基于Kafka如何部署一个稳定可靠的zookeeper集群服务

背景

一个月左右zk挂了2次，在此期间
Mafka和其他服务不可用，因为业务(使用不当)原因导致zk挂掉,间接影响其他服务(包括mafka)可用性，目前线上多个业务和多种服务共同一套mobile-zk集群，
只要一个业务使用不当，对zk造成影响或不可用，就会影响其他业务，所以现阶段拆分zk集群，做物理隔离，把mobile-zk集群按照业务分拆为多个zk集群。为mafka服务建立独立zk集群。

问题

2个原因造成zk集群宕机

其一是业务混布,多个业务依赖同一个mobile-zk集群，其二是zk集群部署存在问题，zk实例部署没有做隔离，一个虚拟机部署3个zk实例。

业务使用zk不当

• 错误把zk当做kv存储使用。
• 创建海量连接，耗尽资源最终压垮zk集群
• 其他不当操作等

前期zk部署方案

当时zk集群中所有节点参与选举，客户端通过配置ip列表连接本地机房zk节点。由于业务使用不当很容导致所有节点挂掉导致zk集群不可用，因为Kafka强依赖zk服务，这直接影响Kafka的可用性。

后期zk改进部署方案

部署改进：mafka-zk集群包括三台leader/follower和若干observer，每个机器上跑一个zk实例；客户端通过域名与本机房的observer连接，不直接与选举节点连接，观察节点不够可以随时扩容。迁移收益：可扩展性：客户端通过域名与本机房的observer连接，服务可以透明扩容和升级。可用性：mafka-zk集群包括三台follwer/leader和若干observer，客户端只访问observer，他的任何操作不会导致整个集群挂掉，不会影响zk集群可用性。

其他改进：流控和ip连接数限制，加强监控报警。

Zookeeper监控
可以使用淘宝的开源工具TaoKeeper进行监控。Zookeeper的监控包括下面几个方面：
1、机器的CPU、内存、负载、硬盘IO利用率等基础监控，这些均可以网管系统实现；
2、ZK日志目录所在磁盘空间监控，这可以针对性的监控；
3、各节点的进程监控，配置自动拉起等；
4、各节点的连接数监控，配置峰值告警；
5、各节点的Watcher数监控，配置峰值告警；
6、使用四字命令，对每个节点进行检查，确保进程不僵死；
7、节点存活个数监控；