本文系微博运维数据平台（DIP）在Flume方面的优化扩展经验总结，在使用Flume FileChannel的场景下将吞吐率由10M/s~20M/s提升至80M/s~90M/s，分为四个部分进行介绍：
- 应用场景
- Flume实例架构
- Flume调试及优化扩展
- Flume Todo
- 生产环境部署
1. 应用场景
我们的应用场景是一个典型的实时数据传输（接收）过程，架构图如下：
包括三个组件：
（1）ServiceServer ScribeClient：业务产生的日志以“Log”的形式写入业务部署服务器的本地磁盘，然后通过ScribeClient传输至我们的Flume集群；
（2）Flume：使用多个Flume实例构建Flume集群，通过动态域名、VIP对外提供服务；其中，每一个Flume实例使用ScribeSource接收ServcieServer ScribeClient传输过来的日志数据，然后使用FileChannel将ScribeSource接收过来的数据以“事务”的形式持久化至本地磁盘，最近通过KafkaSink将FileChannle中的数据输出至Kafka集群；
（3）Kakfa：Kafka集群接收Flume集群传输过来的日志数据，用于后续的实时计算；
可以看出，以上整个过程就是日志实时写入Kafka集群的过程，有几点需要特殊说明：
（1）既然是实时数据传输，为什么不直接通过Kafka Producer API（或基于此实现的开源组件）将日志数据直接写入Kafka集群，而是使用Scribe间接传输数据？
假设我们有一个Web服务，需要将Web的访问日志实时写入Kafka集群，这个可以通过Log4j扩展实现（不确定是否已有开源组件支持），这种方式数据实时性较强，但是Kafka集群运行过程中一旦出现异常（如：网络流量波动）会直接影响该Web服务的运行状态，进而影响线上业务，因此不能使用这种直接传输的方式；
Scribe可以在数据接收服务（这里特指Flume集群，也可以是Kafka）出现异常或不可用的情况下，暂时将数据缓存至本地磁盘，待数据接收服务恢复之后，继续数据传输；虽然数据传输的实时性有所损耗，但整个数据传输过程更加可靠，而且避免了数据传输对线上服务的影响，因此使用这种间接传输的方式。
（2）Flume为什么使用FileChannel，而不使用吞吐率更高的MemoryChannel？
MemoryChannel使用内存存储事务，吞吐率极高，但基于内存的事务实现模式在Flume部署服务器宕机或Flume实例异常终止的情况下，所有存储在内存中的日志数据将全部丢失；另外，内存空间受限于RAM和JVM的约束，数据传输量波动（如数据量猛增）的情况下可能会引发异常；
FileChannel使用基于本地磁盘的事务实现模式，即使出现Flume部署服务器宕机或Flume实例异常终止的情况，因为接收到的日志数据都以事务的形式持久化至本地磁盘，可以在Flume实例恢复正常之后继续数据传输，不会有数据丢失的情况；而且本地磁盘相对于内存而言，存储空间比较富余，数据可靠性较强，因此使用FileChannel。
2. Flume实例架构
在我们的应用场景中，对于单独一个Flume实例而言，架构如下：
宏观上看，Flume实例内部仅有三个组件：ScribeSource、FileChannel、KafkaSink，实际上内部的结构还是比较复杂的，如下图所示：
这里先介绍两个比较重要的实例：
Receiver：Receiver是一个线程，对于Flume ScribeSource而言可以设置多个Receiver线程（通过指定ScribeSource workerThreads数值实现），它不断地将Flume ScribeSource接收到的数据以“事务”的形式写入FileChannel；
PollingRunner：PollingRunner也是一个线程，它不断地将FileChannel中的数据以“事务”的形式读取出来并写入Kafka；
对应的Flume配置文件：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = kafka_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = file
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDirs = /data0/flume/data
# define kafka sink
myagent.sinks.kafka_sink.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink.topic = mytopic
myagent.sinks.kafka_sink.brokerList = kafkahost:9092
myagent.sinks.kafka_sink.requiredAcks = 1
myagent.sinks.kafka_sink.batchSize = 1000
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel
myagent.sinks.kafka_sink.channel = file_channel
3. Flume调试及优化扩展
为了方便Flume的调试，我们自己开发模拟了一个Scrbie Client Simulator实例，可以兼容Scribe通信协议，以每秒大约90M/s的速率输出数据至Flume（这里特指单实例Flume），其中模拟的日志数据来源于我们平台常见的业务数据，后续的讨论均建立在这个Scribe Client Simulator实例的基础上。
3.1 ScribeSource
ScribeSource中有一个非常重要的配置属性“workerThreads”，如上所述，它的值被设定为5，那么这个值是如何得出的呢，它又会产生什么样的作用？
ScribeSource中的每一个WorkerThread就是一个Receiver实例，即“workerThreads”的值决定着ScribeSource中有几个Receiver实例，有多少个Receiver实例直接影响着ScribeSource接收数据的速率，调试过程如下：
