建構高度可擴展的雲端原生應用的五個技巧
如何透過雲端原生設計提升Apache Kafka引擎的效能、可用性和成本效率？本文作者圍繞著這一中心議題，介紹了一項名為Kora的事件流處理平台的重新設計流程及關鍵技術創新。文章首先指出成功雲端原生平台的必備特性，包括多租戶支援、易於擴展、資料驅動管理、跨客戶安全隔離以及支援快速創新。 Kora的設計旨在滿足這些需求，同時保持與現有Kafka協議的兼容性，並在多雲環境下提供一致體驗。
當我們著手重建託管Apache Kafka服務核心的引擎時，我們知道必須滿足成功雲端原生平台的幾個獨特要求。這些系統需要從底層開始就是多租戶的，能夠輕鬆擴展以服務成千上萬的客戶，並且主要由數據驅動的軟體而非人工操作員來管理。它們還應確保在工程師可以持續快速創新的環境中，跨客戶具有強大的隔離性和安全性，即使工作負載不可預測。
去年，我們展示了Kafka引擎的重新設計。我們設計和實施的大部分內容也將適用於其他建構大規模分散式雲端系統的團隊，例如資料庫或儲存系統。我們希望與更廣泛的社群分享我們的經驗，希望這些經驗能對從事其他計畫的人有所幫助。
1.Kafka引擎重新設計的關鍵考慮因素
我們的高階目標可能與你自己基於雲端的系統的目標相似：提高效能和彈性，增加對我們自己和客戶的成本效率，並在多個公有雲上提供一致的體驗。我們還有一個額外的要求，即與目前版本的Kafka協定保持100%相容。
我們重新設計的Kafka引擎名為Kora，是一個事件流處理平台，在AWS、Google Cloud和Azure的70多個區域運行著數萬個叢集。你可能不會立即達到這樣的規模，但下面描述的許多技術仍然適用。
以下是我們在新的Kora設計中實施的五個關鍵創新。如果你想深入了解其中任何一個，我們在這個主題上發表了一篇白皮書，該白皮書在2023年的國際超大數據庫會議(VLDB)上獲得了最佳行業論文獎。
2.使用邏輯「單元」實現可擴充性和隔離性
要建立高可用性和水平可擴展的系統，你需要一個使用可擴展和可組合構建塊構建的架構。具體來說，可擴展系統所做的工作應隨著系統規模的增加而線性成長。原始的Kafka架構並沒有滿足這個標準，因為許多負載方面的成長與系統規模的增加是非線性的。
例如，隨著叢集規模的增加，連線數呈現二次方成長，因為所有客戶端通常都需要與所有代理通訊。類似地，由於每個代理通常在所有其他代理上都有跟隨者，複製開銷也呈現二次方增長。最終結果是，添加代理會導致開銷的不成比例增加，相對於它們帶來的額外計算/儲存能力。
第二個挑戰是確保租戶之間的隔離。特別是，一個表現不佳的租戶可能會對集群中每個其他租戶的效能和可用性產生負面影響。即使有有效的限制和節流，可能總是會有一些負載模式是有問題的。即使客戶端表現良好，節點的儲存也可能會被降級。在集群中的隨機分佈，這將影響所有租戶和潛在的所有應用程式。
我們使用一種稱為單元的邏輯構建塊解決了這些挑戰。我們將群集劃分為一組跨越可用性區域的單元。租戶被隔離到單一單元中，這表示該租戶擁有的每個分區的副本都被分配到該單元中的代理上。這也意味著複製被限制在該單元內的代理之間。在單元中新增代理程式在單元層級上帶來了與先前相同的問題，但現在我們有了一個選項，即在不增加開銷的情況下在叢集中建立新的單元。此外，這為我們提供了一種處理嘈雜租戶的方法。我們可以將租戶的分區移動到隔離單元。
為了衡量這個解決方案的有效性，我們設定了一個包含24個代理程式和六個代理單元的實驗性群集（有關完整配置的詳細信息，請參見我們的白皮書）。當我們執行基準測試時，叢集負載－我們為衡量Kafka叢集負載而設計的一個自訂指標－在使用單元時為53%，而不使用單元時為73%。
3.透過分層架構優化不同儲存類型使用
透過將架構分層以優化不同儲存類型的使用，我們在提高效能和可靠性的同時降低了成本。這源於我們分離計算和儲存的方式，主要是兩方面：使用物件儲存保存冷數據，以及使用區塊儲存代替實例儲存保存更頻繁存取的數據。
這種分層架構使我們能夠增強彈性——當只需要重新分配熱數據時，分區的重新分配變得容易得多。使用EBS捲而不是實例儲存也提高了持久性，因為儲存磁碟區的生命週期與相關虛擬機器的生命週期解耦。
