Loading

RocketMQ学习：工作原理

消息生产过程

  • Producer发送消息之前,会先向NameServer发出获取消息Topic的路由信息的请求
  • NameServer返回该Topic的路由表及Broker列表

路由表：实际上是一个Map，Key为Topic名称，value是一个QueueData实例列表。QueueData并不是一个Queue对应一个QueueData，而是一个Broker中该Topic的所有Queue对应一个QueueData。即只要涉及该Topic的Broker，一个Broker对应一个QueueData。简单来说，路由表的key为Topic名称，value为所有涉及该Topic的BrokerName列表
Broker列表:其实际也是一个Map。key为brokerName, value为BrokerData。一套brokerName名称相同的Master-Slave小集群对应一个 BrokerData, BrokerData中包含brokerName及一个map。该map的key为brokerld, value为该broker 对应的地址。

  • Producer根据代码中指定的Queue选择策略,从Queue列表中选出一个队列,用于后续存储消息
  • Producer对消息做一些特殊处理,例如,消息本身超过4M,则会对其进行压缩
  • Producer向选择出的Queue所在的Broker发出RPC请求,将消息发送到选择出的Queue

Queue选择算法

对于无序消息，其Queue选择算法，也称为消息投递算法，常见的有两种：

轮询算法：默认选择算法。该算法保证了每个Queue中可以均匀获取到消息
（该算法存在一个问题：由于某些原因,在某些Broker上的Queue可能投递延迟较严重。从而导致Producer的缓存队列中出现较大的消息积压，影响消息的投递性能。）

最小投递延迟算法：该算法会统计每次消息投递的时间延迟,然后根据统计出的结果将消息投递到时间延迟最小的Queue,如果延迟相同,则采用轮询算法投递。（该算法也存在一个问题：消息在Queue上的分配不均匀。投递延迟小的Queue其可能会存在大量的消息。而对该Queue的消费者会增大，降低消息的消费能力，可能会导致MQ中消息的堆积。）

Store目录

image

  • abort：该文件在Broker启动后会自动创建，正常关闭Broker，该文件会自动消失。若在没有启动Broker的情况下,发现这个文件是存在的,则说明之前Broker的关闭是非正常关闭。

  • checkpoint：其中存储着commitlog, consumequeue, index文件的最后刷盘时间戳

  • commitlog：其中存放着commitlog文件,而消息是写在commitlog文件中的

  • config：存放着Broker运行期间的一些配置数据

  • consumequeue：其中存放着consumequeue文件,队列就存放在这个目录中

  • index：其中存放着消息索引文件indexFile

  • lock：运行期间使用到的全局资源锁

commitlog文件

commitlog目录中存放着很多的mappedFile文件,当前Broker中的所有消息都是落盘到这些mappedFile文件中的, mappedFile文件大小为 (小于等于1G),文件名由20位十进制数构成,表示当前文件的第一条消息的起始位移偏移量。

需要注意的是,一个Broker中仅包含一个commitlog目录,所有的mappedFile文件都是存放在该目录中的。即无论当前Broker中存放着多少Topic的消息,这些消息都是被顺序写入到了mappedFile文件中的。也就是说,这些消息在Broker中存放时并没有被按照Topic进行分类存放。文件是顺序读写的文件，所以其访问效率很高。

消息单元

image
mappedFile文件内容由一个个的消息单元构成。每个消息单元中包含消息总长度MsgLen、消息的物理位置physicalOffset、消息体内容Body、消息体长度BodyLength,消息主题Topic, Topic长度TopicLength、消息生产者BornHost、消息发送时间戳BornTimestamp、消息所在的队列Queueld,消息在Queue中存储的偏移量QueueOffset等近20余项消息相关属性。

consumequeue

image

为了提高效率,会为每个Topic在/store/consumequeue中创建一个目录,目录名为Topic名称。在该Topic目录下,会再为每个该Topic的Queue建立一个目录, 目录名为queueld,每个目录中存放着若干consumequeue文件, consumequeue文件是commitlog的索引文件,可以根据consumequeue定位到具体的消息。

consumequeue文件名也由20位数字构成,表示当前文件的第一个索引条目的起始位移偏移量。与mappedFile文件名不同的是,其后续文件名是固定的。因为consumequeue文件大小是固定不变的。

索引条目

image

每个consumequeue文件可以包含30w个索引条目,每个索引条目包含了三个消息重要属性:消息在mappedFile文件中的偏移量CommitLog Offset、消息长度、消息Tag的hashcode值。这三个属性占20个字节,所以每个文件的大小是固定的30w * 20字节。

