CKafka助力腾讯课堂，实现百万级消息实现稳定互动
导语：疫情期间，为了保障国内学子的正常学习进度，腾讯课堂积极响应国家“停工不停学”的号召，紧急上线疫情期间专用的“老师极速版”，使广大师生足不出户，即可快速便捷的完成线上开课。面对线上课堂百万量级的互动消息，如何保证消息的实时性和准确性无疑是一个技术挑战。那么如何解决问题呢？接下来，就和小编一起来看看腾讯云中间件CKafka如何为腾讯课堂百万级消息提供技术支撑。
背景
两年前，腾讯在线教育部就在探索如何实现架构转型。在梳理过腾讯课堂初始技术架构的痛点后，规划出架构演进的三个重点方向：微服务、中间件、DevOps。尤其在消息中间件的选取上，从自研Hippo消息队列切换到云CKafka。这主要归于以下几点原因：
- 实现技术栈的统一，降低组件适配成本。
- 使用符合开源标准的组件，便于系统切换优秀的开源组件。
- CKafka具备高性能、高可用性和高可靠性的特点：免除复杂的参数配置，提供专业的性能调优；磁盘高可靠，即使服务器坏盘50%也不影响业务；多副本备份，更有多可用区容灾方案可选，零感知服务迁移。
- CKafka提供安全的数据保障：提供鉴权与授权机制、主子账号等功能，为企业数据做好安全防护。
在刚刚过去的2019年，腾讯在线教育部已全面实现了业务上云，不仅提升了团队研发效率，还实现了快速交付。同时，CKafka在消息流处理上的高性能特点得以实践验证。
而现在，疫情当前，面对全国千万师生同时在线的线上课堂，互动消息猛增至百万级别，无疑对在线教育平台的稳定性提出更高要求。为了保证线上课堂广大师生的稳定互动，CKafka作为腾讯课堂的底层消息支撑，在消息的实时性和可靠性上提供了更优化的技术方案。
腾讯课堂在线课程页面
CKafka在腾讯课堂的实践
Ckafka在腾讯课堂系统架构中的应用是非常典型的场景，即消息总线和业务解耦。使用了GB带宽、TB存储规格的实例。我们先来看一下CKafka作为消息总线在腾讯课堂的架构中所处的位置，如下图：
从架构图可知，CKafka处于消息管道的中心位置。同时接收多个消息源数据，等待下游组件的订阅消费。并利用其自身高分布式、高吞吐、高可靠的特性，实现流量削峰和业务解耦。腾讯课堂中的聊天消息、签到、举手、献花、答题卡等功能都使用了该能力。
在线课堂的业务场景不允许出现如消息延迟、数据丢失等情况，否则就会立刻被在线课堂的师生们感知业务的不稳定，造成不良的用户体验。我们来假设一个场景：老师在课堂发布一个问题，学生们举手回答问题，如果老师发出的消息出现延时或丢失的情况，学生们就不能收到消息，无法及时给老师反馈问题答案，线上课堂的互动效果就会很差，严重影响课堂教学质量。
如何避免上述问题呢？我们从CKafka保障消息的实时性和可靠性两方面进行阐述。
消息的实时性
Apache Kafka架构上设计的底层数据读写和存储是以分区为最小单位进行的。首先来看一下Kafka Topic的生产消费模型。
如上图所示，生产者将数据写入到分布在集群内不同节点的不同分区上，一个或多个消费者从多台Borker的分区上消费订阅数据。
从这个模型可知，如果数据的读写都集中在单个分区上，则Topic的的所有压力都会集中在该分区上，从而落到单台Broker上面。假设单台机器能承受的流量是300MB，则此时以腾讯教育的GB/s的流量规模，则会出现消息处理过慢，会导致消息延时。那怎么办呢？此时就应该提升分区的数量，提高数据处理的并行度，从而将整个topic的压力均分到多台机器上。
这时就会有一个疑问，Topic需要多少分区合适呢？是不是越多的分区越好呢？
影响分区数量的因素
从生产者的角度来看，数据向不同的分区写入是完全并行的；从消费者的角度来看，并发数完全取决于分区的数量（如果 consumer 数量大于 分区 数量，则必有 consumer 闲置）。因此选取合适的分区对于发挥 CKafka 实例的性能十分重要。
