RocketMQ 分享全纪实

1,116 阅读16分钟

上上周在团队内部做了一个关于 RocketMQ 的分享,本文记录一下分享的大部分内容

这是公众号 Young_Blog 的第 41 篇文章

为什么分享 RocketMQ

为什么没有选择 Kafka 而是 RocketMQ 呢,没有什么特别的原因,单纯是我之前就看过一点 RocketMQ 的源码,但是后来因为各种原因没能看完,因此想着趁这次机会系统地回顾一遍。

另外就是,之前我的工作集中在客户端或者服务端,很少端到端地去设计、开发某项功能,因此在架构设计方面积累的经验比较少。这点劣势在年初接手开发新项目的时候尤为明显,新项目涉及注册发现、客户端、服务端、监控、网络编程等一系列模块,因为之前没有接触过这么复杂的项目,也不了解业务成熟的大型项目的设计哲学,因此在轮到自己做架构设计的时候提出的方案总是存在一些缺陷,后续导致了返工的现象。

那时起我就琢磨着找一个大型开源项目研究一下,学习一下它在架构设计上的考量,RocketMQ 不论从规模还是复杂度上讲都很合适,因此就选了它。

最近腾讯开源了 TubeMQ,感兴趣的可以去看看 TubeMQ

消息队列的组成部分

首先,明确下消息队列的设计目标,通常有以下几点:

  1. 解耦,需要支持消息暂存
  2. 削峰,要求能容忍消息积压
  3. 保证消息尽可能不丢、不重复消费
  4. 支持传统意义上的队列和广播两种消费模式
  5. 消费能力得可以横向扩展

貌似要求越写越多,那设想一下,如果从零开始设计一个消息队列,满足以上五个需求,需要哪些组成部分。

第一个很容易想到的就是生产者(Producer)和消费者(Consumer),这是消息队列两端最重要的组成部分。通常情况下,生产者和消费者都不会是单台机器,而是一个集群,因此用生产组(Producer Group)和消费组(Consumer Group)来描述。

紧接着为了允许消息暂存和消息积压,我们通常需要一个消息代理服务器(Broker),生产者和消费者都仅连接 Broker 进行消息的发送和消费,二者之间完全解耦。

消息发送通常需要一个管道进行投递,而且不同类型的消息最好发往不同的管道,管道的另一端连接消费者,通过增加管道数目和消费者数目,我们就达到了横向扩展消费能力的目的,这里我们将管道成为 Queue,将消息类型成为 Topic

很好,目前我们搭建了 生产者 -> Queue -> Broker -> Queue -> 消费者 的完整流程,一条消息已经可以端到端地发送了。但是思考下,如果 TopicQueue 的数目很多,某些生产者和消费者只关注其中一些,那么我们还需要为这种订阅/发布关系提供一个注册平台,称之为 NameService(命名服务)来统一管理消息订阅的拓扑关系。

上面废了这么多口舌,目的就在于让不了解消息队列的同学在进入下一节之前,不至于一脸懵逼。技术的架构设计都是一步一步来的,消息队列也不是一开始就演变成 Kafka 或者 RocketMQ 这种架构的,它们都经历过为了支持某些业务需求而不得不做的架构演进,最后变成了现在目前业界比较成熟的模型,而我们上述的假设其实已经走了很多捷径。

RocketMQ 的架构

这节我们来看看 RocketMQ 的具体架构,结合这张结构图我们会介绍里面每个组成部分的功能和设计考量。

RocketMQ架构图.png

Name Server

位于最顶端的是 RocketMQ 的命名服务,称之为 NameServer,它是用来管理 Topic 的订阅发布关系、消息发送和消费拓扑的,得让生产者知道 “我这个 Topic 的信息发往哪些 Broker”,得让消费者知道 “我得去哪些 Broker 上消费这个 Topic 的消息”。NameServer 可以多机部署变成一个 NameServer 集群保证高可用,但这些机器间彼此并不通信,也就是说三者的元数据舍弃了强一致性。