一个consumequeue 文件中所有消息的Topic一定是相同的。但每条消息的Tag可能是不同的。

对文件的读写

image

消息写入

  1. Broker根据queueld,获取到该消息对应索引条目要在consumequeue目录中的写入偏移量,即QueueOffset
  2. 将queueld, queueOffset等数据,与消息一起封装为消息单元
  3. 将消息单元写入到commitlog
  4. 形成消息索引条目
  5. 将消息索引条目分发到相应的consumequeue

消息拉取

  1. Consumer获取到其要消费消息所在Queue的消费偏移量offset,计算出其要消费消息的消息offset消费offset即消费进度，consumer对某个Queue的消费offset，即消费到该Queue的第几条消息
  2. Consumer向Broker发送拉取请求,其中会包含其要拉取消息的Queue、消息offset及消息Tag.
  3. Broker计算在该consumequeue中的queueOffset.
  4. 从该queueOffset处开始向后查找第一个指定Tag的索引条目。
  5. 解析该索引条目的前8个字节,即可定位到该消息在commitlog中的commitlog offset从对应commitlog offset中读取消息单元,并发送给Consumer

Index文件

除了通过通常的指定Topic进行消息消费外, RocketMQ还提供了根据key进行消息查询的功能。该查询是通过store目录中的index子目录中的indexFile进行索引实现的快速查询 当然,这个indexFile中的索引数据是在包含了key的消息被发送到Broker时写入的。如果消息中没有包含key,则不会写入。

索引条目结构

每个Broker中会包含一组indexFile,每个indexFile都是以一个时间戳命名的。每个indexFile文件由三部分构成: indexHeader, slots槽位, indexes索引数据。每个indexFile文件包含500w个slot槽。而每个slot槽又可能会挂载很多的index索引单元。

image

indexHeader固定40个字节，其中存放着如下数据
image

  • beginTimestamp：该indexFile中第一条消息的存储时间
  • endTimestanp：该indexFile中最后一条消息存储时间
  • beginPhyoffset：该indexFile中第一条消息在commitlog中的偏移量commitlog offset
  • endPhyoffset：该indexFile中最后一条消息在commitlog中的偏移量commitlog offset
  • hashSlotCount：已经填充有index的slot数量(并不是每个slot槽下都挂载有index索引单元,这里统计的是所有挂载了index索引单元的slot槽的数量)
  • indexCount：该indexFile中包含的索引个数(统计出当前indexFile中所有slot槽下挂载的所有index索引单元的数量之和)

image

key的hash值% 500w的结果即为slot槽位,然后将该slot值修改为该index索引单元的indexNo,根据这个indexNo可以计算出该index单元在indexFile中的位置。不过,该取模结果的重复率是很高的,为了解决该问题,在每个index索引单元中增加了preIndexNo,用于指定该slot中当前index索引单元的前一个index索引单元。而slot中始终存放的是其下最新的index索引单元的indexNo,这样的话,只要找到了slot就可以找到其最新的index索引单元,而通过这个index索引单元就可以找到其之前的所有index索引单元。

index索引单元默写20个字节,其中存放着以下四个属性:

  • keyHash:消息中指定的业务key的hash值
  • phyOffset:当前key对应的消息在commitlog中的偏移量commitlog offset
  • timeDiff:当前key对应消息的存储时间与当前indexFile创建时间的时间差
  • prelndexNo:当前slot下当前index索引单元的前一个index索引单元的indexNo

image

文件名的作用

indexFile的文件名为当前文件被创建时的时间戳。这个时间戳有什么用处呢?根据业务key进行查询时,查询条件除了key之外,还需要指定一要查询的时间戳,表示要查询不大于该时间戳的最新的消息。这个时间戳文件名可以简化查询,提高查询效率。

查询流程

image

消息的消费

拉取式消费：Consumer主动从Broker中拉取消息,主动权由Consumer控制。一旦获取了批量消息,就会启动消费过程。不过,该方式的实时性较弱,即Broker中有了新的消息时消费者并不能及时发现并消费。

推送式消费：该模式下Broker收到数据后会主动推送给Consumer,该消费模式一般实时性较高。该消费类型是典型的发布-订阅模式,即Consumer向其关联的Queue注册了监听器,一旦发现有新的消息到来就会触发回调的执行,回调方法是Consumer去Queue中拉取消息。而这些都是基于Consumer与Broker间的长连接的。长连接的维护是需要消耗系统资源的。

pull:需要应用去实现对关联Queue的遍历,实时性差;但便于应用控制消息的拉取
push:封装了对关联Queue的遍历,实时性强,但会占用较多的系统资源!

