日志KAFKA集群承载了全司的APPCODE日志，比如我们常用的QTRACE日志，以及实时离线数仓数据。体量非常大。

春节高峰每分钟流量1.3TP，每分钟接收20亿条数据。

每天数据流量1.5PB ,每天接收消息条数超过两万亿。

Broker: kafka集群中的一个节点。

网络闲置率：是kafka服务的一个重要指标，即网络线程池线程平均的空闲比例，通常用于衡量集群的繁忙程度。集群没有流量时为最大值1，随着集群压力变大会逐渐变小，达到0.3以下集群性能就会达到瓶颈，就表明你的网络线程池非常繁忙，集群无法保证读写请求的及时处理，造成生产丢数已经消费堆积的问题。需要通过增加网络线程数或将负载转移给其他服务器的方式，来给该 Broker 减负。

请求队列：客户端发起的请求首先存放在这个队列，服务端拉取请求并进行处理。主要包含了消费以及生产请求。

kubernetes 是个基于容器技术的分布式集群管理系统，或者说是容器编排、管理的编排平台。

pod 是 k8s 中的最小调度单元，应用以此作为载体调度运行。pod 内可以只有一个容器也可以包含多个容器，共享网络命名空间、存储资源等，我们的filebeat 运行环境便是随着业务 pod 中注入一个 filebeat sidecar 容器来进行业务日志收集。

无法抗住23年春节压测，在压测高峰期，部分客户端无法正常消费，出现堆积，并且也无法正常生产数据，压测期间采取了降级措施来保证集群的稳定。

节日高峰期，整个集群的处理能力大幅缩减，需要人工对高压力机器进行负载均衡。

公司压测期间集群网络闲置率已经降低到0.4以下，部分机器闲置率接近于0，集群处于压力瓶颈的边缘，已经无法通过增加机器来解决集群本身的性能问题了。

下图是集群高峰期的网络闲置率，每条线代表一台服务器。

排查日志

通过对网络闲置率低的机器进行排查，服务端并没有明显的日志报错，日志无法定位具体问题。

硬件层面排查

闲置率低的机器排查机器本身的资源使用，发现网卡流量、磁盘使用率、内存使用、cpu使用都没有达到上限、下面是各个指标的监控图：

网络流量监控，压测期间入口流量有所上涨，出口流量上涨不明显

磁盘IO监控，可以发现压测期间IO使用率有所上涨，但并没有达到上限

cpu在压测期间反而在下降，充分说明集群性能此时已经出现问题

参数优化

影响网络闲置率最直接的两个参数就是io线程数和网络线程数。

系统默认值 num.io.threads=3、num.network.threads=8 这两个参数分别是代表磁盘IO的线程数量、处理网络请求的线程数量。这两个值集群已经做过优化，继续调大之后并没有效果。

网络架构分析

深入分析KAFKA架构，从客户端发起请求，到客户端处理逻辑流程进行深入分析。其中包含了客户端的发起请求后，服务端如何接收请求，以及如何处理请求后，反馈给客户端。

基于此分析，发现了KAFKA集群缺失了很多重要的监控信息，比如请求队列大小，请求耗时，客户端请求量。于是我们根据网络架构进行必要的监控添加，用于发现瓶颈。

增加监控

kafka服务的各项指标，都是从jmx中获取，由于jmx中有大量指标，我们平时获取只关注了重点部分指标，这次准备把可能有关联的相关指标都打出来观察。

增加了下面这些指标：RequestQueueSize大小，ResponseQueueSize大小 ，日志刷盘持续时长，BROKER生产请求数，Produce耗时指标 P999，FetchFollower耗时指标 P999，FetchConsumer耗时指标P999 ，TotalFetchRequestsPerSec，TotalProduceRequestsPerSec。

添加指标后经过观察，趋势有相关的指标有 RequestQueueSize大小、日志刷盘持续时长、BROKER生产请求数，下面重点排查这些指标。

刷盘时间指标验证

当闲置率低的时候，发现刷盘时间也在增长，刷盘时间有两部分因素控制，一部分是Kafka本身的参数，另一部分就是磁盘的IO。我们通过两部分的测试来验证是否有关联。

Kafka 的刷盘时间指的是将数据从内存刷新到持久存储设备（如硬盘）所需的时间。Kafka 的性能直接影响其可以处理的消息量，而这个时间就是影响这一性能的一个关键因素。刷盘时间相关重要的两个参数为

log.flush.interval.messages: 在日志文件的缓冲区中积累指定数量的消息后，触发一次刷盘操作。

log.flush.interval.ms: 在日志文件的缓冲区中积累指定时间后，触发一次刷盘操作。

通过对这两个参数的不同数值的调整，最后发现对闲置率没有影响。

请求数指标验证

kafka每个broker会有一个请求队列，这个队列有一个默认值大小。当队列打满的时候说明服务端无法快速消化大量打过来的请求，这个指标和【BROKER生产请求数】指标可以对应上。同时也可以解释外部的两个因素，流量上涨和pod扩容。

通过测试环境确认，当broker请求量达到一定值以后，请求队列逐步打满，闲置率开始下降，cpu使用率开始下降，复现了线上的现象。

确认了问题的关键是请求量之后，需要想办法降低请求量，kafka的请求在filebeat客户端。我们需要研究filebeat的参数配置。

从filebeat官网确认，涉及到批次发送的有两个参数bulk_flush_frequency 和 bulk_max_size，线上使用的filebeat没有配置这两个参数。

其中含义如下：

bulk_flush_frequency  批量发送kafka request需要等待的时间，默认0不等待；

bulk_max_size  单次kafka request请求批量的消息数量，默认2048；

针对这两个参数我们做了测试：

测试结果

由于单条数据量不同会产生不同的效果，我们对不同的的数据长度做了测试，针对我司日志特点（单条日志大小），最后得到一个最优的组合如下，增加了这俩参数后，KAFKA TOPIC在不丢数的情况下，请求数降低了10倍左右。