消息中间件学习总结（6）——RocketMQ之RocketMQ大数据畅想

刚刚过去的双十一，阿里自主研发的消息中间件RocketMQ，充分展现了它的低延迟特性，大部分消息请求落在2ms内，慢请求也都落在20ms内，这无疑给追求快速响应的在线交易系统（OLTP）带去了福音。
也是在今年11月份，RocketMQ进入Apache孵化。这款最初设计来为淘宝交易系统异步解耦、削峰填谷的消息中间件，开始走出国门，为世界上的用户提供服务。自然地，RocketMQ将来不仅仅只服务于在线系统，对于离线或半离线系统，尤其是大数据领域，RocketMQ也将为其绽放自己的光彩。

Kafka大数据的杀手锏

谈到大数据领域内的消息传输，则绕不开Kafka。这款为大数据而生的消息中间件，以其百万级TPS的吞吐量名声大噪，迅速成为大数据领域的宠儿，在数据采集、传输、存储的过程中发挥着举足轻重的作用，被LinkedIn，Uber, Twitter, Netflix等大公司所采纳，而storm，spark，flink等大数据流处理或批处理平台都有Kafka的相关插件支持。
那么，Kafka的百万级TPS是如何做到的呢？
有很多相关的分析，比如异步IO，PageCache，异步刷盘，消费过程零拷贝，Batch等，这些都对，但是没有一个直观的说明，这众多因素中，哪一个才是杀手锏呢？
笔者对这个问题进行了一些探究，在揭晓之前，请看下图：

注：一台物理机部署Kafka，另一台物理机施加压力，每个producer异步发送，异步统计结果；本文所涉及的机器配置都是24核48G内存SSD盘

从上图可以看出，当单个消息体为50字节时，kafka单机的吞吐量确实表现出色，能达到百万级。可是当单个消息体为5k字节时，TPS极速下降，只有大约3万多，少了两个数量级。
对此，可能有人会说那是因为网卡打满了，还有就是因为消息体变大，每次能batch的数量变少了，导致整体TPS下降。
都有可能，笔者测试时网卡虽然没有打满，却确实是负载比较高了。因此，为了排除因素，笔者还做了另外一个测试如下：

上图可以清晰地看出，50字节时，Kafka no batch（batch size设为1）时的吞吐量只有15万多，只有启用batch时的十分之一，而RocketMQ也可以很轻松地达到这个水平。
至此，可以直观地充分说明，Kafka达到百万级TPS的杀手锏就是batch ！
batch, 简单说就是把多个消息打包一次性发过去，对于在线交易系统来说，这通常不是一个好的选择，会导致消息大量丢失或者大量重复，延迟也会加大。但对于大数据领域来说，由于大部分都是离线半离线的计算，对数据可靠性要求没有那么高，但追求高吞吐量。Kafka为适应大数据，选择了batch，因此，赢得了大数据的欢迎。

RocketMQ大数据的无限潜力

到这里，自然会有一个疑问，如果把batch特性用到RocketMQ中，效果会如何呢？
按照上面的结论进行推测，batch特性势必也能大大提高RocketMQ的吞吐量。但如果要实践证明，需要做一些工作。
为了直观地证明batch对于RocketMQ的功效，笔者在Kafka Broker做了一层代理，大致结构图如下：

Kafka Broker收到Kafka Client的Batch Data后，不存储在本地，而是把消息转发到RocketMQ，等待RocketMQ返回结果后，再返回给Kafka Client。
笔者用一台物理机部署Kafka Broker作为Proxy，同时用另一台同样配置的物理机部署RocketMQ作为存储，然后用另一台物理机来对Proxy进行施加压力，结果如下图：

这个结果与上面关于Kafka的结果相互印证，既证明了Kakfa大数据的杀手锏在于batch，同时也展现了RocketMQ在大数据领域的无限潜力，并不逊色于Kafka。

Proxy与RocketMQ Kernel

RocketMQ最初是为交易系统而生，现在也不会忘记这一初心，但其也绝不会固步自封。面对越来越多的来自各个领域的用户，他们有着各自不一样的复杂应用场景，这给RocketMQ带来了挑战，也带来了机遇。未来的RocketMQ会继续保持初心，维护自己Kernel的本色，但也会增加一些外围功能，以适应各种不同的场景，如面向大数据的Kakfa Proxy，面向物联网的MQTT，面向REST的Http Proxy。

最后，这一切只是开始，更多的想象空间，需要大家一起来创造。