广播消费

广播消费模式下,相同Consumer Group的每个Consumer实例都接收同一个Topic的全量消息。即每条消息都会被发送到Consumer Group中的每个Consumer

集群消费

集群消费模式下,相同Consumer Group的每个Consumer实例平均分摊同一个Topic的消息。即每条消息只会被发送到Consumer Group中的某个Consumer

消费进度保存

广播模式:消费进度保存在consumer端。因为广播模式下consumer group中每个consumer都会消费所有消息,但它们的消费进度是不同。所以consumer各自保存各自的消费进度。

集群模式:消费进度保存在broker中。 consumer group中的所有consumer共同消费同一个Topic中的消息,同一条消息只会被消费一次。消费进度会参与到了消费的负载均衡中,故消费进度是需要共享的。

Rebalance机制

Rebalance即再均衡,指的是,将一个Topic下的多个Queue在同一个Consumer Group中的多个Consumer间进行重新分配的过程。
Rebalance机制的本意是为了提升消息的并行消费能力。例如,一个Topic下5个队列,在只有1个消费者的情况下,这个消费者将负责消费这5个队列的消息。如果此时我们增加一个消费者,那么就可以给其中一个消费者分配2个队列,给另一个分配3个队列,从而提升消息的并行消费能力。

Rebalance限制

由于一个队列最多分配给一个消费者,因此当某个消费者组下的消费者实例数量大于队列的数量时,多余的消费者实例分配不到任何队列。

Rebalance危害

消费暂停:在只有一个Consumer时,其负责消费所有队列;在新增了一个Consumer后会触发Rebalance的发生。此时原Consumer就需要暂停部分队列的消费,等到这些队列分配给新的Consumer后,这些暂停消费的队列才能继续被消费。

消费重复: Consumer在消费新分配给自己的队列时,必须接着之前Consumer提交的消费进度的offset继续消费。然而默认情况下, offset是异步提交的,这个异步性导致提交到Broker的offset与Consumer实际消费的消息并不一致。这个不一致的差值就是可能会重复消息的消息。

同步提交: Consumer提交了其消费完毕的一批消息的offet给broker后,需要等待broker的成功ACK。当收到ACK后, Consumer才会继续获取并消费下一批消息。在等待ACK期间, Consumer是阻塞的。
异步提交: Consumer提交了其消费完毕的一批消息的offet给broker后,不需要等待broker的成功ACK, Consumer可以直接获取并消费下一批消息。

对于一次性读取消息的数量，需要根据具体业务场景选择一个相对均衡的是很有必要的。因为数量过大，系统性能提升了，但产生重复消费的消息数量可能会增加；数量过小，系统性能会下降，但被重复消费的消息数量可能会减少。

消费突刺:由于Rebalance可能导致重复消费,如果需要重复消费的消息过多,或者因为Rebalance暂停时间过长从而导致积压了部分消息。那么有可能会导致在Rebalance结束之后瞬间需要消费很多消息。

Rebalance产生的原因

导致Rebalance产生的原因,无非就两个:消费者所订阅的Queue数量发生变化,或消费者组中消费者的数量发生变化。

Quецe数量发生变化的场景：

Broker扩容或缩容
Broker升级运维
Broker与NameServer间的网络异常
Queue扩容或缩容

消费者数量发生变化的场景：

Consumer Group扩容或缩容
Consumer升级运维
Consumer与Nameserver间网络异常

Rebalance过程

在Broker中维护着多个Map集合,这些集合中动态存放着当前Topic中Queue的信息、Consumer Group中Consumer实例的信息。一旦发现消费者所订阅的Queue数量发生变化,或消费者组中消费者的数量发生变化,立即向Consumer Group中的每个实例发出Rebalance通知。Consumer实例在接收到通知后会采用Queue分配算法自己获取到相应的Queue,即由Consumer实例自主进行Rebalance.

