Skip to content

Latest commit

 

History

History
185 lines (123 loc) · 9.66 KB

experiment_1.md

File metadata and controls

185 lines (123 loc) · 9.66 KB
Raw

Astraea Balancer 測試 #1

這個測試展示目前的 Astraea Balancer (7596f59) 能在特定的系統環境中，平衡每個節點的 leader 數。

在這次實驗中，Astraea Balancer 得到了以下結果：

  • 執行前節點的 Leader 數量最大最小分別為 77 和 9，執行後所有節點都服務 50 個 leader，達到完全平衡。
  • 執行前節點流量最大最小為 400 MiB/s 和 50 MiB/s，執行後各節點流量都控制在 250 MiB/s 附近。

測試情境

我們透過專案內的 WebAPI 工具來對測試叢集產生一個 Leader 數量不平衡的情境。WebAPI 在建立 topic 時能夠透過特定參數來以 Binomial Distribution 營造 topic logs 在叢集內分佈不均的情況。這最終形成的分佈類似於對生產環境 Kafka 叢集不斷加減 topics/partitions/nodes 所導致的資料配置不均勻狀態。

由於 Binomial Distribution 本身沒有 Uniform Distribution 這種非常平衡&理想的分佈狀況，因此我們可以預期最終會有一些 Kafka 節點承受 相對多的 Leader。由於預設的 Kafka 參數會使讀取和寫入都發生在 Leader 身上，服務越多 Leader 的節點有機會承受較大網路負載和責任。

叢集硬體環境

下圖為網路示意圖：

                               [500 Mbits Router]
                              ┌──────────────────┐
         [10 Gbits Switch]    │                  │
   ┌─────┬─────┬─────┬─────┬──┴──┐               │
   B1    B2    B3    B4    B5    P1           Balancer

每個機器負責執行的軟體：

  • B1: Kafka Broker, Zookeeper, Prometheus, Node Exporter
  • B2: Kafka Broker, Node Exporter
  • B3: Kafka Broker, Node Exporter
  • B4: Kafka Broker, Node Exporter
  • B5: Kafka Broker, Node Exporter
  • P1: Performance Tool, Node Exporter
  • Balancer: 執行 Astraea Balancer 的機器

下表為 B1, B2, B3, B4, B5, P1 的硬體規格：

硬體項目 型號
CPU Intel i9-12900K CPU 3.2G(5.2G)/30M/UHD770/125W
主機板 華碩 ROG STRIX Z690-G GAMING WIFI(M-ATX/1H1P/Intel 2.5G+Wi-Fi 6E)14+1相數位供電
記憶體 美光Micron Crucial 32GB DDR5 4800
硬碟 威剛XPG SX8200Pro 1TB/M.2 2280/讀:3500M/寫:3000M/TLC/SMI控 * 3
網路卡 XG-C100C [10Gigabit埠] RJ45單埠高速網路卡/PCIe介面

下表為執行 Astraea Balancer 的設備之硬體規格：

硬體項目 型號
CPU 11th Gen Intel(R) Core(TM) i7-11700K @ 3.60GHz
記憶體 KLEVV DIMM DDR4 Synchronous 2667 MHz (0.4 ns) 16GB*2
主機板 MAG B560 TOMAHAWK WIFI (MS-7D15)

叢集軟體環境

這個實驗中包含：

  • 5 個 Apache Kafka Broker 節點（version 3.1.0）。
    • 各個節點包含 3 個 log dir，每個有 844GB 空間的 SSD
  • 1 個 Zookeeper 節點（version 3.7.1）。
  • 1 個 Performance Tool 施打資料

以下為建構環境的步驟：

建立 Kafka 叢集

請依照上述的環境建立叢集，您可以使用專案內的 ./docker/start_zookeeper.sh 和 ./docker/start_broker.sh 來建立叢集。

效能資料攝取

整個實驗的效能指標數據源自每個 Kafka Broker 的 JMX 資訊，這些資訊透過 jmx_exporter 輸出成 Prometheus 能夠接受的格式， 接著以 Grafana 繪圖觀察。實驗過程中我們也有關心實際硬體資源的使用情況，這部分我們透過在每個硬體設備啟動的 node exporter 和 Prometheus， 進行底層硬體效能資料的攝取。

您可以使用專案內的 ./docker/start_node_exporter.sh, ./docker/start_prometheus.sh 和 ./docker/start_grafana.sh 來建構監控環境。

