Kafka 时间轮的原理和实现


【编者的话】Kafka 作为一个支持实时处理大量请求的分布式流处理平台,需要一个设计良好的定时器来处理异步任务。本文作者将基于 Kafka 1.1.0 版本的源码来介绍 Kafka 中定时器的基础数据结构——时间轮的原理和实现。

简单时间轮

简单时间轮是时间任务桶的循环链表,又被称为桶(bucket)。令 u 为时间单元大小,一个大小为 n 的时间轮有 n 个桶,能够持有 n * u 个定时任务,每个任务的过期时间会落在一个时间间隔内。(注:下文的 u 和 n 沿用这个定义)

每个桶持有进入相应时间范围的定时任务。第一个桶持有 [0, u) 范围的任务,第二个桶持有 [u, 2u) 范围的任务……第 n 个桶持有 [u * (n - 1), u * n) 范围的任务。每过一个时间单元 u,定时器会推进并移动到下个桶,然后第一个桶中所有的定时任务都会过期。由于任务已经过期,此时定时器不会插入任务到当前桶中。定时器会立刻运行过期的任务。因为空桶在下一轮是可用的,所以如果当前的桶对应时间 t,那么它会在推进后变成 [t + u * n, t + (n + 1) * u) 的桶。

本质上时间轮就是个哈希表,通过对任务的过期时间求哈希,落到对应的位置。而每个位置对应的 bucket 是链表,因此时间轮插入/删除定时任务的时间复杂度是 O(1)。而基于优先队列的定时器,比如 java.util.concurrent.DelayQueue 和 java.util.Timer 插入/删除的时间复杂度是 O(log n)。

分层时间轮

简单时间轮的主要缺点是它假定定时器请求是在从当前时刻开始的 n * u 时间间隔内,如果定时器请求超出了这个间隔就会产生溢出,导致任务无法放入时间轮中。分层时间轮会处理这种溢出,它以层次来组织时间轮,最底层的精度更高,层数越高,表示的精度更低。这里用精度来指代时间单元大小。

举例说明,令 u = 1, n = 3,设起始时刻是 c,则各层次的桶为
1.png

PS:这里沿用了代码注释里的表示,即闭区间,而前面讲述原理时都是左闭右开区间,两者是等价的,只是表示不一致。

在 c+1 时刻,桶 [c,c]、[c,c+2]、[c,c+8]过期了,之后:
  • 1 层的时钟移动到 c+1,并且创建新的桶 [c+3,c+3];
  • 2、3 层的时钟仍然在 c 处,因为他们没完全过期。


此时各层次的桶为:
2.png

注意,桶 [c,c+2] 不会接收任何任务,因为此时时刻是 c+1,只有过期时间为 c+1 和 c+2 才会被分配到该桶,然而 1 层的两个桶 [c+1,c+1] [c+2,c+2] 会优先接收任务。类似地,3 层的 [c+1,c+8] 也不会接收任何任务,因为这个范围被 2 层的桶覆盖了。

对单层时间轮,插入/删除定时任务的时间复杂度都是 O(1)。对分层时间轮,令 m 是时间轮的数量,则插入的时间复杂度是 O(m),因为最多向上插 m 次。相比起系统中请求的数量,m 通常是小很多的。而删除的时间复杂度是 O(1)。

像时钟就是一个典型的三层时间轮,秒针能表示 0 到 59 秒,但是对 60 秒以上则需要分针进一步表示,再进一步即时针,一共能表示的时间范围为 0 到 43199 秒,精度为 1 秒。从秒针到分针到时针,表示精度是依次降低的,秒针精度为 1 秒,有 60 格,因此分针精度是 1 * 60 = 60 秒,类似地,时钟精度是 3600 秒。

TimingWheel 的实现

了解了分层时间轮的概念后,阅读代码实现也就简单了。Kafka 时间轮为 TimingWheel 类,位于 kafka.utils.timer 包。

内部字段

3.png

通过上述主构造参数可以计算出以下私有字段(private[this],可以被包内其他类访问)
// 当前时间轮的整个时间跨度,即更高一层时间轮的 tickMs
private[this] val interval = tickMs * wheelSize
// 创建 wheelSize 个桶(定时任务链表)
private[this] val buckets = Array.tabulate[TimerTaskList](wheelSize) { _ => new TimerTaskList(taskCounter) }

// 向下取整,使起始时间戳能被 tickMs 整除
private[this] var currentTime = startMs - (startMs % tickMs) // rounding down to multiple of tickMs

// 高一层时间轮,用来保存超过 interval 的任务
@volatile private[this] var overflowWheel: TimingWheel = null

