字節數據中臺 DataLeap 的 Data Catalog 系統通過接收 MQ 中的近實時消息來同步部分元數據。Apache Atlas 對于實時消息的消費處理不滿足性能要求，內部使用 Flink 任務的處理方案在 ToB 場景中也存在諸多限制，所以團隊自研了輕量級異步消息處理框架，很好的支持了字節內部和火山引擎上同步元數據的訴求。本文定義了需求場景，并詳細介紹框架的設計與實現。

1. 背景

1.1 動機

字節數據中臺 DataLeap 的 Data Catalog 系統基于 Apache Atlas 搭建，其中 Atlas 通過 Kafka 獲取外部系統的元數據變更消息。在開源版本中，每臺服務器支持的 Kafka Consumer 數量有限，在每日百萬級消息體量下，經常有長延時等問題，影響用戶體驗。

在 2020 年底，我們針對 Atlas 的消息消費部分做了重構，將消息的消費和處理從后端服務中剝離出來，并編寫了 Flink 任務承擔這部分工作，比較好的解決了擴展性和性能問題。然而，到 2021 年年中，團隊開始重點投入私有化部署和火山公有云支持，對于 Flink 集群的依賴引入了可維護性的痛點。

在仔細的分析了使用場景和需求，并調研了現成的解決方案后，我們決定投入人力自研一個消息處理框架。當前這個框架很好的支持了字節內部以及 ToB 場景中 Data Catalog 對于消息消費和處理的場景。

本文會詳細介紹框架解決的問題，整體的設計，以及實現中的關鍵決定。

1.2 需求定義

使用下面的表格將具體場景定義清楚。

1.3 相關工作

在啟動自研之前，我們評估了兩個比較相關的方案，分別是 Flink 和 Kafka Streaming。

Flink 是我們之前生產上使用的方案，在能力上是符合要求的，最主要的問題是長期的可維護性。在公有云場景，那個階段 Flink 服務在火山云上還沒有發布，我們自己的服務又有嚴格的時間線，所以必須考慮替代；在私有化場景，我們不確認客戶的環境一定有 Flink 集群，即使部署的數據底座中帶有 Flink，后續的維護也是個頭疼的問題。另外一個角度，作為通用流式處理框架，Flink 的大部分功能其實我們并沒有用到，對于單條消息的流轉路徑，其實只是簡單的讀取和處理，使用 Flink 有些“殺雞用牛刀”了。

另外一個比較標準的方案是 Kafka Streaming。作為 Kafka 官方提供的框架，對于流式處理的語義有較好的支持，也滿足我們對于輕量的訴求。最終沒有采用的主要考慮點是兩個：

• 對于 Offset 的維護不夠靈活：我們的場景不能使用自動提交（會丟消息），而對于同一個 Partition 中的數據又要求一定程度的并行處理，使用 Kafka Streaming 的原生接口較難支持。
• 與 Kafka 強綁定：大部分場景下，我們團隊不是元數據消息隊列的擁有者，也有團隊使用 RocketMQ 等提供元數據變更，在應用層，我們希望使用同一套框架兼容。

2. 設計

2.1 概念說明

• MQ Type：Message Queue 的類型，比如 Kafka與RocketMQ。后續內容以 Kafka 為主，設計一定程度兼容其他 MQ。
• Topic：一批消息的集合，包含多個 Partition，可以被多個 Consumer Group消費。
• Consumer Group：一組 Consumer，同一 Group 內的 Consumer 數據不會重復消費。
• Consumer：消費消息的最小單位，屬于某個 Consumer Group。?
• Partition：Topic 中的一部分數據，同一 Partition 內消息有序。同一 Consumer Group 內，一個 Partition 只會被其中一個 Consumer 消費。
• Event：由 Topic 中的消息轉換而來，部分屬性如下。

• Event Type：消息的類型定義，會與 Processor 有對應關系；
• Event Key：包含消息 Topic、Partition、Offset 等元數據，用來對消息進行 Hash 操作；

• Processor：消息處理的單元，針對某個 Event Type 定制的業務邏輯。
• Task：消費消息并處理的一條 Pipeline，Task 之間資源是相互獨立的。

2.2 框架架構

整個框架主要由 MQ Consumer, Message Processor 和 State Manager 組成。

• MQ Consumer：負責從Kafka Topic拉取消息，并根據 Event Key 將消息投放到內部隊列，如果消息需要延時消費，會被投放到對應的延時隊列；該模塊還負責定時查詢 State Manager 中記錄的消息狀態，并根據返回提交消息 Offset；上報與消息消費相關的 Metric。
• Message Processor：負責從隊列中拉取消息并異步進行處理，它會將消息的處理結果更新給 State Manager，同時上報與消息處理相關的 Metric。
• State Manager：負責維護每個 Kafka Partition 的消息狀態，并暴露當前應提交的 Offset 信息給 MQ Consumer。

3. 實現

3.1 線程模型

每個 Task 可以運行在一臺或多臺實例，建議部署到多臺機器，以獲得更好的性能和容錯能力。

每臺實例中，存在兩組線程池：

• Consumer Pool：負責管理 MQ Consumer Thread 的生命周期，當服務啟動時，根據配置拉起一定規模的線程，并在服務關閉時確保每個 Thread 安全退出或者超時停止。整體有效 Thread 的上限與 Topic 的 Partition 的總數有關。
• Processor Pool：負責管理 Message Processor Thread 的生命周期，當服務啟動時，根據配置拉起一定規模的線程，并在服務關閉時確保每個 Thread 安全退出或者超時停止。可以根據 Event Type 所需要處理的并行度來靈活配置。