（1）为了避免Channel自身的性能瓶颈对ScribeSource的影响，我们这里使用吞吐率极高的MemoryChannel；
（2）为了避免Sink自身的性能瓶颈对ScribeSource、MemoryChannel的影响，我们这里使用NullSink，它会将消费到的数据直接丢弃；
经过上述两步，我们可以认为Flume ScribeSource的调试过程中完全可以忽略MemoryChannel、NullSink的影响。
（3）启动Scrbie Client Simulator实例，使它不断地往我们的Flume实例写入数据，观察Flume实例部署机器的网络写入流量情况，进而调整“workerThreads”值的大小（建议数值从1开始，逐渐增大），使该机器的网络写入流量达到业务需求；
根据我们场景的具体情况，经过上述三步的测试，最终将ScribeSource workerThreads的值选定为5，吞吐率大致为80~90M/s，这是我们认为的一个理想峰值。
Flume配置如下：
myagent.sources = scribe_source
myagent.channels = memory_channel
myagent.sinks = null_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define memory channel
myagent.channels.memory_channel.type = memory
myagent.channels.memory_channel.capacity = 10000
myagent.channels.memory_channel.transactionCapacity = 10000
myagent.channels.memory_channel.byteCapacityBufferPercentage = 20
myagent.channels.memory_channel.byteCapacity = 800000
# define null sink
myagent.sinks.null_sink.type = null
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = memory_channel
myagent.sinks.null_sink.channel = memory_channel
3.2 FileChannel
3.2.1 默认FileChannel
经过3.1的测试之后，我们可以认为Flume ScribeSource不存在接收数据的性能瓶颈，接下来开始调试FileChannel，关于使用FileChannel的原因可以参考1.（2）。
在3.1Flume配置的基础之上，修改为FileChannel，其余配置保持不变，如下：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = null_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = file
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDirs = /data0/flume/data
# define null sink
myagent.sinks.null_sink.type = null
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = memory_channel
myagent.sinks.null_sink.channel = memory_channel
再次重复3.1的调试过程，使用Scrbie Client Simulator实例进行数据写入测试时， 我们发现Flume实例部署机器的网络写入流量下降很多，大约只有10M/s~20M/s。可以看出，在吞吐率方面，FileChannel与MemoryChannel之间有很大的差距。我们来分析一下具体的原因。
根据2.中的Flume实例架构图，我们可以大致得出ScribeSource中的某一个Receiver与FileChannel的交互流程，如下图：
Receiver的工作实际是一个将数据循环写入FileChannel的过程，每一次的循环可以理解为一个指处理（批量写入），每一次的批处理都需要经过以下几个步骤：
（1）获取FileChannel的事务——getTransaction；
（2）打开事务——begin；
（3）批量写入数据——put；
（4）提交或回滚事务——commit or rollback；
（5）关闭事务——close；
经过对Flume FileChannel相关源码的分析，导致FileChannel吞吐率下降的主要原因集中于事务的提交过程——commit，有以下两点：
（1）锁竞争，从上图中可以看出，Receiver的每一次批量写入过程中都会涉及到事务提交（不考虑异常回滚的情况），事务提交的内部过程涉及到读锁或写锁的“加锁”操作，多个Receiver（WorkerThread线程）共存的情况下锁竞争的情况就会比较严重；
（2）Writer sync，FileChanel是基于本地磁盘实现的事务模式，每一次事务的提交都会伴随着一次“sync”，众所周知，“sync”是一种系统性能开销比较大的操作；
综合上述两点，我们可以得出，多个Receiver的存在导致FileChannel存在资源竞争的问题（多个Receiver之间无法安全的共享一个FileChannel的事务），因为需要加锁，必然带来相互之间锁的竞争；某一个Receiver获得锁之后，又需要进行系统性能开销比较大的“sync”操作，且耗时相对较长，这就意味着该Receiver从获取锁到释放锁的过程会花费比较长的时间，在这段时间内该Receiver独占FileChannel，其它Receiver只能处于阻塞状态，直至可以获取到锁；基于上述两个原因，导致FileChannel在多Receiver的环境下吞吐率严重下降。
3.2.2 扩展FileChannel
