线上 kafka 消息堆积，所有 consumer 全部掉线，到底怎么回事？
最近处理了一次线上故障，具体故障表现就是 kafka 某个 topic 消息堆积，这个 topic 的相关 consumer 全部掉线。
整体排查过程和事后的复盘都很有意思，并且结合本次故障，对 kafka 使用的最佳实践有了更深刻的理解。
好了，一起来回顾下这次线上故障吧，最佳实践总结放在最后，千万不要错过。
1、现象
线上 kafka 消息突然开始堆积
消费者应用反馈没有收到消息（没有处理消息的日志）
kafka 的 consumer group 上看没有消费者注册
消费者应用和 kafka 集群最近一周内没有代码、配置相关变更
2、排查过程
服务端、客户端都没有特别的异常日志，kafka 其他 topic 的生产和消费都是正常，所以基本可以判断是客户端消费存在问题。
所以我们重点放在客户端排查上。
1）arthas 在线修改日志等级，输出 debug
由于客户端并没有明显异常日志，因此只能通过 arthas 修改应用日志等级，来寻找线索。
果然有比较重要的发现：
2022-10-25 17:36:17,774 DEBUG [org.apache.kafka.clients.consumer.internals.AbstractCoordinator] - [Consumer clientId=consumer-1, groupId=xxxx] Disabling heartbeat thread2022-10-25 17:36:17,773 DEBUG [org.apache.kafka.clients.consumer.internals.AbstractCoordinator] - [Consumer clientId=consumer-1, groupId=xxxx] Sending LeaveGroup request to coordinator xxxxxx (id: 2147483644 rack: null)
复制代码
看起来是 kafka-client 自己主动发送消息给 kafka 集群，进行自我驱逐了。因此 consumer 都掉线了。
2）arthas 查看相关线程状态变量用 arthas vmtool 命令进一步看下 kafka-client 相关线程的状态。
可以看到 HeartbeatThread 线程状态是 WAITING，Cordinator 状态是 UNJOINED。
此时，结合源码看，大概推断是由于消费时间过长，导致客户端自我驱逐了。
于是立刻尝试修改 max.poll.records，减少一批拉取的消息数量，同时增大 max.poll.interval.ms 参数，避免由于拉取间隔时间过长导致自我驱逐。
参数修改上线后，发现 consumer 确实不掉线了，但是消费一段时间后，还是就停止消费了。
3、最终原因
相关同学去查看了消费逻辑，发现了业务代码中的死循环，确认了最终原因。
消息内容中的一个字段有新的值，触发了消费者消费逻辑的死循环，导致后续消息无法消费。消费阻塞导致消费者自我驱逐，partition 重新 reblance，所有消费者逐个自我驱逐。
这里核心涉及到 kafka 的消费者和 kafka 之间的保活机制，可以简单了解一下。
kafka-client 会有一个独立线程 HeartbeatThread 跟 kafka 集群进行定时心跳，这个线程跟 lisenter 无关，完全独立。
根据 debug 日志显示的“Sending LeaveGroup request”信息，我们可以很容易定位到自我驱逐的逻辑。
HeartbeatThread 线程在发送心跳前，会比较一下当前时间跟上次 poll 时间，一旦大于 max.poll.interval.ms 参数，就会发起自我驱逐了。
4、进一步思考
虽然最后原因找到了，但是回顾下整个排查过程，其实并不顺利，主要有两点：
kafka-client 对某个消息消费超时能否有明确异常？而不是只看到自我驱逐和 rebalance
有没有办法通过什么手段发现 消费死循环？
4.1 kafka-client 对某个消息消费超时能否有明确异常？
4.1.1 kafka 似乎没有类似机制
我们对消费逻辑进行断点，可以很容易看到整个调用链路。
对消费者来说，主要采用一个线程池来处理每个 kafkaListener，一个 listener 就是一个独立线程。
这个线程会同步处理 poll 消息，然后动态代理回调用户自定义的消息消费逻辑，也就是我们在 @KafkaListener 中写的业务。
所以，从这里可以知道两件事情。
第一点，如果业务消费逻辑很慢或者卡住了，会影响 poll。
第二点，这里没有看到直接设置消费超时的参数，其实也不太好做。
因为这里做了超时中断，那么 poll 也会被中断，是在同一个线程中。所以要么 poll 和消费逻辑在两个工作线程，要么中断掉当前线程后，重新起一个线程 poll。
所以从业务使用角度来说，可能的实现，还是自己设置业务超时。比较通用的实现，可以是在消费逻辑中，用线程池处理消费逻辑，同时用 Future get 阻塞超时中断。
google 了一下，发现 kafka 0.8 曾经有 consumer.timeout.ms 这个参数，但是现在的版本没有这个参数了，不知道是不是类似的作用。
4.1.2 RocketMQ 有点相关机制
然后去看了下 RocketMQ 是否有相关实现，果然有发现。
在 RocketMQ 中，可以对 consumer 设置 consumeTimeout，这个超时就跟我们的设想有一点像了。
consumer 会启动一个异步线程池对正在消费的消息做定时做 cleanExpiredMsg() 处理。
注意，如果消息类型是顺序消费（orderly），这个机制就不生效。
如果是并发消费，那么就会进行超时判断，如果超时了，就会将这条消息的信息通过 sendMessageBack() 方法发回给 broker 进行重试。
如果消息重试超过一定次数，就会进入 RocketMQ 的死信队列。
spring-kafka 其实也有做类似的封装，可以自定义一个死信 topic，做异常处理
4.2 有没有办法通过什么手段快速发现死循环？
一般来说，死循环的线程会导致 CPU 飙高、OOM 等现象，在本次故障中，并没有相关异常表现，所以并没有联系到死循环的问题。
那通过这次故障后，对 kafka 相关机制有了更深刻了解，poll 间隔超时很有可能就是消费阻塞甚至死循环导致。
所以，如果下次出现类似问题，消费者停止消费，但是 kafkaListener 线程还在，可以直接通过 arthas 的 thread id 命令查看对应线程的调用栈，看看是否有异常方法死循环调用。
5、最佳实践
通过此次故障，我们也可以总结几点 kafka 使用的最佳实践：
使用消息队列进行消费时，一定需要多考虑异常情况，包括幂等、耗时处理（甚至死循环）的情况。
尽量提高客户端的消费速度，消费逻辑另起线程进行处理，并最好做超时控制。
减少 Group 订阅 Topic 的数量，一个 Group 订阅的 Topic 最好不要超过 5 个，建议一个 Group 只订阅一个 Topic。
参考以下说明调整参数值：max.poll.records：降低该参数值，建议远远小于<单个线程每秒消费的条数> * <消费线程的个数> * <max.poll.interval.ms>的积。max.poll.interval.ms: 该值要大于<max.poll.records> / (<单个线程每秒消费的条数> * <消费线程的个数>)的值。
希望能够抛砖引玉，提供一些启发和思考。如果你有其他补充和建议，欢迎留言讨论。