Kafka优化总结、Kafka数据丢失解决方案、重复消费解决方案
一、Kafka优化总结
翻译原文如下：
https://www.infoq.com/articles/apache-kafka-best-practices-to-optimize-your-deployment
1. 设置日志配置参数以使日志易于管理
kafka 日志文档 https://kafka.apache.org/documentation/#log
kafka 压缩基础知识 https://kafka.apache.org/documentation/#design_compactionbasics
2. 了解 kafka 的 (低) 硬件需求
CPU ：除非需要SSL和日志压缩，否则Kafka不需要强大的CPU。使用的内核越多，并行性能越好，大多数情况下压缩，压缩也不会产生影响，应该使用LZ4 编码器来提供最佳性能。
RAM：对特别重的负载生产负载，使用32GB一上的机器，将提高客户端吞吐量
磁盘：如果在RAIO设置中使用多个驱动器，就该Kafka大显身手。由于Kafka的顺序磁盘I/O范式，所有SSD不会提供太多的优势，不应该使用NAS
网络和文件系统：建议使用XFS，如果条件允许，还可以将集群放在单个数据中心。应尽量提供更多的网络带宽。
-
Apache Kafka 的基准测试：每秒 200 万次写 (在 3 台廉价的机器上)
https://engineering.linkedin.com/kafka/benchmarking-apache-kafka-2-million-writes-second-three-cheap-machines
-
在 AWS 上的 Apache Kafka 负载测试
https://grey-boundary.io/load-testing-apache-kafka-on-aws/
-
性能测试
https://cwiki.apache.org/confluence/display/KAFKA/Performance+testing
3. 充分利用 Apache ZooKeeper
Zookeeper 节点的数量最大应该是五个。一个节点适合于开发环境，三个节点对于大多数产品Kafka集群足够了，虽然一个大型Kafka集群可能需要5个节点来减少延迟，必须考虑节点负载，近期版本的Kafka对Zookeeper的负载要低很多，早期版本使用Zookeeper来存储消费者偏移量。
为Zookeeper 提供最强大的网络带宽。使用最好的磁盘，分别存储日志、隔离Zookeeper进程、禁用交换，这些也会减少延迟。
4. 以正确的方式设置复制和冗余
5. 注意主题配置
6. 使用并行处理
7. 带着安全性思维配置和隔离 Kafka
8. 通过提高限制避免停机 Ulimit
-
1、创建一个新的文件：/etc/security/limits.d/nofile.conf
-
2、输入内容：
-
soft nofile 128000 hard nofile 128000
-
-
3、重新启动系统或重新登录。
-
4、通过以下命令来验证
-
ulimit -a
9. 保持低网络延迟
10. 利用有效的监控和警报
通过 Instaclustr 控制台中显示的 Kafka 监控图示例：监视系统指标 (如网络吞吐量、打开的文件句柄、内存、负载、磁盘使用情况和其他因素) 是必不可少的，同时还要密切关注 JVM 统计数据，包括 GC 暂停和堆使用情况。仪表板和历史回溯工具能够加速调试过程，可以提供大量的价值。与此同时，应该配置 Nagios 或 PagerDuty 等警报系统，以便在出现延迟峰值或磁盘空间不足等症状时发出警告
二、Kafka数据丢失解决方案
producer 数据不丢失：
1. 同步模式：配置=1 （只有Leader收到，-1 所有副本成功，0 不等待）Leader Partition挂了，数据就会丢失
解决：设置 -1 保证produce 写入所有副本算成功 producer.type = sync request.required.acks=-1
2. 异步模式，当缓冲区满了，如果配置为0（没有收到确认，一满就丢弃），数据立刻丢弃
解决：不限制阻塞超时时间。就是一满生产者就阻塞
producer.type = async
request.required.acks=1
queue.buffering.max.ms=5000
queue.buffering.max.messages=10000
queue.enqueue.timeout.ms = -1
batch.num.messages=200