FileChannel的实现过程是比较复杂的，直接优化FileChannel的代码不太现实，那么是否可以通过多个FileChannel的方式来解决吞吐率严重下降的问题呢？如果FileChannel的数目大于或等于ScribeSource Receiver的数目，ScribeSource Receiver使用“哈希”（Hash）的方式来选取FileChannel，就可以避免ScribeSource Receiver之间相互竞争FileChannel资源，如下图所示：
虽然对于某一个FileChannel来说，与它交互的Receiver依然要经过获取锁——sync——释放锁的过程，但多个Receiver之间是并行的，总体上吞吐率得到提升。
那么如何实现这个方案呢？这里我们需要用到Flume提供的“Custom Channel Selector”机制，即实现我们自己的“Channel Selector”，代码如下：
这里有两个关键点：
（1）随机code的生成，目前代码实现提供两种选择：event.getBody().hashCode()或者System.currentTimeMillis()；
（2）根据随机code的值对FileChannel的数目取余（哈希），从而选取出一个FileChannel并返回；
那么如何使用上述方案及自己的扩展呢？Flume配置文件如下：
myagent.sources = scribe_source
myagent.channels = file_channel file_channel2 file_channel3
myagent.sinks = kafka_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
myagent.sources.scribe_source.selector.type = com.weibo.dip.flume.extension.channel.selector.HashChannelSelector
# define file channel
myagent.channels.file_channel.type = file
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDirs = /data0/flume/data
# define file channel2
myagent.channels.file_channel2.type = file
myagent.channels.file_channel2.checkpointDir = /data0/flume/checkpoint2
myagent.channels.file_channel2.dataDirs = /data0/flume/data2
# define file channel3
myagent.channels.file_channel3.type = file
myagent.channels.file_channel3.checkpointDir = /data0/flume/checkpoint3
myagent.channels.file_channel3.dataDirs = /data0/flume/data3
# define kafka sink
myagent.sinks.kafka_sink.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink.topic = mytopic
myagent.sinks.kafka_sink.brokerList = kafkahost:9092
myagent.sinks.kafka_sink.requiredAcks = 1
myagent.sinks.kafka_sink.batchSize = 1000
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel file_channel2 file_channel3
myagent.sinks.kafka_sink.channel = file_channel
配置中需要显示指定使用我们自己扩展的“Channel Selector”：myagent.sources.scribe_source.selector.type = com.weibo.dip.flume.extension.channel.selector.HashChannelSelector；然后指定三个FileChannel，并分别关联至ScribeSource和NullSink。
经过我们的测试大概需要10-12个FileChannel（注意：这里的数值考虑了后续的KafkaSink，详情见后），吞吐率即可达到80~90M/s。
FileChannel的吞吐率虽然得到提升，但是这么多的FileChannel使用上述逐个配置FileChannel的方式是极其不方便维护的，应该只使用一个“FileChannel”，如下图：
我们应该利用Flume提供的“Custom Channel”机制，自己扩展一个“FileChannel”，取名为MultithreadingFileChannel，使其内部包含多个FileChannel，从而达到简化配置的目的，核心源码如下：
MultithreadingFileChannel不再需要“Channel Selector”的参与，自身内部封装了FileChannel之间的“哈希”处理逻辑，具体体现在创建事务（createTransaction）的过程中。
使用MultithreadingFileChannel的Flume配置如下：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = null_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = com.weibo.dip.flume.extension.channel.MultithreadingFileChannel
amyagent.channels.file_channel.channels = 12
