl.mechanism=SCRAM-SHA-512sasl.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                  receiveriperf 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

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

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

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