Kafka中的这只“千里眼”，你需要知道！！！

作者：丁威 2021-07-26 10:48:47

开发

架构

Kafka 作为Kafka集群的负责人，消费端出现消息积压，反复发生重平衡等问题时，如何快速定位性能瓶颈显的至关重要。

[[413084]]

作为Kafka集群的负责人，消费端出现消息积压，反复发生重平衡等问题时，如何快速定位性能瓶颈显的至关重要。

本篇将详细介绍消费端端监控指标，让架构师提出的性能优化方案提供数据支撑。

Kafka的设计者早就为我们考虑好了，提供了丰富多彩的监控指标。

1、消费端指标

Kafka中的监控指标通过MBean进行存储，我们可以通过jconsole中进行查看，截图如下：

主要分为如下四个维度展开：

• Consumer-coordinator-metrics

消费者组协调器相关的监控指标。

• Consumer-fetch-manager-metrics

消费组消息拉取相关的监控指标

• Consumer-node-metrics

以broker节点为维度的统计信息，消费端向多个broker节点拉取消息等监控指标。

• Kafka-metrics-count

接下来将分别展开，详细介绍其各个指标的含义，并给出一些实践指导。

1.1 消费者组协调器监控指标

组协调器相关的监控指标明细说明如下：

详细说明如下：

• join-time-max

消费者重新加入消费组的最大时长

• join-time-avg

消费者重新加入消费组的平均时长

• join-rate

消费者加入消费组的TPS

实践指导：该值为0正常，该值越大，越有问题，说明消费者在频繁加入消费者，在加入消费者的过程中消费者是不会消费消息的。

• join-time-avg

消费者加入消费组的平均时间

• join-total

该消费者重新加入消费组的次数(重平衡发生的次数)