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDir = /data0/flume/data
# define null sink
myagent.sinks.null_sink.type = null
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel
myagent.sinks.null_sink.channel = file_channel
3.2.3 KafkaSink
经过3.1、3.2的调试过程之后，我们可以认为Flume ScribeSource、MultithreadingFileChannel不存在性能瓶颈，接下来开始调试KafkaSink。
我们将3.2.2中的NullSink替换为KafkaSink，如下图：
Flume配置文件如下：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = kafka_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = com.weibo.dip.flume.extension.channel.MultithreadingFileChannel
amyagent.channels.file_channel.channels = 12
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDir = /data0/flume/data
# define kafka sink
myagent.sinks.kafka_sink.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink.topic = mytopic
myagent.sinks.kafka_sink.brokerList = kafkahost:9092
myagent.sinks.kafka_sink.requiredAcks = 1
myagent.sinks.kafka_sink.batchSize = 1000
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel
myagent.sinks.null_sink.channel = file_channel
启动调试过程后我们发现，Flume实例部署机器的网络写入流量大约为90M/s左右，而Kakfa实例（单机版）的网络写入流量（即Flume实例部署机器的网络写出流量）仅为60M左右。熟悉Kafka的同学可能知道，这并不是因为Kafka单机版实例导致的，究其原因，主要有以下几点：
（1）KafkaSink是一个单实例，它从MultithreadingFileChannel中读取数据时也需要事务的参与（实际上它是与MultithreadingFileChannel中的某一个FileChannel建立事务）；虽然ScribeSource与MultithreadingFileChannel FileChannels之间、MultithreadingFileChannel FileChannels与KafkaSink之间使用了“Channels Hash”机制，但不能完全排除“碰撞”发生的可能性；一旦“碰撞”发生，则表示“碰撞”发生期间，KafkaSink从MultithreadingFileChannel中读取不到任何数据；这也是为什么MultithreadingFileChannel中的FileChannels数目需要明显大于ScribeSource Receiver数目的原因；
（2）KafkaSink Producer也是一个单实例，也就是说只有一个Producer在写出数据，对吞吐率也会带来一定的影响；
参考3.2.2的方案，我们尝试使用多个KafkaSink实例来解决这个问题，如下图：
Flume配置文件如下：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = kafka_sink kafka_sink2 kafka_sink3
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = com.weibo.dip.flume.extension.channel.MultithreadingFileChannel
amyagent.channels.file_channel.channels = 12
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDir = /data0/flume/data
# define kafka sink
myagent.sinks.kafka_sink.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink.topic = mytopic
myagent.sinks.kafka_sink.brokerList = kafkahost:9092
myagent.sinks.kafka_sink.requiredAcks = 1
myagent.sinks.kafka_sink.batchSize = 1000
# define kafka sink2
myagent.sinks.kafka_sink2.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink2.topic = mytopic
myagent.sinks.kafka_sink2.brokerList = kafkahost:9092
myagent.sinks.kafka_sink2.requiredAcks = 1
myagent.sinks.kafka_sink2.batchSize = 1000
# define kafka sink3
myagent.sinks.kafka_sink3.type = org.apache.flume.sink.kafka.KafkaSink
