1. ISR什么时候收缩
  2. ISR什么时候扩展
  3. ISR的传播机制
  4. Broker宕机之后怎么ISR的收缩?

Kafka在启动的时候,会启动一个副本管理器​​ReplicaManager​​​,这个副本管理器会启动几个​​定时任务​​。

  1. ISR过期定时任务​​isr-expiration​​​,每隔​​replica.lag.time.max.ms/2​​毫秒就执行一次。
  2. ISR变更的传播定时任务​​isr-change-propagation​​​,每隔​​2500​​毫秒就执行一次。

replica.lag.time.max.ms : 如果一个follower在这个时间内没有发送fetch请求,leader将从ISR中移除这个follower。从2.5开始 ,默认值从 10 秒增加到 30 秒。


文章目录

1.ISR收缩 isr-expiration

每隔replica.lag.time.max.ms/2毫秒执行一次

ReplicaManager#maybeShrinkIsr

  // 尝试收缩ISR, 遍历所有在线状态的分区,检查是否需要收缩
private def maybeShrinkIsr(): Unit = {
allPartitions.keys.foreach { topicPartition =>
nonOfflinePartition(topicPartition).foreach(_.maybeShrinkIsr())
}
}

,先遍历所有的分区,找出本台Broker上所有在线的分区 进行遍历,去尝试收缩ISR。

ReplicaManager#maybeShrinkIsr

 def maybeShrinkIsr(): Unit = {
val needsIsrUpdate = inReadLock(leaderIsrUpdateLock) {
// 判断是否需要伸缩:当前分区是Leader&&(follower副本LEO!=Leader副本LEO && ( (currentTimeMs - followerReplica.lastCaughtUpTimeMs) > replica.lag.time.max.ms))
needsShrinkIsr()
}
val leaderHWIncremented = needsIsrUpdate && inWriteLock(leaderIsrUpdateLock) {
leaderLogIfLocal match {
case Some(leaderLog) =>
// 再获取一次 OSR, 有点双重检查锁的意思。
val outOfSyncReplicaIds = getOutOfSyncReplicas(replicaLagTimeMaxMs)
if (outOfSyncReplicaIds.nonEmpty) {
val newInSyncReplicaIds = inSyncReplicaIds -- outOfSyncReplicaIds

// 更新zk中的isr信息和cache中的isr信息
shrinkIsr(newInSyncReplicaIds)

// we may need to increment high watermark since ISR could be down to 1
maybeIncrementLeaderHW(leaderLog)
} else {
false
}

case None => false // do nothing if no longer leader
}
}

// some delayed operations may be unblocked after HW changed
if (leaderHWIncremented)
tryCompleteDelayedRequests()
}
  1. 找到所有需要收缩的副本OSR,判断条件:
    ①.当前分区必须是Leader
    ②.follower副本LEO!=Leader副本LEO(如果相等的话,那表示跟Leader保持最高同步了,也就没必要收缩)
    ③.follower副本中,当前时间 - 上一次去leader获取数据的时间戳 > replica.lag.time.max.ms(2.5版本开始默认30000ms)
  2. 计算新的 newISR = 当前ISR - 1中获取到的OSR .
    ①. 将newISR组装一下成newLeaderData对象(还包含leader和epoche等信息),然后将信息写入到zk持久节点/brokers/topics/{Topic名称}/partitions/{分区号}/state中.
    ②.如果写入成功,则更新一下2个对象内存, isrChangeSet对象保存着ISR变更记录,lastIsrChangeMs记录这最新一次ISR变更的时间戳。一会这两个两个对象,在ISR传播的时候需要用到。
    ③.如果写入成功,则更新一下2个对象内存,inSyncReplicaIds=newISR, zkVersion = newVersion。
  3. 尝试增加HW(高水位), maybeIncrementLeaderHW 这个方法可能会在 ①.ISR变更 ②.任何副本的LEO更改 这两种情况下触发调用。当然我们这种场景触发是因为ISR变更了。如果HW有更新,则返回true,否则返回false,具体逻辑,请看下面。
  4. 如果3中更新成功,则触发一下待处理的延迟操作。这里包含一些fetch、produce、deleteRecords等延迟请求。

增加HW(高水位)的逻辑:

