Kafka-Consumer高CPU问题分析

一、当前配置

Flink：版本1.4

Flink-Kafka-Connector：0.10.x

Kafka-Brokers:3个

Topic-Partitoins:3个

Topic-Replication:2个

二、现象描述

Flink通过Kafka-Connector连接Kafka消费数据，当Kafka异常，Broker节点不可用时，Kafka的Consumer线程会把Flink进程的CPU打爆至100%其中：

• 一个节点不可用时：Flink可以恢复
• 二个节点不可用时：CPU持续100%
• 三个节点不可用时：CPU持续100%

三、问题分析：

CPU持续高，首先想到是Flink在消费数据时没有对异常进行处理，频繁异常打爆了CPU，我们去检查Flink的输出日志，输出日志并没有找到有价值的信息，初次分析宣告失败。

没办法，只能用动用大杀器，分析下进程的CPU占用了线程以及堆栈

1、查看占用CPU高的进程，确认无误这些进程全是Flink的JOP

 

 

 

2、打印进程堆栈

jstack 10348>> 10348.txt     得到进程的所有线程堆栈信息。

3、查找占用CPU高的线程

ps -mp pid -o THREAD,tid,time 查找占用cpu搞的线程

4、查看线程堆栈，发现大部分错误集中在KafkaConsumer.poll方法上。

 

 

到这基本可以定位原因了，应该是Kafka的ConsumerPoll方法导致CPU高。

围绕KafkaConsumer需要指定排查计划，主要是两个方向

1、Kafka和Flink跟Poll相关的参数调整。

2、Kafka和Flink对Kafka消费时是否有Bug。

中间确实尝试了好多条路，其中

1、验证调整了KafkaConsumer的max.poll.interval.ms参数，不起作用。

2、Kafka的相关Jop并没有进行重启，所以不需要调整Flink重试相关的参数。

3、调整Flink的flink.poll-timeout参数，不起作用。

最终发现，原来是Kafka-Consumer0.10版本的一个Bug。

详细的Bug描述如下：https://issues.apache.org/jira/browse/KAFKA-5766。

有了Bug解决起来就迅速多了，根据Bug制定解决验证方案：

1、升级Flink的Kafka-ConnnectorAPI。

2、调整reconnect.backoff.ms参数。

此时升级Flink的Kafka-Connector就解决了该问题。

中间还出现一个小插曲：因为我们的复制因子是2，当其中两个节点宕机后，CPU也暴增到100%。增加了不少弯路。后分析，只有两个复制因子，1个Parition分布在两个Broker上，假如两个Broker宕机，其实是和三个集群宕机影响是一样的。

三、事后总结

1、Kafka-Topic的复制因子和分区要根据实际需要需求设置。假如有三个节点，重要的业务Topic建议分区3个，复制因子3个，用性能换稳定。

2、Kafka的0.10版的Consumer消费时，有Bug，Broder节点异常关闭时，Client会打爆CPU，0.11及以上修复。

3、Flink版本的Kafka-Connector，0.11可以消费0.10的Kafka.