这些元数据是怎么来的呢,首先 Broker 启动时会向全部的 NameServer 机器注册心跳,心跳里包含自己机器上 Topic 的拓扑信息,之后每隔 30s 更新一次,然后生产者和消费者启动的时候任选一台 NameServer 机器拉取所需的 Topic 的路由信息缓存在本地内存中,之后每隔 30s 定时从远端拉取更新本地缓存。

NameServer 机器中定时扫描 Broker 的心跳,一旦失联超出 2min,即关闭这个 Broker 的连接,但不主动通知生产组和消费组,因此二者最长需要 30s 才能感知到某个 Broker 故障。

生产组和消费者

架构图两端的就是生产组和消费组,都是多机的集群,由若干个生产者和消费者实例组成,消费者消费消息时有两种模式,一种是广播模式一种是集群消费模式,前者表示一条消息会被消费组下的所有消费者实例消费,后者表示一条消息只会被消费组下的一个实例消费到,考虑到集群消费模式是目前使用主流,因此本文主要谈论后者。

Topic 和 MessageQueue

Topic 我们之前讲过了,代表某种消息类型,为了达到消费性能可横向扩展的需求,RocketMQ 引入了 MessageQueue 这个逻辑概念,将一个 Topic 划分为多个 MessageQueue,默认是四个。而 MessageQueue 和消费者实例是一对一的关系,消费者实例和 MessageQueue 是一对多的关系。

例如架构图中,Topic 下分为四个 MessageQueue,分布在两个 Broker 机器上,生产者组将消息平均发往四个 MessageQueue,而由于消费组中仅有两个消费者实例,因此每个消费者实例平均消费两个 MessageQueue

一旦性能不足,可以扩容消费组增加消费者实例至四个,那么每个消费者实例消费一个 MessageQueue,从而达到消费能力的横向扩展。

Broker

Broker 作为消息代理服务器,最重要的职责是存储消息和管理消费进度(集群消费模式下专有)。单个 Topic 下的多个 MessageQueue 一般来说会分散在多个 Broker 上面达到容灾的目的。

Topic 通过打散 MessageQueue 达到容灾目的,那么 Broker 机器维度又是怎么容灾的呢,RocketMQ 允许设置主备 Broker,二者间通过异步拉取复制的方式进行消息同步,一旦主 Broker 宕机,备机可以提供消息消费,但不提供消息写入,也就是说其实主备之间并没有 Failover 功能,这保证了写入主的消息不会丢失,但是会影响系统的可用性。

滴滴内部做过针对性地做过二次开发,简单来说实现的方式是 NameServer 集群通过 ZK 选举出一个 Leader,来完成 Failover 的决策。

为了简洁,本文图例中没有说明的情况下,均不画出 Slave Broker

RocketMQ Producer

消息发送的负载均衡

RocketMQ架构图.png

还是看这张结构图,生产者发送消息,默认采用轮询的方式达到负载均衡,每个生产者实例内存中都知道 TopicMessageQueue 的分布拓扑信息,因此通过轮询就可以将消息平均发送到这些管道里。

消息发送的高可用

我们之前提到过,Broker 会向 NameServer 集群所有机器发送心跳,NameServer 集群里的机器各自定期扫描失联的 Broker,关闭连接,但不会主动通知生产者组,需要等待生产者主动来拉取。因此存在元数据不一致的窗口,此窗口最长为 30s

故障延时.png

由于上述原因,消息生产者不可避免的会将消息发往已经故障的 Broker 机器,例如上图,Producer-01 先将消息发往 Broker-A 上的 MessageQueue-01,发现失败了,由于轮询发送机制它继续发往 MessageQueue-02,由于还是位于 Broker-A 机器上,因此依旧失败了,默认情况下同步发送消息重试三次,因此很可能这条消息由于没有规避 Broker-A 导致发送失败,实际上 Broker-B 还是存活的,完全可以规避掉故障的 Broker-A 机器提前选择 Broker-B 发送消息。

故障延时2.png

RocketMQ 中将生产者端剔除故障机器的机制称之为 Broker 的故障延迟机制,一旦发现发送到某个 Broker 机器失败,则暂时将其剔除,优先选择其他 Broker 重试。

