一次 RocketMQ 顺序消费延迟的问题定位

青旅半醒 2022-10-11 15:57 179阅读 0赞

# 一次 RocketMQ 顺序消费延迟的问题定位 #

## 问题背景与现象 ##

昨晚收到了应用报警，发现线上某个业务消费消息延迟了 54s 多（从消息发送到MQ 到被消费的间隔）：

2021-06-30T23:12:46.756 message processing is incredibly delayed! (Current delay time: 54725, incredible delay count in 10 seconds: 5677)

查看 RocketMQ 的监控，发现确实发生了比较多的消息积压：  
![image][]

从 RocketMQ-Console 上面查看 Topic 的消费者：  
![image][image 1]

这个 Topic，业务要求是**需要有序**的。所以在发送的时候，指定了**业务 Key**，并且消费的时候，使用的是**顺序消费模式**。

我们使用了 RocketMQ 集群，有三个 Broker，对于这个 Topic，每个 Broker 上面都有 8 个 ReadQueue 和 WriteQueue。这里简单提一下 ReadQueue 和 WriteQueue 的意思：

在 RocketMQ 中，**消息发送时使用 WriteQueue 个数返回路由信息**，**而消息消费时按照 ReadQueue 个数返回路由信息**。在物理文件层面，只有 WriteQueue 才会创建文件。举个例子：设置 WriteQueueNum = 8，ReadQueueNum = 4，会创建 8 个文件夹，代表 0 1 2 3 4 5 6 7 这 8 个队列，但在消息消费时，路由信息只返回 4，在具体拉取消息时，就只会消费0 1 2 3 这 4 个队列中的消息，4 5 6 7 压根就没有被消费。反过来，如果设置 WriteQueueNum = 4，ReadQueueNum = 8，在生产消息时只会往0 1 2 3中生产消息，消费消息时则会从0 1 2 3 4 5 6 7 所有的队列中消费，当然 4 5 6 7中压根就没有消息 ，假设消费是 Group 消费，Group 中有两个消费者，事实上只有第一个消费者在真正的消费消息(0 1 2 3)，第二个消费者压根就消费不到消息(4 5 6 7)。**一般我们都会设置这两个值相同**，只有在需要缩容 topic 的队列数量的时候，才会设置他们不同。

## 问题分析 ##

首先联想到的是，是否是**消费线程卡住了呢**？**线程卡住一般因为**：

1.  发生了 Stop-the-wolrd：
2.  GC 导致
3.  其他 safepoint 原因导致（例如 jstack，定时进入 safepoint 等等，参考我的这篇文章[JVM相关 - SafePoint 与 Stop The World 全解][JVM_ - SafePoint _ Stop The World]）
4.  线程处理消息时间过长，可能有锁获取不到，可能卡在某些 IO

采集当时的 **JFR**（关于 JFR，请参考我的另一系列[JFR全解][JFR]），发现：

1.  在这个时间段并没有发生**停滞时间很长**的 GC 以及其他 Stop-the-world 的 safepoint 事件：

![image][image 2]

![image][image 3]

1.  在这段时间，线程是 park 的，并且堆栈显示是**消费线程并没有消息可以消费**：  
    ![image][image 4]

既然应用并没有什么问题，我们来看看 RocketMQ 是否有什么问题。一般的 RocketMQ Broker 的日志我们关心：

1.  消息持久化的时间消耗统计，如果这里发生异常，我们需要调优 Java MMAP 相关的参数，请参考：
2.  消息持久化异常，查看 storeerr.log
3.  锁异常，查看 lock.log

那究竟应该去看哪一个 broker 呢？之前提到了，发送到这个 Topic 是指定了 hashKey 的，通过消息的 hashKey 我们可以定位到是哪个 broker：

int hashCode = "我们的hashKey".hashCode();
    log.info("{}", Math.abs(hashCode % 24));

我们找到了消息的 hashKey，通过上面的代码，结果是 20，也就是队列 20，通过前面的描述，**我们知道每个 broker 是 8 个队列，20 对应的就是 broker-2 上面的队列**，也就是 **broker-2 queueId = 5 这个队列**。我们来查看 broker-2 上面的日志定位问题。

我们发现 lock.log 里面有异常，如下所示，类似的有很多条，并且持续了 54s 左右，和线程 park 时间比较吻合，也和消息延迟比较吻合：

2021-07-01 07:11:47 WARN AdminBrokerThread_10 - tryLockBatch, message queue locked by other client. Group: 消费group OtherClientId: 10.238.18.6@29 NewClientId: 10.238.18.122@29 MessageQueue [topic=消息topic, brokerName=broker-2, queueId=5]

这个日志的意思是，`10.238.18.122@29` 这个实例尝试锁住 queueId = 5 失败，因为 `10.238.18.6@29` 正在持有这个锁。那么为什么会发生这种情况呢？