Customer 不丢失数据
在获取kafka的消息后正准备入库（未入库），但是消费者挂了，那么如果让kafka自动去维护offset ，它就会认为这条数据已经被消费了，那么会造成数据丢失。
解决：使用kafka高级API，自己手动维护偏移量，当数据入库之后进行偏移量的更新（适用于基本数据源）
流式计算。高级数据源以kafka为例，由2种方式：receiver (开启WAL，失败可恢复) director （checkpoint保证）
流处理中的几种可靠性语义：
1. at most once 每条数据最多被处理一次（0次或1次），会出现数据丢失的问题
2. at least once 每条数据最少被处理一次（1次或更多），这个不会出现数据丢失，但是会出现数据重复
3. exactly once 每种数据只会被处理一次，没有数据丢失，没有数据重复，这种语义是大家最想实现的，也是最难实现的
但是开启WAL后，依旧存在数据丢失问题，原因是任务中断时receiver 也被强行终止了，将会造成数据丢失
在Streaming程序的最后添加代码，只有在确认所有receiver都关闭的情况下才终止程序
三、Kafka特点、优点、应用场景
1、kafka 特点
分布式：1.多分区 2. 多副本 3. 多订阅者（订阅者数量小于等于partition数量）4. 基于Zookeeper调度
高性能：1. 高吞吐量 2. 低延迟 3. 高并发 4. 时间复杂度为O（1）
持久性与扩展性：1. 数据可持久化 2. 容错性（多副本和Consumer Group 支持了容错性） 3.支持在线水平扩展（Broker 有一个或多个Partition ，Topic 有一个或多个Partition，Consumer Group 变化，我们增加了新的机器，就可以放新的topic和新的Partition）4. 消息自动平衡（消息在服务端进行平衡，consumer在消费的时候进行平衡）
Kafka 高级特性--消息事务
数据传输的事务定义：
最多一次：消息不会被重复发送、最多被传输一次、但也有可能一次不传输
最少一次：消息不会被漏发送，最少被传输一次，但也有可能重复传输（消费端需要判断处理）
精确的一次（Exactly once）：不会漏传输也不会重复传输，每个消息都传输被一次而且仅仅传输一次
事务保证
Produce幂等处理、多分区原子写入（事务要保证kafka下每一分区的原子写入，原子是一个读取--处理--写入操作）
事务保证--避免僵尸实例
每个事务Producer 分配一个transactional.id ,在进程重新启动时能够识别相同的Producer实例
kafka 增加了一个与transactional.id 相关的epoch, 存储每个transactional.id 内部元数据
一旦epoch 被触发，任何具有相同的transactional.id 和更旧的epoch的Producer 被视为僵尸，Kafka会拒绝来自这些Procedure的后续事务写入
kafka高性能--零拷贝
网络传输持久性日志块（消息）
零拷贝建立在：Java Nio channel.transforTo()方法 实际是调用 Linux sendfile 系统调用
文件传输到网络的公共数据路径
1. 操作系统将数据从磁盘读入到内核空间的页缓存
2. 应用程序将数据从内核空间读入到用户空间缓存中
3. 应用程序将数据写回到内核空间到socket 缓存中
4. 操作系统将数据从socket缓冲区复制到网卡缓冲区，一便将数据经网络发出
零拷贝过程：（内核空间和用户空间零拷贝）
1.操作系统将数据从磁盘读入到内核空间的页缓存
2.将数据的位置和长度的信息的描述符增加至内核空间（socket缓存区）
3.操作系统将数据从内核拷贝到网卡缓冲区，以便将数据经网络发出
2、Kafka优点
高吞吐量、低延迟、高并发、高性能的消息中间件。Kafka 集群甚至可以做到每秒几十万、上百万的超高并发写入
页面缓存技术+磁盘顺序写+零拷贝技术
3、Kafka 应用场景
1. 消息对列
2. 行为跟踪（用户的行为跟踪直接发送到topic ，时时处理或离线数据存储）
3. 元数据监控（操作信息运维数据监控）
4. 日志收集
5. 流处理（收集上游流数据，经过处理，发布到新的topic 中，进行处理，中间可以进行实时计算、数据处理）
6. 事件源（将状态转移作为记录，按照时间顺序的序列，我们可以回溯整个时间的变更）
7. 持久性日志（commit log ，就是说在节点之后进行一个持久性日志记录，日志可以在节点间备份一份数据，并且给故障节点间恢复提供一种机制）