通过 addOverflowWheel 创建高一层时间轮:
private[this] def addOverflowWheel(): Unit = {
synchronized {
  if (overflowWheel == null) {  // 双重检查上锁
    overflowWheel = new TimingWheel(
      // 仅有 tickMs 不是原封不动地转发低层时间轮的字段,因为高层时间轮的时间单元粒度更粗(即精度更低)
      // 还是参考时钟,时针的 tickMs 是分针 tickMs 的 60 倍
      tickMs = interval,
      wheelSize = wheelSize,
      startMs = currentTime,
      taskCounter = taskCounter,
      queue
    )
  }
}


添加定时任务

在 Kafka 中,定时任务被抽象为 TimerTaskEntry 类,而桶(定时任务链表)则被抽象为 TimerTaskList 类,在代码中命名都是 bucket(桶)。bucket 实现了 java.util.concurrent.Delayed 接口:
def getDelay(unit: TimeUnit): Long = {
unit.convert(max(getExpiration - Time.SYSTEM.hiResClockMs, 0), TimeUnit.MILLISECONDS)


因此 bucket 能够被加入延时队列中,延时队列在调用 poll 时,会调用内部对象的 getDelay 方法来判断对象是否可以被弹出。再看看实际的 add 实现:
def add(timerTaskEntry: TimerTaskEntry): Boolean = {
// 定时任务的过期时间戳
val expiration = timerTaskEntry.expirationMs

if (timerTaskEntry.cancelled) {
  // Entry 绑定的 TimerTask 调用了 cancel() 方法主动将 Entry 从链表中移除
  false
} else if (expiration < currentTime + tickMs) {
  // 过期时间在第一个桶的范围内,表示已经过期,此时无需加入时间轮
  false
} else if (expiration < currentTime + interval) {
  // 过期时间在当前时间轮能表示的时间范围内,加入到其中一个桶
  // 注意按照这个算法,第一个桶的时间范围是 [c+u,c+u*2),因为 [c,c+u) 范围内被视为已过期
  // 而且第一个桶对应 buckets 的下标并不一定是 0,因为数组只是作为循环队列的存储方式,起始下标无所谓
  val virtualId = expiration / tickMs
  val bucket = buckets((virtualId % wheelSize.toLong).toInt)
  bucket.add(timerTaskEntry)

  // 设置过期时间,这里也取整了,即可以被 tickMs 整除
  if (bucket.setExpiration(virtualId * tickMs)) { // 仅在新的过期时间和之前的不同才返回 true
    // 由于进行了取整,同一个 bucket 所有节点的过期时间都相同,因此仅在 bucket 的第一个节点加入时才会进入此 if 块
    // 因此保证了每个桶只会被加入一次到 queue 中,queue 存放所有包含定时任务节点的 bucket
    // 借助 DelayQueue 来检测 bucket 是否过期,bucket 时遍历即可取出所有节点
    queue.offer(bucket)
  }
  true
} else {
  // 过期时间在当前时间轮表示的范围之外,即溢出,需要创建高一层时间轮来加入
  if (overflowWheel == null) addOverflowWheel() // 双重检查上锁的第一层检查
  overflowWheel.add(timerTaskEntry) // 注意高一层时间轮也可能无法容纳,因此可能会递归创建更高层级的时间轮
}


可以看到 DelayQueue 对象 queue 在时间轮的作用是,保存包含定时任务节点的桶,桶可以来自不同层次的时间轮,当然,所有层次时间轮也共享这个队列。

TimingWheel 本身没有实现推进功能,而是借助延迟队列 DelayQueue 来实现时间的推移,假设有 M 个定时任务分布在 N 个桶中,那么插入的时间复杂度为 O(M + N * log N),其中 M >= N。如果把任务全存到延迟队列中,那么插入的时间复杂度为 O(M * log M),因此 Kafka 时间轮的优化是有意义的。

时间轮的推进

def advanceClock(timeMs: Long): Unit = {
if (timeMs >= currentTime + tickMs) { // timeMs 超过了当前 bucket 的时间范围
  currentTime = timeMs - (timeMs % tickMs) // 修改当前时间,即原先的第一个桶已经失效

  // 若存在更高层的时间轮,则也会向前运转
  if (overflowWheel != null) overflowWheel.advanceClock(currentTime)
}


