Kafka是非常流行的分布式流式处理和大数据消息队列解决方案，在技术行业已经得到了广泛采用，在Dropbox也不例外。Kafka在Dropbox的很多分布式系统数据结构中发挥着重要的作用：数据分析、机器学习、监控、搜索和流式处理，等等。在Dropbox，Kafka集群由Jetstream团队负责管理，他们的主要职责是提供高质量的Kafka服务。他们的一个主要目标是了解Kafka在Dropbox基础设施中的吞吐量极限，这对于针对不同用例做出适当的配置决策来说至关重要。最近，他们创建了一个自动化测试平台来实现这一目标。这篇文章将分享他们所使用的方法和一些有趣的发现。

更多干货内容请关注微信公众号“AI前线”（ID：ai-front）

测试平台

上图描绘了本文所使用的测试平台的设置。我们在Spark中使用Kafka客户端，这样就可以以任意规模生成和消费流量。我们搭建了三个不同大小的Kafka集群，要调整集群大小，只需要将流量重定向到不同的集群。我们创建了一个Kafka主题，用于生成测试流量。为简单起见，我们将流量均匀地分布在Kafka broker之间。为实现这一目标，我们创建了测试主题，分区数量是broker数量的10倍，这样每个broker都是10个分区的首领。因为写入单个分区是串行的，所以如果每个broker的分区太少会导致写入竞争，从而限制了吞吐量。根据我们的实验，10是一个恰到好处的数字，可以避免写入竞争造成吞吐量瓶颈。

由于基础设施的分布式特性，客户端遍布在美国的不同地区。因为测试流量远低于Dropbox网络主干的限制，所以我们可以安全地假设跨区域流量的限制也适用于本地流量。

是什么影响了工作负载？

有一系列因素会影响Kafka集群的工作负载：生产者数量、消费者群组数量、初始消费者偏移量、每秒消息数量、每条消息的大小，以及所涉及的主题和分区的数量，等等。我们可以自由地设置参数，因此，很有必要找到主导的影响因素，以便将测试复杂性降低到实用水平。

我们研究了不同的参数组合，最后得出结论，我们需要考虑的主要因素是每秒产生的消息数（mps）和每个消息的字节大小（bpm）。

流量模型

我们采取了正式的方法来了解Kafka的吞吐量极限。特定的Kafka集群都有一个相关联的流量空间，这个多维空间中的每一个点都对应一个Kafka流量模式，可以通过参数向量来表示：<mps、bpm、生产者数量、消费者群组数量、主题数量……>。所有不会导致Kafka过载的流量模式都形成了一个封闭的子空间，其表面就是Kafka集群的吞吐量极限。

对于初始测试，我们选择将mps和bpm作为吞吐量极限的基础，因此流量空间就降到二维平面。这一系列可接受的流量形成了一个封闭的区域，找到Kafka的吞吐量极限相当于绘制出该区域的边界。

自动化测试

为了以合理的精度绘制出边界，我们需要用不同的设置进行数百次实验，通过手动操作的方式是不切实际的。因此，我们设计了一种算法，无需人工干预即可运行所有的实验。

过载指示器

我们需要找到一系列能够以编程方式判断Kafka健康状况的指标。我们研究了大量的候选指标，最后锁定以下这些：

IO线程空闲低于20％：这意味着Kafka用于处理客户端请求的工作线程池太忙而无法处理更多工作负载。
同步副本集变化超过50％：这意味着在50％的时间内至少有一个broker无法及时复制首领的数据。

Jetstream团队还使用这些指标来监控Kafka运行状况，当集群承受过大压力时，这些指标会首当其冲发出信号。

找到边界

为了找到一个边界点，我们让bpm维度固定，并尝试通过更改mps值来让Kafka过载。当我们有一个安全的mps值和另一个导致集群接近过载的mps值时，边界就找到了。我们将安全的值视为边界点，然后通过重复这个过程来找到整条边界线，如下所示：

值得注意的是，我们调整了具有相同生产速率的生产者（用np表示），而不是直接调整mps。主要是因为批处理方式导致单个生产者的生产速率不易控制。相反，改变生产者的数量可以线性地缩放流量。根据我们早期的研究，单独增加生产者数量不会给Kafka带来明显的负载差异。

我们通过二分查找来寻找单边界点。二分查找从一个非常大的np[0,max]窗口开始，其中max是一个肯定会导致过载的值。在每次迭代中，选择中间值来生成流量。如果Kafka在使用这个值时发生过载，那么这个值将成为新的上限，否则就成为新的下限。当窗口足够窄时，停止该过程。我们将对应于当前下限的mps值视为边界。

结果

我们在上图中绘制了不同大小的Kafka的边界。基于这个结果，我们可以得出结论，Dropbox基础设施可以承受的最大吞吐量为每个broker 60MB/s。

值得注意的是，这只是一个保守的极限，因为我们测试用的消息大小完全是随机的，主要是为了最小化Kafka内部消息压缩机制所带来的影响。在生产环境中，Kafka消息通常遵循某种模式，因为它们通常由相似的过程生成，这为压缩优化提供了很大的空间。我们测试了一个极端情况，消息全部由相同的字符组成，这个时候我们可以看到更高的吞吐量极限。

此外，当有5个消费者群组订阅测试主题时，这个吞吐量限制仍然有效。换句话说，当读取吞吐量是当前5倍时，仍然可以实现这样的写入吞吐量。当消费者群组增加到5个以上时，随着网络成为瓶颈，写入吞吐量开始下降。因为Dropbox生产环境中的读写流量比远低于5，所以我们得到的极限适用于所有生产集群。

这个结果为将来的Kafka配置提供了指导基础。假设我们允许最多20％的broker离线，那么单个broker的最大安全吞吐量应为60MB/s * 0.8 ~= 50MB/s。有了这个，我们可以根据未来用例的估算吞吐量来确定集群大小。

对未来工作的影响

这个平台和自动化测试套件将成为Jetstream团队的一笔宝贵的财富。当我们切换到新硬件、更改网络配置或升级Kafka版本时，可以重新运行这些测试并获得新的吞吐量极限。我们可以应用相同的方法来探索其他影响Kafka性能的因素。最后，这个平台可以作为Jetstream的测试平台，以便模拟新的流量模式或在隔离环境中重现问题。

总结

在这篇文章中，我们提出了一种系统方法来了解Kafka的吞吐量极限。值得注意的是，我们是基于Dropbox的基础设施得到的这些结果，因此，由于硬件、软件栈和网络条件的不同，我们得到的数字可能不适用于其他Kafka实例。我们希望这里介绍的技术能够帮助读者去了解他们自己的Kafka系统。

英文原文：
https://blogs.dropbox.com/tech/2019/01/finding-kafkas-throughput-limit-in-dropbox-infrastructure/

创作场景

如何找到 Kafka 集群的吞吐量极限？