myagent.sinks.kafka_sink3.topic = mytopic
myagent.sinks.kafka_sink3.brokerList = kafkahost:9092
myagent.sinks.kafka_sink3.requiredAcks = 1
myagent.sinks.kafka_sink3.batchSize = 1000
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel
myagent.sinks.kafka_sink.channel = file_channel
myagent.sinks.kafka_sink2.channel = file_channel
myagent.sinks.kafka_sink3.channel = file_channel
经过我们的测试大概需要8-10个KafkaSink，吞吐率即可达到80~90M/s，这么多的KafkaSink使用上述逐个配置KafkaSink的方式是极其不方便维护的，应该只使用一个“KafkaSink”，如下图：
MultithreadingKafkaSink与MultithreadingFileChannel不同，内部并不会包含多个KafkaSink，而是包含多个ChannelConsumer；每一个ChannelConsumer都从MultithreadingFileChannel读取数据并通过自身内部的Kafka Producer实例（也就是说，每一个ChannelConsumer实例都包含一个Kafka Producer实例）将数据写入Kakfa。
Flume配置文件如下：
myagent.sources = scribe_source
myagent.channels = file_channel
myagent.sinks = kafka_sink
# define scribe source
myagent.sources.scribe_source.type = org.apache.flume.source.scribe.ScribeSource
myagent.sources.scribe_source.port = 1466
myagent.sources.scribe_source.workerThreads = 5
# define file channel
myagent.channels.file_channel.type = com.weibo.dip.flume.extension.channel.MultithreadingFileChannel
amyagent.channels.file_channel.channels = 12
myagent.channels.file_channel.checkpointDir = /data0/flume/checkpoint
myagent.channels.file_channel.dataDir = /data0/flume/data
# define kafka sink
myagent.sinks.kafka_sink.type = com.weibo.dip.flume.extension.sink.MultithreadingKafkaSink
myagent.sinks.kafka_sink.topicHeaderName = category
myagent.sinks.kafka_sink.consumers = 10
myagent.sinks.kafka_sink.brokerList = kafkahost:9092
myagent.sinks.kafka_sink.batchSize = 1000
# Bind the source and sink to the channel
myagent.sources.scribe_source.channels = file_channel
myagent.sinks.null_sink.channel = file_channel
综上所述，通过我们的优化扩展和相应的参数调优，我们将ScribeClient、Flume（使用FileChannel）、Kafka之间的数据传输速率提升至80~90M/s。
4. Flume Todo
虽然ScribeClient、Flume、Kafka之间的数据传输速率经过我们的扩展优化之后达到我们的预设值，但扩展过程中引入的ScribeSource.Receivers、MultithreadingFileChannel、MultithreadingKafkaSink是否也会对Flume实例或Flume实例部署服务器带来一些问题，这里仅仅阐述一些可能出现的问题。
（1）ScribeSource.Receivers多个线程实例、MultithreadingKafkaSink.ChannelConsumers多个线程实例是否会导致Flume实例或Flume实例部署服务器CPU使用率或负载过高？
（2）MultithreadingFileChannel多个FileChannel的使用，是否会导致Flume实例部署服务器带来过多的磁盘开销？
5. 生产环境部署
（1）假设Flume集群的域名为flume.dip.weibo.com，端口为1466，ScribeClient通过该域名和端口发送数据；
（2）flume.dip.weibo.com指向若干个动态域名，这些动态域名依据不同的机房进行划分，如flume.cluster.dip.weibo.com、flume.cluster2.dip.weibo.com、flume.cluster3.dip.weibo.com；动态域名在这里的作用：不同的机房的ScribeClient在向flume.dip.weibo.com写入数据时，网络层面会自动根据ScribeClient所在的机房将数据导入至该机房对应的Flume动态域名，即：机房内数据传输；
（3）每一个动态域名被映射至一个VIP；
（4）每一个VIP被映射至多个Flume实例；（3）和（4）的作用体现在Flume故障转换和负载均衡。
备注：调试过程中我们发现，数据吞吐率达到80~90M/s时，JVM大致需要15G MEM。