实践指导：该值值的采集，如果该值过大，说明发生重平衡的次数太多，重平衡时该消费者时不参与消息消费。

• commit-latency-avg

提交位点的平均耗时

• commit-rate

提交位点的tps

• commit-latency-max

提交位点时的最大延迟时间

• commit-total

消费者启动以来的位点提交的总次数

• sync-time-avg

消费者发送sync的平均响应时长。

知识点：消费者加入小组后由该消费者中的Leader负责进行队列分配，然后将分配方案发送给组协议器，各个从节点将向组协调器获取分配队列。

• sync-rate

消费者发送sync的tps

• sync-total

消费者发送sync请求的总次数

• sync-time-max

消费者sync请求响应的最大响应时间

• assigned-partitions

当前分配到的分区数量

• heartbeat-total

心跳请求的总数

• heartbeat-response-time-max

心跳请求的最大响应时间

• last-heartbeat-seconds-ago

上一次发送心跳包的时间

• heartbeat-rate

发送心跳包的tps

从监控指标来看，我们有能得知消费端协调器的职责：

• 协调消费者加入消费组
• 协调消费者Leader进行队列负载分配
• 发送心跳，保持会话
• 提交位点

1.2 消费者消息拉取监控指标

消费者与消息拉取相关的监控指标如下图所示：

消费组拉取指标的组织分成消费组与该消费组订阅的多个topic两个维度。

接下来详细分析上述指标：

• bytes-consumed-rate

消费端每秒提交到业务的tps。

• bytes-consumed-total

消费端目前消费的总字节数。

• fetch-latency-max

API.FETCH请求(即向broker端发送消息拉取)的最大耗时。

• records-per-request-avg

每一次Fetch请求拉取的消息条数(对当前指标取平均值)。

• fetch-rate

客户端发送Fetch请求的tps。

• fetch-total

客户端总共发起的Fetch请求个数

• fetch-throttle-time-max

消息拉取(Fetch请求)由于服务端(broker)限流的最大限流时长，关于broker端限流机制，后续会重点探究。

• fetch-throttle-time-avg

消息拉取Fetch请求的平均限流时长。

• fetch-size-max

单个分区一次消息拉取最大的字节数。

实践指导：该值非常有必要采集监控，可以评估消费端消息的拉取能力，如果该值持续接近设置的期望值，如果消费端tps不满足需求，可以适当调大该值。

• fetch-latency-avg

消息拉取的平均耗时。

• fetch-size-avg

一次消息拉取的平均字节数

• records-consumed-total

消费端消费端总字节数

• records-lead-min

当前消费位点与日志端中最小位点的差值。

• records-lag-max

分配给消费者的分区中，消息积压的最大值。

实战指导：可以基于该值做告警。

消费者还会从主题-分区级别采集与消费进度相关的指标，相关指标说明如下：

• records-lag
• records-lag-avg
• records-lag-max
• records-lead
• records-lead-avg
• records-lead-min

对于上述指标，主要是解释一下两个基本的含义，其他指标是对其进行聚合计算(max,avg)。

• records-lag

消费积压，即消费位点与当前分区最大位点点差距，该值越大，说明消费端处理速度越慢，需要十分关注，通常需要接入告警，及时通知项目方。

• records-lead

消费位点与当前分区最小位点的差距，我对该值的具体用途暂未参悟，有心的读者看到，欢迎与我共同交流。

1.3 消费者网络相关监控指标

上面的指标主要是关注消费端协调器、消费端Fetch(消息拉取)两个重要维度，接下来关注一下从消息者的视角关注一下底层网络IO等维度相关的指标，相关指标的采集入口位Kafka的org.apache.kafka.common.network.Selector,其具体的指标如下图所示：

其实这些指标基本与生产者相同，说明如下：

• request-rate

请求发送tps。

• request-size-max

请求发送的最大字节

• request-size-avg

请求的平均大小

• request-total

总共的请求个数

• select-rate

事件选择器tps。

• select-total

事件选择器执行事件选择的总次数

• response-total

响应请求总数

• response-rate

响应TPS

• outgoing-byte-rate

每秒发送字节数

• outgoing-byte-total

总发送字节数

• incoming-byte-rate

每秒接受字节数

• incoming-byte-total

总工接受字节数

• io-ratio

IO线程处理IO读写的总时间

• io-time-ns-avg

每一次事件选择器调用IO操作的平均时间(单位为纳秒)

• io-waittime-total

io线程等待读写就绪的平均时间(单位为纳秒)

• iotime-total

io处理总时间。

• io-wait-ratio

io等待占io总处理时间的比例

• io-wait-time-ns-avg

io线程平均等待时间(纳秒)

实战指导：网络相关的监控指标，可以重点关注一下io线程相关的性能。

1.4 按broker节点采集监控数据

客户端还会按照broker的维度，重点采集与请求相关的指标，例如请求tps、平均响应时间。

实战指导：监控指标的含义都已经在上文中提到过，这些指标应该是最值得采集，特别是request-latency-max、request-latency-avg，这对确认broker是否存在瓶颈。

2、监控指标采集

虽然Kafka内置了众多的监控指标，但这些指标默认是存储在内存中，既然是存放在内存中，为了避免监控数据无休止的增加内存触发内存溢出，通常监控数据的存储基本是基于滑动窗口，即只会存储最近一段时间内的监控数据，进行滚动覆盖。

故为了更加直观的展示这些指标，因为需要定时将这些信息进行采集，统一存储在其他数据库等持久化存储，可以根据历史数据绘制曲线，希望实现的效果如下图所示：

在这里插入图片描述

基本的监控采集系统架构设计如下图所示：

mq-collect应该是放在生产者SDK中，通过mq-collect类库异步定时将采集信息上传的到时序数据库InfluxDB,然后通过mq-portal门户展示页面，对每一个生产客户端按指标进行可视化展示，实现监控数据的可视化，从而为性能优化提供依据。

本文转载自微信公众号「中间件兴趣圈」，可以通过以下二维码关注。转载本文请联系中间件兴趣圈公众号。