Topic的分区数量是由多种因素决定的，一般可以根据以下几个因素综合考虑：
- 生产者的峰值带宽
假设单机单partiton的生产消费吞吐各自最高为300，峰值生产带宽是900MB，则单纯生产至少需要3个Partiton。
- 消费者的峰值带宽
有人可能会觉得消费的峰值带宽应该等于生产的峰值带宽。这样是不对的。生产者只会生产一份数据，但是可以有N个消费者消费同一份数据，则此时消费带宽=N*生产带宽。 另外如果是离线计算，可能会在某一时刻，消费历史所有数据，此时消费带宽可能会远远高于生产带宽。 此时如果Topic只设计3个分区就有问题了。假设消费峰值带宽是生产带宽的2倍。则此时至少需要6个分区。
- 消费者的处理能力
假设创建了6个分区。此时6个分区最多只会有6个消费者，每个消费者最多每秒可以从Kafka Server拉到300MB的数据。但是每个消费者因为还需处理业务逻辑的关系，只能消费100MB的数据，这样就会容易导致出现消费堆积的情况。 为了增大消费能力，则需要多加入消费者。因为Kafka的consumer group机制里同一个消费组里同一个分区只能被一个消费者消费。所以，就应该增大分区的数量。为满足如上需求，此时至少需要18个分区，18个消费者，才能满足消费需求。
在上面的Case中，分区数的设计也需要存在一定的冗余，因为很多情况下，性能是无法达到最优的。所以，分区数量需要综合考虑多个因素，可以适当的多一点分区数量，以提高实例的性能。但也不能太大，太大也会导致一系列的其他问题。
选取合适的分区数量
考虑到上面提到的实际因素，是否有一个相对简单的判断方法来设计分区数量呢？
在理想情况下，可以通过如下公式来判断分区的数目：
Num = max( T/PT , T/CT ) = T / min( PT , CT )
其中，Num 代表分区数量，T 代表目标吞吐量，PT 代表生产者写入单个 分区 的最大吞吐，CT 代表消费者从单个分区消费的最大吞吐。则分区数量应该等于 T/PT 和 T/CT 中的较大值。
在实际情况中，生产者写入分区的最大吞吐 PT 的影响因素和批处理的规模、压缩算法、确认机制、副本数等有关。消费者从单个分区消费的最大吞吐 CT 的影响因素和业务逻辑有关，需要在不同场景下实测得出。
通常建议分区的数量一定要大于等于消费者的数量来实现最大并发。 如果消费者数量为5，则分区的数目也应该 ≥ 5 的。但需要注意的是：过多的分区会导致生产吞吐的降低和选举耗时的增加，因此也不建议过多分区。
提供如下信息供参考：
- 单个分区是可以实现消息的顺序写入的。
- 单个分区只能被同消费者组的单个消费者进程消费。
- 单个消费者进程可同时消费多个分区，即分区限制了消费端的并发能力。
- 分区越多，当Leader节点失效后，其他分区重新进行Leader选举的耗时就会越长。
- 分区的数量是可以动态增加的，只能增加不能减少。但增加会出现消息 rebalance 的情况。
在上述方法的基础上，我们还综合考虑了腾讯课堂的生产消费峰值带宽、消费的行为特征和单个消费者的消费能力等因素，为其设计了合理的分区数量，以满足其对消息实时性的要求。
消息的可靠性
消息的可靠性从不同的角度看是不一样的。从Apache Kafka自身角度看来，消息的可靠性是消息的可靠存储。从业务的角度来看，消息的可靠性是指消息传输、存储、消费的可靠性。
从服务提供商来看，我们希望消息的可靠性是站在客户这一边的，即可靠的传输，存储，消费。CKafka在做好可靠性存储的基础上，还从配置调优、异常告警等方面尽量做到消息的可靠传输和消费。
关于副本
在介绍下面的方案前，我们先聊聊一下副本。为什么要有副本的存在呢?