Queue分配算法

一个Topic中的Queue只能由Consumer Group中的一个Consumer进行消费,而一个Consumer可以同时消费多个Queue中的消息。那么Queue与Consumer间的配对关系是如何确定的,即Queue要分配给哪个Consumer进行消费,也是有算法策略的。常见的有四种策略。这些策略是通过在创建Consumer时的构造器传进去的。

平均分配策略

该算法是要根据avg - QueueCount / ConsumerCount的计算结果进行分配的。如果能够整除,则按顺序将avg个Queue逐个分配Consumer;如果不能整除,则将多余出的Queue按照Consumer顺序逐个分配。

环形平均策略

环形平均算法是指,根据消费者的顺序,依次在由queue队列组成的环形图中逐个分配。

一致性Hash策略

该算法会将consumer的hash值作为Node节点存放到hash环上,然后将queue的hash值也放到hash环上通过顺时针方向,距离queue最近的那个consumer就是该queue要分配的consumer.

该算法存在的问题：分配不均
image

同机房策略

该算法会根据queue的部署机房位置和consumer的位置,过滤出当前consumer相同机房的queue,然后按照平均分配策略或环形平均策略对同机房queue进行分配。如果没有同机房queue,则按照平均分配策略或环形平均策略对所有queue进行分配。

至少一次原则

RocketMQ有一个原则:每条消息必须要被成功消费一次。那么什么是成功消费呢? Consumer在消费完消息后会向其消费进度记录器提交其消费消息的offset,offset被成功记录到记录器中,那么这条消费就被成功消费了。

订阅关系的一致性

订阅关系的一致性指的是,同一个消费者组(Group ID相同)下所有Consumer实例所订阅的Topic与Tag及对消息的处理逻辑必须完全一致。否则,消息消费的逻辑就会混乱,甚至导致消息丢失。

offset管理

offset本地管理模式

当消费模式为广播消费时, offset使用本地模式存储。因为每条消息会被所有的消费者消费,每个消费者管理自己的消费进度,各个消费者之间不存在消费进度的交集。

Consumer在广播消费模式下offset相关数据以json的形式持久化到Consumer本地磁盘文件中,默认文件路径为当前用户主目录下的.rocketmg_offsets/s{clientid}/group/offsets.json。其中S{clientld)为当前消费者id,默认为ip@DEFAULT; group为消费者组名称。

offset远程管理模式

当消费模式为集群消费时, offset使用远程模式管理。因为所有Cosnumer实例对消息采用的是均衡消费,所有Consumer共享Queue的消费进度。Consumer在集群消费模式下offset相关数据以json的形式持久化到Broker磁盘文件中,文件路径为当前用户主目录下的store/config/consumerOffset.json。Broker启动时会加载这个文件,并写入到一个双层Map,外层map的key为topic@group, value为内层map,内层map的key为queueld, value为offset,当发生Rebalance时,新的Consumer会从该Map中获取到相应的数据来继续消费。

offset用途

消费者是如何从最开始持续消费消息的?消费者要消费的第一条消息的起始位置是用户自己通过consumer.setConsumeFromWhere()方法指定的。在Consumer启动后,其要消费的第一条消息的起始位置常用的有三种,这三种位置可以通过枚举类型常量设置。这个枚举类型为ConsumeFromWhere.

CONSUME FROM LAST OFFSET：从queue的当前最后一条消息开始消费
CONSUME FROM FIRST OFFSET：从queue的第一条消息开始消费
CONSUME FROM TIMESTAMP：从指定的具体时间戳位置的消息开始消费。这个具体时间戳是通过另外一个语句指定的。

当消费完一批消息后, Consumer会提交其消费进度offset给Broker, Broker在收到消费进度后会将其更新到那个双层Map (ConsumerOffsetManager)及consumerOffset.json文件中,然后向该Consumer进行ACK,而ACK内容中包含三项数据:当前消费队列的最小offset (minOffset)、最大offset (maxOffset) 、及下次消费的起始offset (nextBeginOffset) 。

重试队列

当rocketMQ对消息的消费出现异常时,会将发生异常的消息的offset提交到Broker中的重试队列。系统在发生消息消费异常时会为当前的Topic@group创建一个重试队列,该队列以%RETRY%开头,到达重试时间后进行消费重试。

offset的同步提交与异步提交集群消费模式下, Consumer消费完消息后会向Broker提交消费进度offset,其提交方式分为两种:

同步提交:消费者在消费完一批消息后会向Broker提交这些消息的offset,然后等待Broker的成功响应。若在等待超时之前收到了成功响应,则继续读取下一批消息进行消费。若没有收到响应,则会重新提交,直到获取到响应。而在这个等待过程中,消费者是阻塞的。其严重影响了消费者的吞吐量。

异步提交:消费者在消费完一批消息后向Broker提交offset,但无需等待Broker的成功响应,可以继续读取并消费下一批消息。这种方式增加了消费者的吞吐量。但需要注意, Broker在收到提交的offset后,还是会向消费者进行响应的。可能还没有收到ACK,此时Consumer会从Broker中直接获取nextBeginOffset.