## RocketMQ 多队列顺序消费的原理 ##

RocketMQ 想要实现多队列顺序消费，首先需要指定 hashKey，通过 hashKey 消息会被放入特定的队列，消费者消费这个队列的时候，如果指定了顺序消费，是**单线程消费**的，这样就保证了同一队列内有序。

那么是如何保证每个队列是单线程消费的呢？每个 Broker 维护一个：

private final ConcurrentMap<String/* group */, ConcurrentHashMap<MessageQueue, LockEntry>> mqLockTable =
            new ConcurrentHashMap<String, ConcurrentHashMap<MessageQueue, LockEntry>>(1024);

他是一个 `ConcurrentMap<消费组名称, ConcurrentHashMap<消息队列, 锁对象>>`。锁对象 LockEntry 包括：

[`RebalanceLockManager.java`][RebalanceLockManager.java]:

//读取 rocketmq.broker.rebalance.lockMaxLiveTime 这个环境变量，默认 60s
    private final static long REBALANCE_LOCK_MAX_LIVE_TIME = Long.parseLong(System.getProperty(
            "rocketmq.broker.rebalance.lockMaxLiveTime", "60000"));
    static class LockEntry {
        //RocketMQ 客户端唯一 id
        private String clientId;
        private volatile long lastUpdateTimestamp = System.currentTimeMillis();
        
        //省略getter setter
        
        public boolean isLocked(final String clientId) {
            boolean eq = this.clientId.equals(clientId);
            return eq && !this.isExpired();
        }
    
        public boolean isExpired() {
            // 在 REBALANCE_LOCK_MAX_LIVE_TIME 这么长时间后过期
            boolean expired =
                (System.currentTimeMillis() - this.lastUpdateTimestamp) > REBALANCE_LOCK_MAX_LIVE_TIME;
    
            return expired;
        }
    }

RocketMQ 客户端发送 **LOCK\_BATCH\_MQ** 请求到 Broker 上面，Broker 会将客户端请求封装成为 LockEntry 并尝试更新这个 Map，如果更新成功就是获取到了锁，如果失败则没有获取这个锁。Broker 的详细更新逻辑是（**感兴趣可以查看，也可以直接跳过，不影响理解，后面有便于理解的图片**）：

public boolean tryLock(final String group, final MessageQueue mq, final String clientId) {
        //判断没有已经锁住
        if (!this.isLocked(group, mq, clientId)) {
            try {
                //获取锁，这个锁是实例内的，因为每个 broker 维护自己的队列锁表，并不共享
                this.lock.lockInterruptibly();
                try {
                    //尝试获取，判断是否存在，存在就判断是否过期
                    ConcurrentHashMap<MessageQueue, LockEntry> groupValue = this.mqLockTable.get(group);
                    if (null == groupValue) {
                        groupValue = new ConcurrentHashMap<>(32);
                        this.mqLockTable.put(group, groupValue);
                    }
                    
                    LockEntry lockEntry = groupValue.get(mq);
                    if (null == lockEntry) {
                        lockEntry = new LockEntry();
                        lockEntry.setClientId(clientId);
                        groupValue.put(mq, lockEntry);
                        log.info("tryLock, message queue not locked, I got it. Group: {} NewClientId: {} {}",
                            group,
                            clientId,
                            mq);
                    }
    
                    if (lockEntry.isLocked(clientId)) {
                        lockEntry.setLastUpdateTimestamp(System.currentTimeMillis());
                        return true;
                    }
    
                    String oldClientId = lockEntry.getClientId();
    
                    if (lockEntry.isExpired()) {
                        lockEntry.setClientId(clientId);
                        lockEntry.setLastUpdateTimestamp(System.currentTimeMillis());
                        log.warn(
                            "tryLock, message queue lock expired, I got it. Group: {} OldClientId: {} NewClientId: {} {}",
                            group,
                            oldClientId,
                            clientId,
                            mq);
                        return true;
                    }
                    //这里就是我们刚刚看到的日志
                    log.warn(
                        "tryLock, message queue locked by other client. Group: {} OtherClientId: {} NewClientId: {} {}",
                        group,
                        oldClientId,
                        clientId,
                        mq);
                    return false;
                } finally {
                    this.lock.unlock();
                }
            } catch (InterruptedException e) {
                log.error("putMessage exception", e);
            }
        } else {
    