最重要的是，分層允許我們顯著改善成本和效能。成本降低是因為物件儲存是儲存冷資料更經濟實惠且可靠的選擇。而效能提高是因為一旦資料被分層，我們可以將熱資料置於高效能儲存磁碟區中，如果沒有分層，這將是成本高昂的。
4.使用抽象統一多雲體驗
對於計劃在多個雲端上運營的任何服務來說，提供統一且一致的跨雲端客戶體驗至關重要，但這在幾個方面都是具有挑戰性的。雲端服務複雜，即使它們遵循標準，不同雲端和實例之間仍有差異。實例類型、實例可用性和甚至對於類似雲端服務的計費模式都可能以微妙但重要的方式有所不同。例如，Azure區塊儲存不允許獨立配置磁碟吞吐量/IOPS，因此需要配置大容量磁碟來擴充IOPS。相較之下，AWS和GCP允許你獨立調整這些變數。
許多SaaS供應商迴避這種複雜性，讓客戶自己擔心實現一致性能所需的配置細節。顯然，這並不理想，因此在Kora中，我們發展了抽象化的方法來消除這些差異。
我們引入了三種抽象，使客戶能夠遠離實作細節，專注於更高層次的應用程式屬性。這些抽象可以幫助大幅簡化服務並限制客戶需要自行回答的問題。
5.自動化緩解循環對抗性能退化
故障處理對於可靠性至關重要。即便是在雲端，由於雲端供應商中斷、軟體錯誤、磁碟損壞、配置錯誤或其他原因，故障也是不可避免的。這些可能是完全或部分故障，但無論哪種情況，都必須迅速解決，以免影響效能或系統存取。
不幸的是，如果你正在大規模地經營雲端平台，手動偵測和處理這些故障是不可能的。它會佔用過多的操作員時間，並且意味著可能無法快速解決問題以維持服務等級協定。
為了解決這個問題，我們建立了一個解決方案來處理所有此類基礎設施退化的案例。具體來說，我們建立了一個反饋循環，包括一個退化檢測組件，該組件從集群收集指標並使用它們來決定是否有任何組件發生故障以及是否需要採取行動。這使我們能夠在不需任何手動操作員介入的情況下，每周自動處理數百次退化。
實現多種反饋循環追蹤代理性能並在必要時採取行動。當發現問題時，會標記為特定的代理健康狀態，並針對每個狀態採取相應的緩解策略。這三個回饋循環分別解決了本機磁碟問題、外部連線問題和代理退化問題。
- 監控：一種從外部角度追蹤每個代理程式效能的方法。我們經常進行探測以追蹤。
- 聚合：在某些情況下，我們聚合指標以確保相對於其他代理，退化是可察覺的
- React：特定於Kafka 的機制，用於將代理排除在複製協議之外或將領導權從複製協議中移除。
確實，我們的自動化緩解每月在所有三大雲端供應商中檢測並自動緩解數千次部分退化，節省了寶貴的操作員時間，同時確保對客戶的影響最小。
6.平衡有狀態服務以達到效能和效率
在任何有狀態服務中跨伺服器平衡負載是一個難題，直接影響到客戶體驗的服務品質。負載分佈不均會導致客戶受到最繁忙伺服器提供的延遲和吞吐量限制。有狀態服務通常有一組鍵，你需要平衡這些鍵的分佈，以便整體負載均勻分佈在伺服器上，從而客戶能夠從系統中獲得最大效能和最低成本。
例如，Kafka運行的狀態性代理負責平衡分區及其副本到各個代理的分配。根據客戶活動，這些分區上的負載可能會以難以預測的方式激增或下降。這需要一套指標和啟發式方法來確定如何放置分區以最大化效率和利用率。我們透過一個平衡服務來實現這一點，該服務追蹤來自多個代理的一套指標，並持續在後台工作以重新分配分區。
重新平衡分配需要謹慎進行。過於積極的重新平衡會因這些重新分配產生的額外工作而產生破壞性並增加成本。而過慢的重新平衡則會讓系統在修復不平衡之前明顯退化。我們必須實驗了許多啟發式方法，以收斂到一個適合各種工作負載的適當反應水平。
有效平衡的影響可能是巨大的。我們的一位客戶在為他們啟用重新平衡後，負載大約減少了25%。類似地，另一位客戶由於重新平衡，延遲大幅減少。
7.精心設計的雲端原生服務的優勢
如果你正在為你的組織建立雲端原生基礎設施，無論是使用新程式碼還是使用像Kafka這樣的現有開源軟體，我們希望本文中描述的技術能幫助你實現效能、可用性和成本效率的目標。
為了測試Kora的效能，我們在相同的硬體上進行了小規模實驗，比較了Kora和我們的全雲平台與開源Kafka。我們發現Kora提供了更大的彈性，擴展速度提高了30倍；相比我們自管理客戶或其他雲端服務的故障率，可用性提高了10倍以上；並且延遲明顯低於自管理的Kafka。雖然Kafka仍然是運行開源資料流系統的最佳選擇，但對於尋求雲端原生體驗的人來說，Kora是一個很好的選擇。