兩類 Thread 的性質分別如下：

• Consumer Thread：每個 MQ Consumer 會封裝一個 Kafka Consumer，可以消費 0 個或者多個 Partition。根據 Kafka 的機制，當 MQ Consumer Thread 的個數超過 Partition 的個數時，當前 Thread 不會有實際流量。
• Processor Thread：唯一對應一個內部的隊列，并以 FIFO 的方式消費和處理其中的消息。

3.2 StateManager

在 State Manager 中，會為每個 Partition 維護一個優先隊列（最小堆），隊列中的信息是 Offset，兩個優先隊列的職責如下：

• 處理中的隊列：一條消息轉化為 Event 后，MQ Consumer 會調用 StateManager 接口，將消息 Offset  插入該隊列。
• 處理完的隊列：一條消息處理結束或最終失敗，Message Processor 會調用 StateManager 接口，將消息 Offset 插入該隊列。

MQ Consumer 會周期性的檢查當前可以 Commit 的 Offset，情況枚舉如下：

• 處理中的隊列堆頂 < 處理完的隊列堆頂或者處理完的隊列為空：代表當前消費回來的消息還在處理過程中，本輪不做 Offset 提交。
• 處理中的隊列堆頂 = 處理完的隊列堆頂：表示當前消息已經處理完，兩邊同時出隊，并記錄當前堆頂為可提交的 Offset，重復檢查過程。
• 處理中的隊列堆頂 > 處理完的隊列堆頂：異常情況，通常是數據回放到某些中間狀態，將處理完的隊列堆頂出堆。

注意：當發生 Consumer 的 Rebalance 時，需要將對應 Partition 的隊列清空

3.3 KeyBy 與 Delay Processing 的支持

因源頭的 Topic 和消息格式有可能不可控制，所以 MQ Consumer 的職責之一是將消息統一封裝為 Event。

根據需求，會從原始消息中拼裝出 Event Key，對 Key 取 Hash 后，相同結果的 Event 會進入同一個隊列，可以保證分區內的此類事件處理順序的穩定，同時將消息的消費與處理解耦，支持增大內部隊列數量來增加吞吐。

Event 中也支持設置是否延遲處理屬性，可以根據 Event Time 延遲固定時間后處理，需要被延遲處理的事件會被發送到有界延遲隊列中，有界延遲隊列的實現繼承了 DelayQueue，限制 DelayQueue 長度, 達到限定值入隊會被阻塞。

3.4 異常處理

Processor 在消息處理過程中，可能遇到各種異常情況，設計框架的動機之一就是為業務邏輯的編寫者屏蔽掉這種復雜度。Processor 相關框架的邏輯會與 State Manager 協作，處理異常并充分暴露狀態。比較典型的異常情況以及處理策略如下：

• 處理消息失敗：自動觸發重試，重試到用戶設置的最大次數或默認值后會將消息失敗狀態通知 State Manager。
• 處理消息超時：超時對于吞吐影響較大，且通常重試的效果不明顯，因此當前策略是不會對消息重試，直接通知 State Manager  消息處理失敗。
• 處理消息較慢：上游 Topic 存在 Lag，Message Consumer 消費速率大于  Message Processor 處理速率時，消息會堆積在隊列中，達到隊列最大長度， Message Consumer 會被阻塞在入隊操作，停止拉取消息，類似 Flink 框架中的背壓。?

3.5 監控

為了方便運維，在框架層面暴露了一組監控指標，并支持用戶自定義 Metrics。其中默認支持的 Metrics 如下表所示：

4. 線上運維 Case 舉例

實際生產環境運行時，偶爾需要做些運維操作，其中最常見的是消息堆積和消息重放。

對于 Conusmer Lag 這類問題的處理步驟大致如下：

• 查看 Enqueue Time，Queue Length 的監控確定服務內隊列是否有堆積。
• 如果隊列有堆積，查看 Process Time 指標，確定是否是某個 Processor 處理慢，如果是，根據指標中的 Tag 確定事件類型等屬性特征，判斷業務邏輯或者 Key 設置是否合理；全部 Processor 處理慢，可以通過增加 Processor 并行度來解決。
• 如果隊列無堆積，排除網絡問題后，可以考慮增加 Consumer 并行度至 Topic Partition 上限。

消息重放被觸發的原因通常有兩種，要么是業務上需要重放部分數據做補全，要么是遇到了事故需要修復數據。為了應對這種需求，我們在框架層面支持了根據時間戳重置 Offset 的能力。具體操作時的步驟如下：

• 使用服務側暴露的 API，啟動一臺實例使用新的 Consumer GroupId: {newConsumerGroup} 從某個 startupTimestamp 開始消費。
• 更改全部配置中的 Consumer GroupId 為 {newConsumerGroup}。
• 分批重啟所有實例。

5. 總結

為了解決字節數據中臺 DataLeap 中 Data Catalog 系統消費近實時元數據變更的業務場景，我們自研了輕量級消息處理框架。當前該框架已在字節內部生產環境穩定運行超過 1 年，并支持了火山引擎上的數據地圖服務的元數據同步場景，滿足了我們團隊的需求。

下一步會根據優先級排期支持 RocketMQ 等其他消息隊列，并持續優化配置動態更新，監控報警，運維自動化等方面。