Partition#maybeIncrementLeaderHW

  private def maybeIncrementLeaderHW(leaderLog: Log, curTime: Long = time.milliseconds): Boolean = {
inReadLock(leaderIsrUpdateLock) {
// 先将leader的LEO 设置为 newHW
var newHighWatermark = leaderLog.logEndOffsetMetadata
//遍历所有副本,找到最新的HW, 计算逻辑就是,在同步副本内的 最小LEO.
remoteReplicasMap.values.foreach { replica =>
if (replica.logEndOffsetMetadata.messageOffset < newHighWatermark.messageOffset &&
// 要么在ISR里面,要么上一次Fetche数据距离现在<= replica.lag.time.max.ms
(curTime - replica.lastCaughtUpTimeMs <= replicaLagTimeMaxMs || inSyncReplicaIds.contains(replica.brokerId))) {
newHighWatermark = replica.logEndOffsetMetadata
}
}

leaderLog.maybeIncrementHighWatermark(newHighWatermark) match {
//打印一些日志,并返回是否更新成功。
}
}
}
  1. 遍历所有的副本,找到 所有在ISR中的副本和 上一次Fetche数据距离现在<=replica.lag.time.max.ms时间但是还没有来得及进入ISR列表的副本, 然后从这些副本中找到最小的LEO newHW.
  2. 如果newHW > 当前Leader的LEO,抛异常,这种情况有问题。
  3. 将newHW 和 oldHW做个对比,如果满足下面任意一个条件,则更新 HW的值,否则不更新。
    ①.oldHW.messageOffset < newHW.messageOffset(新的HW>旧的HW)
    ②.oldHW.messageOffset==newHW.messageOffset&&oldHW.onOlderSegment(newHW)。这里解释一下,当LogSegment滚动到新的Segment的时候,就会出现这种情况,更新一下HW(因为日志段变成新的了)

2.ISR 扩展

ISR的缩小,是有一个定时任务定时检查,而ISR扩展可不一样,它是在Follower副本向Leader副本发起 Fetch请求请求的时候会尝试检查是否需要重新加入到ISR中。

当发现Follower副本不在ISR列表的时候,就会执行下面的方法。

Partition#maybeExpandIsr

  private def maybeExpandIsr(followerReplica: Replica, followerFetchTimeMs: Long): Unit = {
//检查一下是否满足 扩展的条件
val needsIsrUpdate = inReadLock(leaderIsrUpdateLock) {
needsExpandIsr(followerReplica)
}
if (needsIsrUpdate) {
inWriteLock(leaderIsrUpdateLock) {
// 再坚持一遍是否需要伸展,双重检查。
if (needsExpandIsr(followerReplica)) {
val newInSyncReplicaIds = inSyncReplicaIds + followerReplica.brokerId
info(s"Expanding ISR from ${inSyncReplicaIds.mkString(",")} to ${newInSyncReplicaIds.mkString(",")}")
// update ISR in ZK and cache
expandIsr(newInSyncReplicaIds)
}
}
}
}

//判断Follower副本是否有资格进入isr列表 followLEO>=HW
private def isFollowerInSync(followerReplica: Replica, highWatermark: Long): Boolean = {
val followerEndOffset = followerReplica.logEndOffset
followerEndOffset >= highWatermark && leaderEpochStartOffsetOpt.exists(followerEndOffset >= _)
}
  1. 检查当前发起 Fetch请求 请求的Follower副本是否满足加入ISR的条件, 条件如下(与运算):
    ①. 当前副本不在ISR列表中
    ②. Follower的LEO>=HW(高水位) && Follower的LEO>= 当前Leader的LogStartOffset
  2. 如果满足条件,则开始执行 ISR扩展的流程,这里的流程跟上面 ISR缩小 的时候差不多。
    ①. 将newISR组装一下成newLeaderData对象(还包含leader和epoche等信息),然后将信息写入到zk持久节点/brokers/topics/{Topic名称}/partitions/{分区号}/state中.
    ②.如果写入成功,则更新一下2个对象内存, isrChangeSet对象保存着ISR变更记录,lastIsrChangeMs记录这最新一次ISR变更的时间戳。一会这两个两个对象,在ISR传播的时候需要用到。
    ③.如果写入成功,则更新一下2个对象内存,inSyncReplicaIds=newISR, zkVersion = newVersion。

Kafka的ISR收缩机制_zookeeper

上面的ISR伸缩,只是去zk上修改了ISR的数据和Controller里面的内存数据。啥时候通知对应的Broker ISR已经变更了呢?

