kafka ack hw isr 记录_kafka ack和hw

Kafka 选择了第二种方案，原因如下：

        1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1

个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。

        2.虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小

2）ISR（保证数据的可靠性，leader 挂掉后从follower中选取leader）
        采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，        

        leader 就会给 follower 发送 ack。如果 follower长时间 未 向 leader 同 步 数 据 ， 则 该 follower 将 被 踢 出 ISR ， 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

        0.9 之前进入ISR 机制

                两个指标 1. follower 条数与leader 条数差距小的， 2：是时间 与kafka leader 交互时间快的follower

         0.9之后：

                只保留了一个指标就是时间，干掉了了第一个指标

         移除原因(条数限定指标名称（0.9之前）：replica.lag.max.messages:超过就移除isr)：

                首先ISR 维护在内存中， 同时ZK中也会维护一分，数据来源是kafka写入到ZK中，假设replica.lag.max.messages限定值是10条， 客户端每次批量提交12条那么所有的follower 与leader 之前的差距都大于设定值， 此时所有的follower 都将移除，同时会操作zk中的数据，与客户端不可能只操作一次，所有 就会导致ISR 频繁的移除，添加与操作ZK

3）ack 应答机制

        对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失所以没必要等 ISR 中的 follower 全部接收成功。

        所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡选择以下的配置。

acks 参数配置：

        acks：

                0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；

                1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 followe同步成功之前 leader 故障，那么将会丢失数据；

                     leader 挂掉 副本还没同步完成

                

                -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower （ISR中）全部落盘成功后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复。

                重复数据（所有的leader ，follower 同步完成但是还没有发送ack 此时重新选择了一个leader 客户端重新发送一分数据，导致数据重复）

                

               极限情况也有可能丢数据，比如  有个1leader 2个follower，但是follower 同步数据很慢不在ISR中，ISR中只有一个leader ， 此时-1 就退化成1， leader 同步完成就会返回ack，

故常处理：

        

LEO：指的是每个副本最大的 offset；

HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。

        （1）follower 故障follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。

        （2）leader 故障leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的 数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader同步数据。
        注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

3 Exactly Once 语义
         将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At
Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被
发送一次，即 At Most Once 语义。
         At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once
可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说
交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。在 0.11 版
本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局
去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
         0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论
向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语
义，就构成了 Kafka 的 Exactly Once 语义。即：
        At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka
的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在
初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而
Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只
会持久化一条。
        但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨
分区跨会话的 Exactly Once。