本次實驗所使用的 Dashboard 可以在這裡找到

執行實驗

首先取得 Astraea Project

git clone https://github.com/opensource4you/astraea.git
cd astraea
git checkout 7596f590ae0f0ec370a6e257c10cc2aeb5fb5bf4

接著執行 Astraea Web Service，Astraea Web Service 提供一系列的功能，能幫助我們對 Kafka 進行管理和操作。

執行 ./gradlew run --args="web --bootstrap.servers <broker-addresses>" 來使用 web service，其中 <broker-addresses> 是 Kafka 對外服務的網路位置。

完成後執行

curl -X POST http://localhost:8001/topics \
  -H "Content-Type: application/json" \
  -d '{ "topics": [ { "name":"imbalance-topic", "partitions": 200, "replicas": 1, "probability": 0.5 } ] }'

對 web service 請求建立一個 leader 數量不平衡的 topic，其名為 imbalance-topic，在這個情境中我們設定其有 200 個 partitions。 打開 Grafana Dashboard，能夠看到每個節點有著類似下圖的 Leader 數量分佈。

The leader distribution of each broker

接着要開始對叢集輸入資料，我們在 P1 設備上執行下面的指令以啓動 Astraea Performance Tool

./gradlew run --args="performance --bootstrap.servers <broker-addresses> --topics imbalance-topic --producers 8 --consumers 16 --key.size 10KiB --run.until 3h"

使用 Performance Tool 輸入資料時，每個節點的 leader 數量可能會提升，這是源自於 Consumer 運作所需的 __consumer_offsets topic 被建立的緣故，屬於正常現象。以這次實驗爲例，__consumer_offsets topic 有 50 個 partitions，爲 leader count 做出額外的貢獻。

ingress of brokers

執行後將會對先前建立的 imbalance-topic topic 施打資料，由於 Producer 和 Consumer 都會對 Leader 進行資料的讀寫， 我們可以看到類似下圖的運行結果：

ingress & egress of brokers

如果運作過程中因爲流量的震盪起伏而使圖不好觀察，可以調整 Grafana Dashboard 上的 average_window 設定，來製造比較平滑的觀測圖形

從圖中可以看出有一定的負載不平衡現象存在着。接着我們要開始做負載平衡，透過以下指令來執行 Leader Balance

./gradlew run --args="balance-demo --bootstrap.servers <broker-addresses>"

未來 Balancer 的運作和執行都會透過 Web API 來操作

每次執行都會做一輪的負載平衡，每次都會給叢集帶來一定程度的進步，通常情況下您會需要重複執行多次上述的指令，直到您覺得叢集負載不平衡情況減緩爲止。 這次實驗中我們總共執行了 9 次 Balancer。以下爲各項結果圖表：

Leader Count Time Series

leader count

上圖爲各節點的 leader 數量隨時間的變化，可以發現在經過 9 次負載平衡後，每個節點所維護的 leader 數量都達到 50 個，就這個指標來說非常平衡。

先前用 web service 建立的 imbalance-topic 有著 200 個 partitions，而 consumer 運作所需的 __consumer_offsets 另外貢獻 50 個 partitions。兩者加起來正好 50 * 5 = 250 個 partitions，分散在五個節點上。

Broker Ingress

broker ingress

上圖爲各各節點所統計的傳入流量值，我們可以看到原先由於 leader 數量不平衡間接導致輸入負載不一。 由於在我們的實驗情境中，我們假設每個 partition 所承受的輸入流量一致，在經過負載平衡後，每個節點的輸入流量也因此變得比較平衡。

Broker Egress

broker egress

上圖爲各各節點所統計的輸出流量值，我們可以看到原先由於 leader 數量不平衡間接導致輸入負載不一。 由於在我們的實驗情境中，我們假設每個 partition 所承受的輸入流量一致，在經過負載平衡後，每個節點的輸出流量也因此變得比較平衡。

Ongoing Reassignment

ongoing reassignment bandwidth

上圖爲各各節點所統計的負載平衡流量，每次負載平衡都會給叢集帶來額外的效能開銷，從圖中可以看到我們總共經歷了 9 次的負載平衡過程。

Network IO (hardware)

ongoing reassignment bandwidth

上圖爲從 node exporter 的角度看到的節點網路負載。這張圖目前顯示着 P1 Client 的網路輸出輸入。從圖中可以看到 Performance Tool 以將近硬體上限 的速度在輸入/輸出資料。

如果這個圖表的顯示有異常，可以考慮調整 Grafana Dashboard 的 network_device_name 變數爲您設備所使用的 network interface name