RocketMQ Consumer

看完了消息发送部分,本节我们进入消息的消费。消息的消费相较于消息的发送会复杂一些。我们想一下,假设你某个生产者实例宕机了,那最多就是少了个消息的发送者,而绝大多数情况下消息的生产者都是无状态的,流量可以任意打到某个生产者,如果其一宕机那么我通过一些措施摘掉这台机器的流量就可以。但是消费者没有这么简单,因为它们并不是无状态的,它们是固定在消费某一些 TopicMessageQueue,因此宕机任意一台消费者都涉及到消费拓扑的重新变更,这带来了更多的复杂度。

Message Queue 的分配

MessageQueue 存在的意义前面已经谈过不再复述,本节讲一下如果将特定数量的 MessageQueue 分配给消费者组下的消费者实例,注意!这其实是个技术活。

消费者组下的消费者实例,怎么知道自己需要消费某个 Topic 下的哪些 MessageQueue 呢?例如架构图中,只有两个消费者实例,但是总共有四个 MessageQueue,他们如何知道各自消费两个,而且还没有冲突的。

为了简单,假设我们的系统是新搭建的,两台 Consumer 都是第一次启动,因此这里不涉及 Rebalance 机制

分配方案是在消费者实例启动的时候去执行的,消费者实例启动的时候回从 NameServer 上获取自己订阅的 Topic 的拓扑信息,包括该 Topic 下总共有几个 MessageQueue,分布在哪些 Broker 机器上等等。然后向其中所有 Broker 机器发送心跳。最后选取任意一台 Broker,从上面获取消费组下总共有几个实例。

MessageQueue分配.png

如此一来,消费者实例就知道了 MessageQueue 信息(mqSet)和消费组下的实例个数(consumerIdSet)信息。在本地内存中通过简单的分配算法,就可以知道自己应该负责消费哪些 MessageQueue 了。

需要注意的是,每个客户端获取到 mqSetconsumerIdSet 之后都需要首先进行排序!目的是为了在执行分配算法时,每个客户端的视图都是一致的。

MessageQueue分配策略.png

RocketMQ 针对 MessageQueue 提供了多种可选的分配策略,例如平均分配、轮询分配、固定分配等,在实际生产环境中可能还需要根据机房进行就近路由分配、粘滞分配(使得 MessageQueue 变动次数最小)等。

保证局部顺序消费

顺序消费是应用场景对消息队列中间件提出的需求,例如某个 ID = 100 的支付业务,在其生命周期内会发送三条消息:

  1. 订单生成
  2. 订单付款
  3. 订单结束

因为订单 ID 同为 100 属于一个订单,因此要求消费组在消费这三条消息时保证先消费第一条,然后才能消费第二条,最后才是第三条。如果此时还有 ID = 300 的订单,那么二者之间可以交叉,但是这三个过程必须保证升序。

顺序发送.png

保证消息局部顺序消费的重点在于:

  1. 生产者组通过计算,将相同 ID 的订单消息发往同一个 MessageQueue
  2. 消费者组通过分别位于 Broker 和客户端的两把锁,保证对该 MessageQueue 内消息的顺序消费

发往同一个 MessageQueue 保证了该 MessageQueue 内消息是局部有序的,但是无法保证全局有序,想要全局有序?那这个 Topic 只能配一个 MessageQueue,然后全部消息都发到这一个 MessageQueue 中。一般来说,局部有序已经可以满足绝大部分应用场景了。

生产端的保证达到了,下面就是消费端,依靠的是两把锁,分别位于 Broker 侧和消费者实例客户端侧。Broker 侧的锁是 MessageQueue 粒度的,保证同一时间至多只有一个消费者实例消费该 MessageQueue

顺序消费加锁.png

你可能疑惑,本来不就是一对一的关系么?原因是在消费者组进行 Rebalance 的时候可能会造成某个时间窗口内单个 MessageQueue 被多个消费者实例同时消费,这里通过加锁限制了这种情况。一旦启动时加锁失败,意味着该 MessageQueue 还在被其他消费者实例锁定,因此不创建相应的消息拉取任务,等到锁被释放或者超时(默认 60s)。加锁成功后消费者实例还会每隔 20s 定时锁定该 MessageQueue 一次。