3.ISR广播 maybePropagateIsrChanges

每隔2500毫秒就执行一次。

上面的ISR的收缩和扩展,最终呈现的结果是 修改ISR和内存,但是并没有通知到每个Broker。

只修改zk中的/brokers/topics/{Topic名称}/partitions/{分区号}/state节点,并不会通知集群,ISR已经变更了,因为正常情况下,Broker是没有去监听每一个state节点的。

因为在整个集群中,state节点太多了,一个分区一个,每个节点都去监听的话成本有点高。

除了在分区副本重分配的时候,会去监听迁移的state节点,其他情况都没有监听。

定时任务定时去传播ISR的变更。

ReplicaManager#maybePropagateIsrChanges

  def maybePropagateIsrChanges(): Unit = {
val now = System.currentTimeMillis()
isrChangeSet synchronized {
if (isrChangeSet.nonEmpty &&
(lastIsrChangeMs.get() + ReplicaManager.IsrChangePropagationBlackOut < now ||
lastIsrPropagationMs.get() + ReplicaManager.IsrChangePropagationInterval < now)) {
zkClient.propagateIsrChanges(isrChangeSet)
isrChangeSet.clear()
lastIsrPropagationMs.set(now)
}
}
}
  1. 判断是否满足传播条件,条件为下(同时满足)
    ①. 判断isrChangeSet不为空值,这里的isrChangeSet就是我们上面ISR收缩成功之后装填的值。
    ②. (lastIsrChangeMs(上次ISR变更时间) + 5000 < 当前时间)或者
    (lastIsrPropagationMs(上次传播时间) + 60000< 当前时间)
    总结: 有ISR变更过了&&(上一次ISR变更时间距离现在超过了5秒 || 上次传播时间距离现在超过了60秒)。
    这避免了短时间内多次ISR变更发起多次传播。当超过60秒都没有发起过传播,则立马发起传播。
  2. 开始传播!
    传播的方式就是,创建一个顺序的持久节点/isr_change_notification/isr_change_序号,节点内容就是 isrChangeSet。
  3. 清空isrChangeSet,更新 lastIsrPropagationMs(上次传播时间)

4.Controller监听/isr_change_notification/子节点

上面我们说因为正常情况下,Broker是没有去监听每一个state节点的(除了分区副本重分配),那么为了避免监听多个节点,只要有ISR变更就创建了/isr_change_notification/isr_change_序号节点,Controller只需要监听这个节点就可以指定哪个ISR变更了。

KafkaController#processIsrChangeNotification

  private def processIsrChangeNotification(): Unit = {
def processUpdateNotifications(partitions: Seq[TopicPartition]): Unit = {
val liveBrokers: Seq[Int] = controllerContext.liveOrShuttingDownBrokerIds.toSeq
debug(s"Sending MetadataRequest to Brokers: $liveBrokers for TopicPartitions: $partitions")
sendUpdateMetadataRequest(liveBrokers, partitions.toSet)
}

if (!isActive) return
// 去zk顺序节点/isr_change_notification 获取所有子节点的序号
val sequenceNumbers = zkClient.getAllIsrChangeNotifications
try {
// 拿到了子节点路径之后,就去zk查询所有子节点的数据。
val partitions = zkClient.getPartitionsFromIsrChangeNotifications(sequenceNumbers)
// 如果有的话,则做一些更新
if (partitions.nonEmpty) {
// 这里是去zk把变更过的Partitions 读取state节点的数据,然后重新加载到内存中
updateLeaderAndIsrCache(partitions)
//向所有Broker发送更新元数据的请求
processUpdateNotifications(partitions)
}
} finally {
// 处理完之后 把刚刚获取到的/isr_change_notification 子节点删除掉。
zkClient.deleteIsrChangeNotifications(sequenceNumbers, controllerContext.epochZkVersion)
}
}
  1. 去zk获取/isr_change_notification节点的所有zk节点
  2. 根据获取到的子节点路径,然后再去zk读取这些子节点的数据
  3. 第2步骤拿到的是分区号,这时候根据分区号去对应的/brokers/topics/{Topic名称}/partitions/{分区号}/state节点读取新的数据, 然后将新的数据重载到当前Controller的内存中。
  4. 向所有Broker发 UpdateMetadata 请求
  5. 删除/isr_change_notification节点下面的数据。

节点数据结构/isr_change_notification/isr_change_0000000001

Kafka的ISR收缩机制_zookeeper_02

5.Q/A

1.ISR的收缩,是由Controller来控制的,还是每台Broker都可以收缩?

每个Broker都会启动一个收缩定时任务,去监测 当前Broker里面所有在线的Leader分区, 是否有满足收缩条件, 然后进行收缩(写入zk节点信息),Controller角色的作用是在ISR传播的时候监测zk节点,去广播ISR变更了。

2.伸缩过程,会触发Leader选举吗

不会,伸缩只是ISR的变更。不涉及到Leader选举