消费幂等

当出现消费者对某条消息重复消费的情况时,重复消费的结果与消费一次的结果是相同的,并且多次消费并未对业务系统产生任何负面影响,那么这个消费过程就是消费幂等的。在互联网应用中,尤其在网络不稳定的情况下,消息很有可能会出现重复发送或重复消费。如果重复的消息可能会影响业务处理,那么就应该对消息做幂等处理。

消息重复的场景分析

发送时消息重复：当一条消息已被成功发送到Broker并完成持久化,此时出现了网络闪断,从而导致Broker对Producer应答失败。如果此时Producer意识到消息发送失败并尝试再次发送消息,此时Broker中就可能会出现两条内容相同并且Message ID也相同的消息,那么后续Consumer就一会消费两次该消息。

消费时消息重复：消息已投递到Consumer并完成业务处理,当Consumer给Broker反馈应答时网络闪断, Broker没有接收到消费成功响应。为了保证消息至少被消费一次的原则, Broker将在网络恢复后再次尝试投递之前已被处理过的消息。此时消费者就会收到与之前处理过的内容相同、Message ID也相同的消息

Rebalance时消息重复：当Consumer Group中的Consumer数量发生变化时,或其订阅的Topic的Queue数量发生变化时,会触发Rebalance,此时Consumer可能会收到曾经被消费过的消息。

消息幂等通用解决方案

两要素

幂等解决方案的设计中涉及到两项要素:幂等令牌,与唯一性处理。只要充分利用好这两要素,就可以设计出好的幂等解决方案。

  • 幂等令牌:是生产者和消费者两者中的既定协议,通常指具备唯一业务标识的字符串。例如：订单号，流水号。
  • 唯一性处理:服务端通过采用一定的算法策略,保证同一个业务逻辑不会被重复执行成功多次。

解决方案对于常见的系统,幂等性操作的通用性解决方案是

  1. 首先通过缓存去重。在缓存中如果已经存在了某幂等令牌,则说明本次操作是重复性操作;若缓存没有命中,则进入下一步。
  2. 在唯一性处理之前,先在数据库中查询幂等令牌作为索引的数据是否存在。若存在,则说明本次操作为重复性操作;若不存在,则进入下一步。
  3. 在同一事务中完成三项操作:唯一性处理后,将幂等令牌写入到缓存,并将幂等令牌作为唯一索引的数据写入到DB中。

解决方案举例

以支付场景为例:
1,当支付请求到达后,首先在Redis缓存中却获取key为支付流水号的缓存value,若value不空,则说明本次支付是重复操作,业务系统直接返回调用侧重复支付标识若value为空,则进入下一步操作
2,到DBMS中根据支付流水号查询是否存在相应实例。若存在,则说明本次支付是重复操作,业务系统直接返回调用侧重复支付标识;若不存在,则说明本次操作是首次操作,进入下一步完成唯一性处理
3,在分布式事务中完成三项操作:完成支付任务将当前支付流水号作为key,任意字符串作为value,通过set(key, value, expireTime)将数据写入到Redis缓存将当前支付流水号作为主键,与其它相关数据共同写入到DBMS

RocketMQ消费幂等的实现

消费幂等的解决方案很简单:为消息指定不会重复的唯一标识。因为Message ID有可能出现重复的情况,所以真正安全的幂等处理,不建议以Message ID作为处理依据。最好的方式是以业务唯一标识作为幂等处理的关键依据,而业务的唯一标识可以通过消息Key设置。

消息堆积与消费延迟

消息处理流程中,如果Consumer的消费速度跟不上Producer的发送速度, MQ中未处理的消息会越来越多,这部分消息就被称为堆积消息。消息出现堆积进而会造成消息的消费延迟。以下场景需要重点注意消息堆积和消费延迟问题:

  • 业务系统上下游能力不匹配造成的持续堆积,且无法自行恢复。
  • 业务系统对消息的消费实时性要求较高,即使是短暂的堆积造成的消息延迟也无法接受。

Consumer使用长轮询Pull模式消费消息时,分为以下两个阶段:

消息拉取--Consumer通过长轮询Pull模式批量拉取的方式从服务端获取消息,将拉取到的消息缓存到本地缓冲队列中。对于拉取式消费,在内网环境下会有很高的吞吐量,所以这一阶段一般不会成为消息堆积的瓶颈。

消息消费--Consumer将本地缓存的消息提交到消费线程中,使用业务消费逻辑对消息进行处理,处理完毕后获取到一个结果。这是真正的消息消费过程。此时Consumer的消费能力就完全依赖于消息的消费耗时和消费并发度了。如果由于业务处理逻辑复杂等原因,导致处理单条消息的耗时较长,则整体的消息吞吐量肯定不会高,此时就会导致Consumer本地缓冲队列达到上限,停止从服务端拉取消息。

消费耗时

影响消息处理时长的主要因素是代码逻辑。而代码逻辑中可能会影响处理时长的主要有两种类型的代码:CPU内部计算型代码和外部IO操作型代码。

通常情况下代码中如果没有复杂的递归和循环的话,内部计算耗时相对外部IO操作来说几乎可以忽略。所以外部IO型代码是影响消息处理时长的主要症结所在。

外部IO操作型代码举例：
读写外部数据库，例如对远程MySQL的访问
读写外部缓存系统,例如对远程Redis的访问
下游系统调用,例如Dubbo的RPC远程调用, Spring Cloud的对下游系统的Http接口调用

消费并发度

一般情况下,消费者端的消费并发度由单节点线程数和节点数量共同决定,其值为单节点线程数*节点数量。不过,通常需要优先调整单节点的线程数,若单机硬件资源达到了上限,则需要通过横向扩展来提高消费并发度。

单机线程数计算

对于一台主机中线程池中线程数的设置需要谨慎,不能盲目直接调大线程数,设置过大的线程数反而会带来大量的线程切换的开销。理想环境下单节点的最优线程数计算模型为: C* (T1 +T2) /T1。
C: CPU内核数
T1: CPU内部逻辑计算耗时
T2:外部IO操作耗时

如何避免

为了避免在业务使用时出现非预期的消息堆积和消费延迟问题,需要在前期设计阶段对整个业务逻辑进行完善的排查和梳理。其中最重要的就是梳理消息的消费耗时和设置消息消费的并发度。

梳理消息的消费耗时通过压测获取消息的消费耗时,并对耗时较高的操作的代码逻辑进行分析。梳理消息的消费耗时需要关注以下信息:

  • 消息消费逻辑的计算复杂度是否过高,代码是否存在无限循环和递归等缺陷。
  • 消息消费逻辑中的IO操作是否是必须的,能否用本地缓存等方案规避。
  • 消费逻辑中的复杂耗时的操作是否可以做异步化处理。如果可以,是否会造成逻辑错乱。

设置消费并发度对于消息消费并发度的计算,可以通过以下两步实施:

  • 逐步调大单个Consumer节点的线程数,并观测节点的系统指标,得到单个节点最优的消费线程数和消息吞吐量。
  • 根据上下游链路的流量峰值计算出需要设置的节点数。

消息的清理

消息被消费过后会被清理掉吗?不会的

消息是被顺序存储在commitlog文件的,且消息大小不定长,所以消息的清理是不可能以消息为单位进行清理的,而是以commitlog文件为单位进行清理的。

commitlog文件存在一个过期时间,默认为72小时,即三天。除了用户手动清理外,在以下情况下也会被自动清理,无论文件中的消息是否被消费过:

  • 文件过期,且到达清理时间点(默认为凌晨4点)后,自动清理过期文件
  • 文件过期,且磁盘空间占用率已达过期清理警戒线(默认75%)后,无论是否达到清理时间点,都会自动清理过期文件
  • 磁盘占用率达到清理警戒线(默认85%)后,开始按照设定好的规则清理文件,无论是否过期。
  • 默认会从最老的文件开始清理磁盘占用率达到系统危险警戒线(默认90%)后, Broker将拒绝消息写入

需要注意以下几点：

  1. 对于RocketMQ系统来说，删除一个1G大小的文件，是一个压力巨大的IO操作。在删除过程中，系统性能会骤然下降。所以，其默认清理时间点为凌晨4点，访问量最小的时间。也正因如果，我们要保障磁盘空间的空闲率,不要使系统出现在其它时间点删除commitlog 文件的情况。
  2. 官方建议RocketMQ服务的Linux文件系统采用ext4。因为对于文件删除操作，ext4要比ext3性能好。
posted @ 2021-12-07 16:19  Xianhao  阅读(262)  评论(0)    收藏  举报