消费者实例侧由于可能同时负责消费多个 MessageQueue,因此采用了线程池消费消息,需要在客户端提供加锁的方式保证单个 MessageQueue 内的消息同一时间仅被一个线程消费。

管理消费进度

在广播消费模式下,消费进度仅存储在消费者实例本地,而在集群消费模式下,消费进度存储在 Broker 上。通过 Topic + 消费者组名称作为 keyvalue 中分别记录每个 MessageQueue 对应该消费者组的消费偏移量,因此消费进度是消费者组之间互相隔离的。

早期版本 Kafkaoffset 保存在 ZK 上,Path 为 consumers/{consume-group}/offsets/{topic}/{partition},其实和 RocketMQ 的保存方式是一致的

利用 offset 记录消费进度本质上是一种批量 ACK 的方法,它的优点在于 Broker 的消费进度管理粒度从单条消息变为单个 MessageQueue,简化了 Broker 的复杂度。那么下一个问题,消费者和 Broker 都是在何时提交和持久化各自的 offset 的呢?

首先,消费者侧会记录自己的消费进度到内存中的 OffsetTable,通过每五秒一次的定时任务提交到 Broker 侧,Broker 接收到之后保存在内存中,并定时刷到磁盘上的 json 文件里。

这里需要注意的是,由于一批消息的消费次序不确定,可能下标大的消息先被消费结束,下标小的由于延时尚未被消费,此时消费者向 Broker 提交的 offset 应该是已被消费的最小下标,从而保证消息不被遗漏,但缺点在于可能重复消费消息。

消费进度.png

Rebalance

消息队列系统中,经常会出现 Broker 实例的增删、Topic 的增减、TopicMessageQueue 数目的增减、消费组实例数目的增减等情况,它们都会触发消费关系的重新分配,这个过程称之为 Rebalance

RocketMQRebalance 机制有主动和被动之分,主动意为消费者实例每隔 20s 会定时计算自己的消费拓扑并和内存中的对比,一旦发现部分 MessageQueue 不再是自己负责消费,则停止对它的消息拉取任务;如果有新的 MessageQueue 变为自己负责,则创建对它的消息拉取任务。

被动意为,Broker 可以主动通知某个消费组下的所有实例,要求它们立即开始一次 Rebalance,常用于新的消费者实例加入、或者 Broker 检测到有消费者实例心跳失联等情况,下面是一个消费者实例新加入的场景。

立即rebalance.png

RocketMQRebalance 由于部分时刻的视图可能存在不一致,因此单次 Rebalance 并不能完全保证一定达到最终效果,但是由于它是一种周期性的任务,所以最终系统里的 MessageQueue 会被分配完全。

RocketMQRebalance 机制依靠客户端各自单独计算得到,Kafka 新版本中则依靠 Consumer Leader 单点计算后再上传至 Group Coordinator,由它下发至每个消费者实例进行更新。

这两种方式各有优缺点,通常来说,单点计算可以最大程度减小视图不一致导致的频繁 Rebalance 现象(但也不能杜绝),但是缺点在于逻辑复杂,消费者组和 Broker 中都需要选取单点,一个负责计算一个负责下发通知;客户端计算实现上更简单,彼此独立,通过周期性任务最终也能完成重新分配的任务,但是由于客户端彼此获取的视图不做校验,因此可能存在由于视图不一致导致的重复消费和频繁 Rebalance

RocketMQ 消息存储

硬核内容很多,而且文件存储我接触的也不多更不敢瞎写了,这块后续会视我的学习情况看看是否单独再开一个坑。

如果有同学很想了解这部分内容的话,我贴几篇在资料搜集过程中看到的比较好的博文:

  1. RocketMQ高性能之底层存储设计
  2. RocketMQ 消息存储流程

总结

如果你把 RocketMQKafka 对比起来看,其实消息队列的设计哲学有很多相似之处,但在文件存储粒度、分区容灾、负载均衡等方面,二者又有自己的设计考量,采用了不同的实现思路,结合 KafkaISR 同步、RebalancePartition Failover 等机制一起学习的话,这种感受会更强烈一些,希望这篇文章对大家有所启发。