调整或扩展 Kafka 以获得最佳成本和性能的第一步是了解数据流平台如何使用资源。这里给一些实用的建议。

Kafka 如何利用资源

1. CPU 一般来说，Apache Kafka 在 CPU利用率方面比较轻。在选择基础设施时，我倾向于拥有更多的核心而不是更快的核心，以提高并行化水平。影响 CPU 使用量的因素有很多，其中最主要的是 SSL 身份验证和日志压缩。其他考虑因素是每个代理拥有的分区数量、有多少数据将进入磁盘、Kafka 消费者的数量（此处详细介绍），以及这些消费者离实时性有多近。如果您的数据消费者正在获取旧数据，那么从磁盘获取数据将花费 CPU 时间。我们将在下一节中对此进行深入探讨。了解 CPU 使用背后的这些基本驱动因素对于帮助团队正确确定可用CPU 功率至关重要。 2. RAM RAM 需求主要取决于需要在内存中保留多少热数据并可用于快速访问。一旦收到消息，Kafka 就会将数据交给底层操作系统的页面缓存，后者负责将数据保存到磁盘。从大小和可伸缩性的角度来看，RAM 的正确数量取决于您的用例的数据访问模式。如果您的团队将 Kafka 部署为实时数据流（使用转换并公开消费者将在几秒钟内提取的数据），则 RAM 需求通常很低，因为只需要在内存中存储几秒钟的数据。或者，如果您的 Kafka 消费者需要提取几分钟或几小时的数据，那么您需要考虑 RAM 中需要多少数据。CPU 和 RAM 利用率之间的关系很重要。如果 Kafka 可以访问 RAM 中的数据，那么它就不必花费 CPU 资源从磁盘中获取数据。如果 RAM 中没有可用的数据，代理程序将从磁盘中提取数据，从而消耗 CPU 资源，并在数据传递中增加一些延迟。实现 Kafka 的团队在调整 CPU 和 RAM 资源时应该考虑到这种关系。 3. 存储 有几个因素会影响 Kafka 存储需求，如保留时间、数据转换和适当的复制因素。考虑这个例子：每天有几 TB 的数据落在一个 Kafka 主题上，使用 Kafka 对该数据执行六次转换以保留中间数据，每个主题保留数据三天，复制因子设置为 3。很容易看出，团队可以根据使用 Kafka 的方式，将存储的数据需求快速增加一倍、三倍或四倍。您需要充分了解这些因素才能正确确定存储大小。

Kafka 预定大小示例

以下是我们工作中的一个真实例子，帮助媒体娱乐行业的服务提供商正确确定预先部署的 Kafka 的规模。该业务的峰值吞吐量入口为每秒 10GB。组织需要存储 10% 的数据（每天总计 9TB），并将这些数据保留 30 天。从复制的角度来看，该公司将存储该数据的三个拷贝，总存储需求为 810TB。为了应对潜在的峰值，明智的做法是在预期需求的基础上增加 30-40% 的空间，这意味着组织应该有 1.2PB 的可用存储空间。它们不使用 SSL，而且大多数消费者都需要实时数据，因此 CPU 和 RAM 需求不如存储重要。他们确实有一些批处理进程在运行，但延迟不是一个问题，所以数据来自磁盘是安全的。虽然这个特定的用例仍在构建中，但该示例展示了使用基本数据计算给定 Kafka 实现的最小有效规模的过程，然后从中探索扩大场景的潜在需求。

Kafka 容量规划最佳实践

了解给定用例的特定体系结构——主题设计、消息大小、消息量、数据访问模式、消费者数量等——可以提高预测大小的准确性。请考虑以下最佳实践： 使用监控工具跟踪 CPU、RAM 和存储的使用情况。 使用分区和复制因子来优化性能和可用性。 使用压缩来减少存储需求。 按照需要添加更多代理来扩展 Kafka 集群。 通过遵循这些最佳实践，您可以确保您的 Kafka 集群以最佳成本和性能运行。

结论

调整和扩展 Kafka 以满足您的需求可能是一项具有挑战性的任务。但是，了解 Kafka 如何利用资源以及最佳实践，您可以优化您的部署以实现最佳成本和性能。通过仔细规划和监控，您可以确保您的 Kafka 集群满足您的业务需求。