仅仅是修改 currentTime,该字段决定内部的 bucket 是否过期,见前面的 add 方法实现。

时间轮在 Kafka 管理定时任务中的作用

Kafka 使用 kafka.server 包下的 DelayedOperationPurgatory(下文简称 purgatory)类来管理异步任务(即延时操作 DelayedOperation)。每次 Kafka 收到一个请求,都会启动一个异步任务,如果不能立刻完成(比如 acks 设为 all 的 Produce 请求),则扔给 purgatory 保存(即插入到内部的时间轮中)。

purgatory 会运行一个 ExpiredOperationReaper 后台线程来检测过期的异步任务并进行处理,在线程函数中会反复调用内部定时器对象 timeoutTimer 的 advanceClock 方法向前推进,如果有过期的任务,则会将其从定时器中移除并执行回调:
private class ExpiredOperationReaper extends ShutdownableThread(/* ... */) {
// doWork 方法会在线程函数,即基类 Thread 的 run 方法中循环调用
override def doWork() {
  advanceClock(200L)  // 200 ms
}


而 purgatory 是使用 kafka.utils.timer 包下的 SystemTimer 类作为定时器的:
def apply[T <: DelayedOperation](purgatoryName: String, /* ... */): DelayedOperationPurgatory[T] = {
val timer = new SystemTimer(purgatoryName)
new DelayedOperationPurgatory[T](purgatoryName, timer, /* ... */)


而在 SystemTimer 中,关键字段为时间轮对象 timingWheel:
// java.util.concurrent 包提供的延时队列
private[this] val delayQueue = new DelayQueue[TimerTaskList]()
private[this] val taskCounter = new AtomicInteger(0)
// Kafka 在 kafka.utils.timer 包中自行实现的时间轮
private[this] val timingWheel = new TimingWheel(
tickMs = tickMs,
wheelSize = wheelSize,
startMs = startMs,
taskCounter = taskCounter,
delayQueue
)

其 advanceClock 方法实际上是调用 timingWheel.advanceClock 方法:
def advanceClock(timeoutMs: Long): Boolean = {
// 从延时队列中等待 timeout 毫秒,若有过期 bucket 则取出
var bucket = delayQueue.poll(timeoutMs, TimeUnit.MILLISECONDS)
if (bucket != null) {  // 存在过期 bucket
  writeLock.lock()
  try {
    while (bucket != null) {
      // 推进当前时间轮,内部可能会递归推进更高一层时间轮,currentTime 被修改
      timingWheel.advanceClock(bucket.getExpiration())
      bucket.flush(reinsert)
      // 默认 timeout 为 0,即非阻塞,也就是说尽可能取出当前时刻所有过期的 buckets
      bucket = delayQueue.poll()
    }
  } finally {
    writeLock.unlock()
  }
  true
} else {
  false
}


可见,SystemTimer 对象在调用 advancedClock 推进时间时,其实是从延时队列中取出推进的时间内所有过期的 bucket,然后 flush:
// Remove all task entries and apply the supplied function to each of them
def flush(f: (TimerTaskEntry)=>Unit): Unit = {
synchronized {
  // 遍历整个 bucket(链表),remove 删除所有节点
  var head = root.next
  while (head ne root) {
    remove(head)
    f(head)
    head = root.next
  }
  expiration.set(-1L)
}


注意到,传入 flush 的是 reinsert 函数:
private[this] val reinsert = (timerTaskEntry: TimerTaskEntry) => addTimerTaskEntry(timerTaskEntry)

问题来了,为啥删除之后又要重新插入呢?因为如果取出的这个 bucket 是属于高层时间轮的,由于高层时间轮精度不够,此时 bucket 可能并未过期。

举个两层时间轮的例子(单位:毫秒):
4.png

初始状态下,延时为 3 的任务被加入 [2,4),调用 advanceClock(2) 后,时间轮变成了:
5.png

第 2 层的 [2,4) 被取出,然后延时为 3 的任务被取出,此时调用 reinsert 就会将其加入第 1 层的 [3,4),而不是立刻判断它过期。

从高层时间轮降级到底层时间轮被隐藏在了这句不起眼的 bucket.flush(reinsert) 中。

总结

本文讲述了简单时间轮以及分层时间轮的概念,然后通过源码阅读讲述了 Kafka 中为何以及如何实现分层时间轮的。对于大量请求,每个请求对应一个定时任务,需要大量的插入/删除操作,因此采用了多层时间轮来降低插入/删除的时间复杂度,出于避免重复造轮子的考虑,Kafka 仍然借助 Java 标准库的延时队列来推进时间轮。

除了学习了时间轮之外,Kafka 对时间轮的实现也给了我们另一个启示:优化要在性能敏感的地方优化,对于性能不敏感的操作,能用现成轮子就不要自己费心思重复造轮子。

原文链接:https://mp.weixin.qq.com/s/EMJ4-G7767b2Aehzbmj50Q

0 个评论

要回复文章请先登录注册