1、問題現象

先說明下RocketMQ版本， 4.6.0的老版本了。

線下環境客戶端啟動會頻繁報錯響應超時，導致consumer實例化失敗，無法啟動應用。

圖片

2、排查

確認線下環境RocketMQ集群流量、生產消費數量無異常。

集群gc次數不多，但是耗時高。（原本監控看板異常數據缺失，所以少了前面一段）

圖片

master節點cpu使用率、load極高。

圖片

升配，4c8g升級8c32g，擴大jvm內存。

系統指標略有下降，但是客戶端異常沒有明顯改善。

只能進一步排查根因，還得上arthas。

thread -n 3

查看cpu高的線程在做什么。

發現兩個異常線程。

1）一個線程在執行AdminBrokerProcessor.queryTopicConsumerByWho()。

圖片

這個是查詢Topic的conusmerGroup信息。

比較奇怪的是，這個請求很頻繁，后來發現是控制臺應用dashboard有個定時任務，30s查詢一次。

這個請求的耗時主要是在數組的遍歷處理上，說明內存中的數據非常大。

圖片

而這個源碼中的offsetTable，就是RocketMQ中保存consumerGroup位點信息的對象。它的key是topic@group拼接的。

圖片

先臨時處理，把dashboard應用關閉了，減少請求。但是效果并不明顯。

2）另一個線程在執行定時任務ConsumerOffsetManager.persist()。

（線程調用信息忘記截圖了）

這個是RocketMQ集群持久化consumerGroup的offset信息的定時任務。

圖片

會將整個內存對象轉化為jsonString寫入磁盤文件中。

這個內存對象就是前面提到的offsetTable，就是RocketMQ中保存consumerGroup位點信息的對象。

這里消耗資源多，還是說明我們的內存對象非常大。

因為是線下環境，可靠性要求不高。所以先臨時處理，把定時任務默認配置5s改成50s，減少持久化次數。

效果顯著，機器cpu、負載都明顯改善。

好了，現在問題的矛頭都指向了這個offsetTable，那它到底有多大，為什么這么大？

3、定位根因

3.1 直接原因

大對象的定位，一般來說需要dump看看，不過這個對象有點特殊，剛剛也提到了它會被持久化到文件中，所以直接看文件大小和內容就行了。

持久化文件的配置路徑，可以看下啟動的conf.properties

storePathRootDir=/usr/local/rocketmq/store1
storePathCommitLog=/usr/local/rocketmq/store1/commitlog
storePathConsumerQueue=/usr/local/rocketmq/store1/consumequeue
storePathIndex=/usr/local/rocketmq/store1/index

在/usr/local/rocketmq/store1目錄下找到config文件夾的consummerOffset.json文件，44M，amazing~

對一個幾十M的對象頻繁序列化和持久化，加上內網磁盤比較差，難怪負載如此高。

（這里截圖是當時應急時備份的文件，新的文件目前是414K）

3.2 根本原因

為什么這個內存對象這么大呢？

查看了下文件內容，是RocketMQ中保存consumerGroup位點信息的對象，它的key是topic@group拼接的。

我們發現大量奇怪的consumerGroup name，跟一個topic聯合產生了幾千個key。

查看了下內部封裝的客戶端代碼，找到了罪魁禍首。

圖片

線下環境會根據小環境（比如自己起的測試、單測環境、CI測試環境等）拼接一個獨立的consumerGroup name。

在線下，每次CI的測試環境名字會變化，所以導致consumerGroup name數量急劇膨脹。

4、優化

問題找到了，直接的解決方式是刪除文件中無用的consumerGroup name，重啟broker進行加載。

由于是線下環境，不需要擔心位點丟失的問題，同時當客戶端請求時會自動創建新的位點信息，所以可以考慮直接刪除。

圖片

先停止broker進程（否則會自動落盤內存數據，創建新的文件），然后重命名相關文件（用于備份回滾），重新啟動broker進程，讀取空文件加載空對象。

重啟后，各個客戶端在請求集群時，會自動創建訂閱關系和消費位點記錄，負載略有升高，然后就恢復到較低的負載水位了。

24h的監控顯示，優化效果顯著，整個機器負載降低，請求讀寫耗時也顯著降低。

圖片

注意：保存訂閱關系的subscriptionGroup.json也存在同樣consumerGroup過多導致膨脹的問題，同樣的原因和優化方式。默認訂閱關系也是會自動創建的。這里就不展開贅述了。

5、擴展一下

如果類似的問題出在線上怎么辦？

事后來看，類似問題是能夠提前避免的，主要考慮兩個措施：

• 要做好持久化文件（對應內存對象）大小監控，避免出現內存大對象。如果發現異常增長，必須提前排查處理。
• 磁盤要足夠好，使用SSD是基本要求，避免頻繁刷盤導致負載升高。