---

2019数据架构选型必读：1月数据库产品技术解析

本期目录

DB-Engines数据库排行榜

新闻快讯

一、RDBMS家族

二、NoSQL家族

三、NewSQL家族

四、时间序列

五、大数据生态圈

六、国产数据库概览

七、云数据库

八、推出dbaplus Newsletter的想法

九、感谢名单

为方便阅读、重点呈现，本期Newsletter（2019年1月）将对各个板块的内容进行精简。需要阅读全文的同学可点击文末 【阅读原文】 或登录Newsletter

大数据Kafka中常用Message Queue有哪些区别呢？

常用Message Queue对比3.1　RabbitMQRabbitMQ是使用Erlang编写的一个开源的消息队列，本身支持很多的协议：AMQP，XMPP, SMTP, STOMP，也正因如此，它非常重量级，更适合于企业级的开发。 同时实现了Broker构架，这意味着消息在发送给客户端时先在中心队列排队。 对路由，负载均衡或者数据持久化都有很好的支持。 3.2　RedisRedis是一个基于Key-Value对的NoSQL数据库，开发维护很活跃。 虽然它是一个Key-Value数据库存储系统，但它本身支持MQ功能，所以完全可以当做一个轻量级的队列服务来使用。 对于RabbitMQ和Redis的入队和出队操作，各执行100万次，每10万次记录一次执行时间。 测试数据分为128Bytes、512Bytes、1K和10K四个不同大小的数据。 实验表明：入队时，当数据比较小时Redis的性能要高于RabbitMQ，而如果数据大小超过了10K，Redis则慢的无法忍受；出队时，无论数据大小，Redis都表现出非常好的性能，而RabbitMQ的出队性能则远低于Redis。 3.3　ZeroMQZeroMQ号称最快的消息队列系统，尤其针对大吞吐量的需求场景。 ZeroMQ能够实现RabbitMQ不擅长的高级/复杂的队列，但是开发人员需要自己组合多种技术框架，技术上的复杂度是对这MQ能够应用成功的挑战。 ZeroMQ具有一个独特的非中间件的模式，你不需要安装和运行一个消息服务器或中间件，因为你的应用程序将扮演这个服务器角色。 你只需要简单的引用ZeroMQ程序库，可以使用NuGet安装，然后你就可以愉快的在应用程序之间发送消息了。 但是ZeroMQ仅提供非持久性的队列，也就是说如果宕机，数据将会丢失。 其中，Twitter的Storm 0.9.0以前的版本中默认使用ZeroMQ作为数据流的传输（Storm从0.9版本开始同时支持ZeroMQ和Netty作为传输模块）。 3.4　ActiveMQActiveMQ是Apache下的一个子项目。 类似于ZeroMQ，它能够以代理人和点对点的技术实现队列。 同时类似于RabbitMQ，它少量代码就可以高效地实现高级应用场景。 3.5　Kafka/JafkaKafka是Apache下的一个子项目，是一个高性能跨语言分布式发布/订阅消息队列系统，而Jafka是在Kafka之上孵化而来的，即Kafka的一个升级版。 具有以下特性：快速持久化，可以在O(1)的系统开销下进行消息持久化；高吞吐，在一台普通的服务器上既可以达到10W/s的吞吐速率；完全的分布式系统，Broker、Producer、Consumer都原生自动支持分布式，自动实现负载均衡；支持Hadoop数据并行加载，对于像Hadoop的一样的日志数据和离线分析系统，但又要求实时处理的限制，这是一个可行的解决方案。 Kafka通过Hadoop的并行加载机制统一了在线和离线的消息处理。 Apache Kafka相对于ActiveMQ是一个非常轻量级的消息系统，除了性能非常好之外，还是一个工作良好的分布式系统。 上图中一个topic配置了3个partition。 Partition1有两个offset：0和1。 Partition2有4个offset。 Partition3有1个offset。 副本的id和副本所在的机器的id恰好相同。 如果一个topic的副本数为3，那么Kafka将在集群中为每个partition创建3个相同的副本。 集群中的每个broker存储一个或多个partition。 多个producer和consumer可同时生产和消费数据。