        }
    
        return true;
    }
    //判断是否是已经锁住了
    private boolean isLocked(final String group, final MessageQueue mq, final String clientId) {
        //通过消费组名称获取
        ConcurrentHashMap<MessageQueue, LockEntry> groupValue = this.mqLockTable.get(group);
        //如果不为 null
        if (groupValue != null) {
            //尝试获取 lockEntry，看是否存在
            LockEntry lockEntry = groupValue.get(mq);
            if (lockEntry != null) {
                //如果存在，判断是否过期
                boolean locked = lockEntry.isLocked(clientId);
                if (locked) {
                    lockEntry.setLastUpdateTimestamp(System.currentTimeMillis());
                }
    
                return locked;
            }
        }
    
        return false;
    }

每个 MQ 客户端，会定时发送 **LOCK\_BATCH\_MQ** 请求，并且在本地维护获取到锁的所有队列：

[`ProcessQueue.java`][ProcessQueue.java]:

//定时发送 **LOCK_BATCH_MQ** 间隔
    public final static long REBALANCE_LOCK_INTERVAL = Long.parseLong(System.getProperty("rocketmq.client.rebalance.lockInterval", "20000"));

[`ConsumeMessageOrderlyService.java`][ConsumeMessageOrderlyService.java]:

if (MessageModel.CLUSTERING.equals(ConsumeMessageOrderlyService.this.defaultMQPushConsumerImpl.messageModel())) {
        this.scheduledExecutorService.scheduleAtFixedRate(new Runnable() {
            @Override
            public void run() {
                ConsumeMessageOrderlyService.this.lockMQPeriodically();
            }
        }, 1000 * 1, ProcessQueue.REBALANCE_LOCK_INTERVAL, TimeUnit.MILLISECONDS);
    }

**流程图如下所示**：

![image][image 5]

`ConsumeMessageOrderlyService` 在关闭的时候，会 unlock 所有的队列：

public void shutdown() {
        this.stopped = true;
        this.scheduledExecutorService.shutdown();
        this.consumeExecutor.shutdown();
        if (MessageModel.CLUSTERING.equals(this.defaultMQPushConsumerImpl.messageModel())) {
            this.unlockAllMQ();
        }
    }

## 问题出现原因 ##

我们这里客户端定时发送 **LOCK\_BATCH\_MQ** 间隔是默认的 20s， Broker 端锁过期的时间也是默认的 60s。

我们的集群容器编排使用了 k8s，并且有实例迁移的功能。在集群压力大的时候，自动扩容新的 Node （可以理解为虚拟机）并将创建新的服务实例部署上去。集群某些服务压力小的时候，某些服务实例会缩容下去，这时候就不需要那么多 Node 了，就会回收一部分 Node，但是被回收的 Node 上面还有不能缩容的服务实例，**这时候就需要将这些服务实例迁移到其他 Node 上面**。这里我们的业务实例就是发生了这个情况。

在问题出现的时候，发生了**迁移**，老的实例被关闭，但是没有等待 **ConsumeMessageOrderlyService\#shutdown** 的执行，**导致锁没有被主动释放，而是等待 60s 的锁过期时间后，新的实例才拿到队列锁开始消费**。

## 问题解决 ##

1.  在下个版本，加入针对 RocketMQ 客户端的优雅关闭逻辑
2.  所有服务实例（RocketMQ 客户端）配置 `rocketmq.client.rebalance.lockInterval` 缩短心跳时间（5s），RocketMQ Broker 配置 `rocketmq.broker.rebalance.lockMaxLiveTime` 缩短过期时间（例如 15s），但是保持过期时间是心跳时间的 3 倍（集群中的 3 倍设计公理）

> **微信搜索“我的编程喵”关注公众号，每日一刷，轻松提升技术，斩获各种offer**：

> ![image][image 6]

[image]: /images/20221005/1c2b672eb9054974a1ac535d632c657b.png
[image 1]: /images/20221005/ddb4f1497222416cb2d39002d5883993.png
[JVM_ - SafePoint _ Stop The World]: https://juejin.cn/post/6854573211968143373
[JFR]: https://www.zhihu.com/column/c_1264859821121355776
[image 2]: /images/20221005/639c036e586240ef9808a60a753a4520.png
[image 3]: /images/20221005/f65afaec1609486f8d37b6c86716d189.png
[image 4]: /images/20221005/be714964b305482db50fa5ab49e960b0.png
[RebalanceLockManager.java]: https://github.com/apache/rocketmq/blob/master/broker/src/main/java/org/apache/rocketmq/broker/client/rebalance/RebalanceLockManager.java
[ProcessQueue.java]: https://github.com/apache/rocketmq/blob/master/client/src/main/java/org/apache/rocketmq/client/impl/consumer/ProcessQueue.java
[ConsumeMessageOrderlyService.java]: https://github.com/apache/rocketmq/blob/master/client/src/main/java/org/apache/rocketmq/client/impl/consumer/ConsumeMessageOrderlyService.java
[image 5]: /images/20221005/9fb22af9b82244eabbcc90dae89f93cf.png
[image 6]: /images/20221005/36fd53f30b8148d298621ba91bf82472.png