以下内容摘自雪球，在公司内部的docs上的内容总结，部分隐私信息已经处理改动
背景：
在进行服务上云的时候发生了性能损耗问题，一步步从网络带宽问题、JDK版本问题、公网时延问题、CPU和内存问题走了很多弯路，最后才定位到kafka-producer，当然这也是由于业务排查过程中对于机房之间时延的几毫秒不重视造成
问题：
对服务本地机房和阿里云压测时，压测结果如下
| 本地机房 | 阿里云 |
|---|---|
| TPS：150K | TPS：3K |
从可以看到的问题就是阿里云的TPS比本地的机器低好几倍，
解决：
JDK版本统一，外网带宽绝对大于服务历史峰值，公网时延检测，CPU进行了4核8核的比对（不是性能的瓶颈，因为相同线程数和CPU的使用率都没升上去），内存进行了8GB和16GB对比（因为担心对外内存，合着堆外内存也就占了几MB，也没有FullGC）
以上一大通花费了大量时间之后，业务代码里面有一个推送状态回传的操作，需要将消息发送至kafka，之前一直监控了kafka-consumer（consumer是批量拉取的，而且频率不高所以各项指标都很正常）。但是把kafka-producer的监控指标给忽略了，通过方法耗时统计，找到了性能损耗发生在kafka-producer状态回传，以下内容主要是深入的解析kafka-producer的运行原理并评估在双机房下对性能的影响
1.一条消息发送的过程：send阶段→batching阶段→await-send阶段→inflight阶段→retry阶段
max.block.ms：控制KafkaProducer.send()和KafkaProducer.partitionsFor()的阻塞时间，如果消息速度大于producer交付到server端的阻塞时间, 将会抛出异常
batch.size：默认16Kb，太小降低吞吐率
linger.ms：默认0ms没有延迟，正常情况下想要减小请求的数量，合理设置类似TCP中的Nagle算法，当然batch.size优先
2.服务压测下性能比对
（注意到这一步，已经定位到时机房间的时延问题，主要对比时延的影响，以及如何优化）
| html batch-size | ```html
linger-ms
| ---------------------- | --------------------- | ------------- | ---------- | --------- |
| 默认值(16K) | 默认值(0ms) | 100 | 327 | 231 |
| | | 1000 | 3516 | 779 |
| | | 10000 | 37102 | 7474 |
| 32K | 0ms | 100 | 515 | 248 |
| | | 1000 | 3934 | 914 |
| | | 10000 | 40719 | 7526 |
| 64K | 0ms | 100 | 380 | 118 |
| | | 1000 | 3577 | 695 |
| | | 10000 | 37753 | 6665 |
| 64K | 5ms | 100 | 468 | 132 |
| | | 1000 | 4014 | 654 |
| | | 10000 | 38457 | 6524 |
| 64K | 10ms | 100 | 388 | 199 |
| | | 1000 | 3967 | 1018 |
| | | 10000 | 39671 | 6338 |
| 160K | 100ms | 100 | 461 | 184 |
| | | 1000 | 4187 | 1032 |
| | | 10000 | 40235 | 7253 |
不要盲目的调大这俩参数，可以看到当batch-size增大对producer有一定的性能提升，但是linger-ms对性能的提升不符合理论依据（本次实验的数据不一定能说明问题）
3.问：但是producer是异步的，怎么调大了batch-size作用还是不大？
答：原因是producer的Record在进入Accumulator之前，首先会先从bootstrap servers获取最新的topic-partition信息，这个过程会阻塞生产线程，直到MetadataRequest完成。所以每一个metadata消耗一个延迟，那么随着消息数量的递增，延时将会被无限放大（这里就在想，怎么来控制metadata的有效期，不要每次都从server端获取就好了）
**KafkaProducer.ClusterAndWaitTime waitOnMetadata方法** 展开源码
```java
private KafkaProducer.ClusterAndWaitTime waitOnMetadata(String topic, Integer partition, long maxWaitMs) throws InterruptedException {
this.metadata.add(topic);
Cluster cluster = this.metadata.fetch();
Integer partitionsCount = cluster.partitionCountForTopic(topic);
if (partitionsCount == null || partition != null && partition >= partitionsCount) {
long begin = this.time.milliseconds();
long remainingWaitMs = maxWaitMs;
long elapsed;
do {
this.log.trace("Requesting metadata update for topic {}.", topic);
this.metadata.add(topic);
int version = this.metadata.requestUpdate();
this.sender.wakeup();
try {
this.metadata.awaitUpdate(version, remainingWaitMs);
} catch (TimeoutException var15) {
throw new TimeoutException("Failed to update metadata after " + maxWaitMs + " ms.");
}
cluster = this.metadata.fetch();
elapsed = this.time.milliseconds() - begin;
if (elapsed >= maxWaitMs) {
throw new TimeoutException("Failed to update metadata after " + maxWaitMs + " ms.");
}
if (cluster.unauthorizedTopics().contains(topic)) {
throw new TopicAuthorizationException(topic);
}
remainingWaitMs = maxWaitMs - elapsed;
partitionsCount = cluster.partitionCountForTopic(topic);
} while(partitionsCount == null);
if (partition != null && partition >= partitionsCount) {
throw new KafkaException(String.format("Invalid partition given with record: %d is not in the range [0...%d).", partition, partitionsCount));
} else {
return new KafkaProducer.ClusterAndWaitTime(cluster, elapsed);
}
} else {
return new KafkaProducer.ClusterAndWaitTime(cluster, 0L);
}
}
~~metadata.max.age.ms：就是这个参数，控制着metadata的有效时间，把它调大就好了 ~~ （错误，这个意思理解错了）
在一个函数中有这么一个调用关系：
1.把needUpdate置为true
2.唤起sender
3.阻塞awaitUpdate
也就是说当Sender成功更新meatadata之后，version加1。否则会wait个maxWaitMs时间，欲哭无泪丧尽天良，每次都要强制从server端获取过metadata之后才允许往下一步进行。。。。
Metadata的awaitUpdate方法毁灭了我的幻想 展开源码
public synchronized void awaitUpdate(int lastVersion, long maxWaitMs) throws InterruptedException {
if (maxWaitMs < 0L) {
throw new IllegalArgumentException("Max time to wait for metadata updates should not be < 0 milliseconds");
} else {
long begin = System.currentTimeMillis();
long elapsed;
for(long remainingWaitMs = maxWaitMs; this.version <= lastVersion; remainingWaitMs = maxWaitMs - elapsed) {
AuthenticationException ex = this.getAndClearAuthenticationException();
if (ex != null) {
throw ex;
}
if (remainingWaitMs != 0L) {
this.wait(remainingWaitMs);
}
elapsed = System.currentTimeMillis() - begin;
if (elapsed >= maxWaitMs) {
throw new TimeoutException("Failed to update metadata after " + maxWaitMs + " ms.");
}
}
}
}
结论：
只要时延存在，没有银弹
只不过会在低请求时不会暴露问题，而随着请求数的增长，这个时延问题会一直被放大（xueqiu-push项目中50个以下就看不出来）
目前对于这个问题的解决路径是调大了metadata的expired-time，让producer在异步send的时候不在waitOnMetadata方法阻塞太长时间 （错误，这个意思理解错了，请看上面解释）
所以要么在外面再添加一层异步调用，要么把kafka的server给换成本地的，网络延时kafka-client-1.X版本下目前还是会阻塞业务的
that's all！注意kafka的所有参数都有用，辛亏把matric监控指标打的全！！！！！欧耶！！
