结合源码聊一聊为何线上RocketMQ偶尔出现system busy

这里是weihubeats ,觉得文章不错可以关注公众号小奏技术，文章首发。拒绝营销号，拒绝标题党

RocketMQ 版本

• 5.1.0

背景

继之前研究过的RocketMQ发送消息还有这种坑？遇到SYSTEM_BUSY不重试？

今天我们来分析分析RocketMQ什么情况下会出现system busy，因为线上的RocketMQ集群偶尔会出现[PCBUSY_CLEAN_QUEUE]broker busy, start flow control for a while。所以打算详细研究下为何会出现这种情况

总共有几种system busy

我们通过查看SYSTEM_BUSY状态码调用的方式可以看到总共有如下几种system busy

1. REJECTREQUEST\]system busy, start flow control for a while

2. TIMEOUT_CLEAN_QUEUE\]broker busy, start flow control for a while, period in queue

Grpc这边的异常我们暂时不讨论,因为只是简单的超时判断，和其他四种不太一样

下面我们结合源码来详细分析这四种情况是如何出现的

[REJECTREQUEST]system busy

何时会抛出[REJECTREQUEST]system busy

先说结论

1. 操作系统页面缓存(Os PageCache)繁忙
2. 如果开启堆外内存存储消息，堆外内存不够也会抛出[REJECTREQUEST]system busy

下面我们来结合源码具体分析下

我们直接全局搜索找到对应的源码，然后看看方法

这里看不到实际的逻辑，所以我们继续往上看看，NettyRequestProcessor接口的实现类有很多，我们主要看SendMessageProcessor

这里第一个if else我们不用管，我们现在不是使用的这种模式部署的，主要看下面的代码

这里可以看到是否抛出[REJECTREQUEST]system busy异常主要有两个条件

1. 检查操作系统页面缓存(Os PageCache)是否繁忙
2. 检查暂存器池(transientStorePool)是否不足

如何检查操作系统页面缓存(Os PageCache)是否繁忙

@Override
    public boolean isOSPageCacheBusy() {
        long begin = this.getCommitLog().getBeginTimeInLock();
        long diff = this.systemClock.now() - begin;

        return diff < 10000000
            && diff > this.messageStoreConfig.getOsPageCacheBusyTimeOutMills();
    }

• begin: (将消息写入Commitlog文件所持有锁的时间),begin即beginTimeInLock，在asyncPutMessages中赋值

也就是消息追加到MappedFile的开始时间

• diff: (一次消息追加过程中持有锁的总时长，即往内存映射文件或pageCache追加一条消息所耗时间)

diff 大于 配置的osPageCacheBusyTimeOutMills时间，默认1s就表示Os PageCache Busy

如何检查暂存器池(transientStorePool)是否不足

这里的transientStorePool实际是对外内存，判断条件的代码我们来看看

    @Override
    public boolean isTransientStorePoolDeficient() {
        return remainTransientStoreBufferNumbs() == 0;
    }

    public int remainTransientStoreBufferNumbs() {
        return this.transientStorePool.availableBufferNums();
    }

    public int availableBufferNums() {
        if (messageStore.isTransientStorePoolEnable()) {
            return availableBuffers.size();
        }
        return Integer.MAX_VALUE;
    }

首先判断是否开启transientStorePoolEnable堆外内存存储消息，默认为false

如果没开启返回Integer.MAX_VALUE一定不为0.

所以如果没有开启transientStorePoolEnable，则只会判断操作系统页面缓存(Os PageCache)是否繁忙

开启了transientStorePoolEnable还会判断堆外内存是否够用

堆外内存的相关配置通过transientStorePoolSize和mappedFileSizeCommitLog配置，默认为5个ByteBuffer，每个1G 所以开启堆外内存存储消息，会额外消耗5G内存。

如果对外内存不够则建议调整transientStorePoolSize的值

too many requests and system thread pool busy

这里结合源码分析主要是在线程池提交任务被拒绝的时候会给client返回这个异常，我们具体来看看这个线程池

我们看看队列的容量是多少

this.sendThreadPoolQueue = new LinkedBlockingQueue<>(this.brokerConfig.getSendThreadPoolQueueCapacity());

可以看到默认是1w，也就是如果发送消息的请求超过了1w未处理，就会直接给client抛出这个异常

[TIMEOUT_CLEAN_QUEUE]broker busy

我们全局搜索[TIMEOUT_CLEAN_QUEUE]broker busy

有两处地方，我们先看看RemotingProtocolServer

this.timerExecutor.scheduleAtFixedRate(this::cleanExpireRequest, 10, 10, TimeUnit.SECONDS);

可以看到使用启动器启动扫描去处理过期的请求，如何处理呢

这里就是检验线程池中的任务是否超过执行时间，如果超过则移除，然后给client返回[TIMEOUT_CLEAN_QUEUE]broker busy，具体的超时时间不同的线程池有不同的配置，

消息发送的3s

我们再看看BrokerFastFailure

这里其实可以看到也是清理线程池的BlockingQueue，和上面的RemotingProtocolServer类似，不同的是这里的这些BlockingQueue主要是给broker使用的，上面的主要是给远程通信用的。

[PCBUSY_CLEAN_QUEUE]broker busy

这里可以看到主要是如果发生了 OS page cache is busy，每隔10毫秒执行一次，直接去将broker中等待处理的消息queue全部丢弃，返回失败

这里和上面[TIMEOUT_CLEAN_QUEUE]broker busy不同的是如果发生OS page cache is busy是直接丢弃，不是等待超时

两者都需要broker开启快速失败即brokerFastFailureEnable为true，默认为true

总结

本次我们结合源码分析了出现system busy的四种情况

1. OS page cache is busy
2. broker中消息发送线程池(sendMessageExecutor)处理任务超时
3. OS page cache is busy，开始清理送线程池(sendMessageExecutor)中的queue任务
4. 消息发送线程池(sendMessageExecutor)队列容量满了(默认1w)

如何缓解这几种异常呢？本质都是broker的压力太大了，处理不过来。

最好的解决方式就是提升broker的处理速度，即RocketMQ的 QPS。 有以下几种方式

1. 开启读写分离(即transientStorePoolEnable = true)
2. 扩容broker集群
3. 优化broker qps(实际1中的方法也属于这条)

不太可取方案:

1. 关闭快速失败(brokerFastFailureEnable = true)
2. 扩大sendMessageExecutor线程池的队列容量
3. 增大osPageCacheBusyTimeOutMills超时时间

参考

• 博客
• RocketMQ源码