CentOS 上提升 Kafka 性能的系统化做法
一 操作系统与硬件层优化
- 存储与文件系统：优先使用SSD/NVMe，将日志目录放在高性能磁盘；文件系统建议XFS（大数据量下通常优于 EXT4）；挂载选项加上noatime减少元数据写放大。
- 虚拟内存与脏页：将vm.swappiness设为1以减少 swap；将vm.dirty_background_ratio设为≤5（避免为 0），将vm.dirty_ratio设为60–80以允许内核在合理窗口批量回写，降低抖动。
- 网络栈：适度增大套接字缓冲，建议将net.core.rmem_default/wmem_default设为262144，net.core.rmem_max/wmem_max设为2097152；可按需调整net.ipv4.tcp_rmem/tcp_wmem以匹配带宽与延迟。
- 资源限制与内核：提高文件描述符与进程数上限（如nofile 655360），并调大vm.max_map_count以避免 mmap 失败；确保网络带宽充足、时延低，这是吞吐的基础。
- 说明：上述参数需结合业务与压测逐步验证，避免一次性大幅改动。
二 Broker 配置优化
- 基础与存储：在server.properties中配置唯一broker.id、合理的listeners/advertised.listeners、充足的log.dirs（多盘可并行）；默认分区数与副本因子可按负载设置（如num.partitions=8、default.replication.factor=3）。
- 可靠性与可用性：设置min.insync.replicas=2（在acks=all时确保写入多数副本）；将unclean.leader.election.enable=false以避免数据丢失；根据网络质量调整replica.lag.time.max.ms（如60000 ms）。
- 线程与网络：按 CPU 核数调优num.network.threads（常见为CPU+1）与num.io.threads（常见为2×CPU，不超过 3×CPU）；适度增大socket.send.buffer.bytes/socket.receive.buffer.bytes（如102400）。
- 刷盘策略：生产环境通常依赖操作系统页缓存与批量刷盘，不建议将log.flush.interval.messages/ms设得过小，以免频繁 fsync 拖累吞吐。
- 主题与保留：结合磁盘容量与 SLA 调整log.retention.hours（如72 h），并将日志段大小设为1GB左右以便更快回收与重启加载。
三 生产者与消费者配置
- 生产者：启用批量与压缩提升吞吐，适度增大batch.size与linger.ms；在强一致场景使用acks=all并配合min.insync.replicas；根据带宽与 CPU 选择合适压缩（如snappy/lz4/zstd）。
- 消费者：增大fetch.max.bytes与max.partition.fetch.bytes以减少请求次数；根据处理能力调整max.poll.records，避免单次拉取过大导致处理超时或 OOM；合理设置fetch.min.bytes/fetch.max.wait.ms在吞吐与延迟间平衡。
- 通用：保持客户端与 Broker 版本兼容，网络往返时延（RTT）较高时优先通过批量与压缩而非降低可靠性换取性能。
四 稳定性与重平衡优化
- 消费者组重平衡：提高session.timeout.ms并合理设置heartbeat.interval.ms（如session ≥ 3× heartbeat）；启用group.instance.id实现静态成员资格，减少短暂离线触发的重平衡；执行滚动重启避免“集体跳水”。
- 变更控制：调整num.partitions、变更cleanup.policy/retention等可能影响分区布局与磁盘 IO 的策略时，分批灰度，观察 ISR 与 UnderReplicatedPartitions 等指标。
- 监控与告警：持续观察ISR 数量、UnderReplicatedPartitions、请求耗时与生产/消费延迟，必要时回滚变更。
五 监控与压测闭环
- 命令行巡检：使用kafka-topics.sh --describe查看Leader/ISR；用kafka-consumer-groups.sh --describe查看消费延迟与滞后。
- JMX 关键指标：关注kafka.server:type=ReplicaManager,name=UnderReplicatedPartitions、kafka.consumer:type=consumer-fetch-manager-metrics,client-id=* 等，结合请求耗时百分位定位瓶颈。
- 可视化与告警：部署Prometheus + Grafana监控吞吐、延迟、请求错误率与 ISR 变化，设置阈值告警，驱动参数迭代。