在分布式的场景下，数据损坏和机械故障是被认为常见事件。数据副本是指在不同节点上持久化同一份数据，当某一个节点上存储的数据丢失时，可以从副本上读取该数据，这是解决分布式系统数据丢失问题最为有效的方法。
那么我们来思考下：有多少个副本的数据才是安全的？理论上2个副本就可以大概率范围的保证数据安全，但是当两个副本都损坏时，数据也会丢失，此时就需要更多的副本，或者需要副本跨可用区、跨地域分布。当然更多的副本就意味着要存储更多的数据，需要更高的成本投入。所以用户需要在冗余和安全之间权衡出一种平衡。这也是腾讯云上创建topic需要用户指定副本数量的原因，如下图：
服务端的可靠性
假设TopicA有3个分区，每个分区有三个副本。来看一下如下的Topic分区分布示意图。
如图所示，三个分区和三个副本均匀的分布在三个Broker中，每台Broker分布了一个分区的Leader分区。从上一节关于副本的描述可知，除非所有的Broker在同一时间挂掉，否则即使同时挂掉2台Borker，服务也可以正常运行。而在我们当前的运营架构中，三台broker同时挂掉的概率微乎其微，当然如果真的出现这种情况，那就是整个机房挂掉了。
为了避免整个机房挂掉的情况，腾讯云Ckafka也可以配置跨机房容灾和跨可用区容灾，来保证数据的可靠性。关于跨可用区容灾相关的技术点可以查阅：《蘑菇街千亿级消息Kafka上云实践》。
我们可以通过参数配置来尽可能的保证可靠性传输和消费，用告警来做兜底策略，让研发感知介入处理。下面来看一下生产和消费端的参数调优。
客户端参数调优
生产的可靠传输，主要来看一下如下三个配置: ack、retries。
- ack
Kafka producer 的 ack 有 3 种机制，分别说明如下：
-1：Broker 在 leader 收到数据并同步给所有 ISR 中的 follower 后，才应答给 Producer 继续发送下一条（批）消息。 这种配置提供了最高的数据可靠性，只要有一个已同步的副本存活就不会有消息丢失。
0：生产者不等待来自 broker 同步完成的确认，继续发送下一条（批）消息。这种配置生产性能最高，但数据可靠性最低（当服务器故障时可能会有数据丢失） 。
1：生产者在 leader 已成功收到的数据并得到确认后再发送下一条（批）消息。这种配置是在生产吞吐和数据可靠性之间的权衡（如果leader已死但是尚未复制，则消息可能丢失）
用户不显式配置时，默认值为1。如果是需要可靠性要求高的，建议设置为-1。设置为-1会影响吞吐的性能。
- retries
请求发生错误时重试次数，建议将该值设置为大于0，失败重试最大程度保证消息不丢失。
消费的稳定，看一下以下配置，主要避免重复消费和频繁的消费组Rebalance：
- auto.offset.reset
表示当Broker端没有offset（如第一次消费或 offset超过7天过期）时如何初始化 offset。earliest：表示自动重置到 分区 的最小 offset
latest：默认为 latest，表示自动重置到分区的最大 offset
none：不自动进行 offset 重置，抛出 OffsetOutOfRangeException 异常
默认值为latest。当设置为earliest的时候，需要注意的是：当offset失效后，就会从现存的最早的数据开始消费的情况，可能会出现数据重复消费的情况。
- session.timeout.ms
使用 Kafka 消费分组机制时，消费者超时的时间。当 Broker 在该时间内没有收到消费者的心跳时，就会认为该消费者发生故障，Broker 发起重新 Rebalance 过程。目前该值的在 Broker 的配置必须在group.min.session.timeout.ms=6000和group.max.session.timeout.ms=300000 之间。
- heartbeat.interval.ms
使用 Kafka 消费分组机制时，消费者发送心跳的间隔。这个值必须小于 session.timeout.ms，一般小于它的三分之一。
- max.poll.interval.ms
使用 Kafka 消费分组机制时，再次调用 poll 允许的最大间隔。如果在该时间内没有再次调用 poll，则认为该消费者已经失败，Broker 会重新发起 Rebalance 把分配给它的分区 分配给其他消费者。
参数调优只能最大程度保证服务的可用，并不能保证服务的百分百可用。客户端需要具有捕获生产，消费等行为异常的行为。当出现异常时，能够告警，以便人工处理。这样才能最大的保证业务的高可用。
CKafka的其他优势
CKafka除了作为消息管道帮助业务实现数据解耦、流量削峰外，还可以在其他场景有所作为。
日志分析系统
CKafka 结合大数据套件 EMR，可构建完整的日志分析系统。首先通过部署在客户端的 agent 进行日志采集，并将数据聚合到消息队列 CKafka，之后通过后端的大数据套件如 Spark 等进行数据的多次计算消费，并且对原始日志进行清理，落盘存储或进行图形化展示。
流数据处理平台
CKafka 结合流计算 SCS , 可用于实时/离线数据处理及异常检测，满足不同场景需要：
- 对实时数据进行分析和展示，并做异常检测，快速定位系统问题。
- 消费历史数据进行落盘存储和离线分析，对数据进行二次加工，生成趋势报表等。
结语
腾讯云CKafka作为高性能、高吞吐量的消息中间件，为千万师生有序稳定的线上课堂提供了性能支撑，有效的解决了数据的实时性和可靠性问题。特别是在业务故障时，可实现快速扩缩容，并以其全面的容错机制和故障处理机制为用户提供解决方案。
在2020年突如其来的疫情期间，CKafka将与腾讯课堂一起努力，为莘莘学子们百万级的课堂互动消息做好技术支撑，为构建良好的线上课堂体验贡献一份力量。
作者简介
许文强, 腾讯云中间件消息队列资深研发工程师。腾讯云Ckafka核心研发，拥有多年分布式系统研发经验。主要负责腾讯云CKafka定制化开发及优化工作。专注于Kafka在公有云多租户和大规模集群场景下的性能分析和优化。
欢迎扫码关注我们的微信公众号，期待与你相遇~
