电商营销场景的RocketMQ实战01-RocketMQ原理
架构图
Broker主从架构与集群模式
RocketMQ原理深入剖析
Broker主从架构原理
HAConnection与HAClient
Broker基于raft协议的主从架构
Consumer运行原理
基础知识
001_RocketMQ架构设计与运行流程分析
RocketMQ这一块，非常关键的一个重要的技术，面试的时候也是非常的高频
建议的学习顺序分为三块：
1、儒猿技术窝里的付费的专栏《从0带你成为消息中间件实战高手》，几十块钱，rocketmq整体的基本原理，高阶的玩法以及一些案例的实践，都讲了一下，用在项目里的时候可能出一些什么问题，如何解决；
2、rocketmq内核原理，会把rocketmq内核级的深入的源码讲解一遍，让大家站在第一点的基础之上，可以对rocketmq有一个技术深度的理解和掌握；
3、会给大家去讲解电商场景下的一些基于rocketmq实战案例，包括实战代码，生产环境下如何对rocketmq进行每秒上10w并发的大压力的生产经验和优化
4、rocketmq的源码：不在跳槽营的范围之内，儒猿有自己的高阶课的体系，架构级的一些课程，本身来说是在儒猿高阶的课程里
002_NameServer是如何管理Broker集群的？
为什么各个Namesrv之间不通信，为什么设计上要做这样的取舍？保证Namesrv功能的单一、简单，不需要维持各个Namesrv之间的peer to peer，也就是不需要强制维持各个Namesrv之间数据强一致。把压力给到broker端去，就算两台Namesrv之间数据不一致，表现出来的效果也是下层不同broker受到的读写压力不一样
Eureka之间，是互相通信，保证数据一致的，这其实，就是一种设计上的取舍，无所谓好坏
003_Broker主从架构与集群模式原理分析
broker主从，broker集群，大家一定要把这些概念理清楚，才能深入理解nameserver的内核的原理
一个broker cluster集群，会有多套broker主从
004_基于 Topic 队列机制实现的数据分片架构
注意理解，RocketMQ是如何实现的数据分片治理
消息中间件，有一个关键的数据模型和概念Topic，它是逻辑上的一个大的数据集合，逻辑概
念不是物理概念，要往一个 Topic 里写入消息，Topic 是虚的概念，底下实的概念，其实是 broker，但是对我们的业务系统来说，我们在写代码的时候，是没有 broker的概念在里面，只有 topic 的概念，topic -> broker 之间需要有一个关联，虚到实
消息数据分布式存储
数据分片概念，producer 写出来的消息会分散在很多台 broker 服务器上，每台 broker 服务器上存储的消息数据，都是一个shard数据分片
此时，引入一个RocketMQ 里的很关键的概念，topic -> 多个 queue（逻辑上的概念，映射到物理
层面去了，每个 queue 可以认为就是一台 broker 服务器上的一个磁盘数据，已经可以初步的
做一个映射关系了）
一个topic 在各个 broker 分组里的 queue 是如何分布的呢？
默认情况下，一个 topic 你创建之后，会在每个 broker 分组里，搞 4 个 write queue，4 个 read queue
005_NameServer 内存中核心数据模型分析
// 表示有RuyuanBroker01, RuyuanBroker02，两套主从
clusterAddrTable: {
RuyuanRocketMQCluster: [RuyuanBroker01, RuyuanBroker02]
}
brokerAddrTable: [{
RuyuanBroker01: {
cluster: RuyuanRocketMQCluster,
brokerAddrs: [0: xx.xx.xx.xx:8888, 1: xx.xx.xx.xx:8889]
}
},{
RuyuanBroker02: {
cluster: RuyuanRocketMQCluster,
brokerAddrs: [0: xx.xx.xx.xx:8888, 1: xx.xx.xx.xx:8889]
}
}]
brokerLiveTable: {
xx.xx.xx.xx:8888: {
lastUpdateTimestamp: 242342341,
haServerAddr: xx.xx.xx.xx:8889
},
xx.xx.xx.xx:8889: {
lastUpdateTimestamp: 242342341,
haServerAddr: xx.xx.xx.xx:xxx
}
}
topicQueueTable: {
RuyuanTopic: {
{
brokerName: RuyuanBroker01,
readQueueNums: 4
writeQueueNums: 4
},
{
brokerName: RuyuanBroker02,
readQueueNums: 4
writeQueueNums: 4
}
}
}
006_Producer 内核级发送消息机制分析
1、 消息是如何发送到 broker去的
2、 如果说消息要是发送失败了，此时会如何处理
3、 发送消息的时候，有哪些比较高阶的特性可以使用，按照 key hash，orderid 相同的消息，orderid=001，都进入到一个 queue 里去，以保证他们的顺序性
发送消息，肯定是指定一个topic ，往topic里去进行一个发送，RuyuanTopic ，send message，把一个消息发送到我们的 topic 里去：首先需要获取该topic他有哪些 queue，这些 queue 分布在哪些 broker 上
生产者进行消息发送时
先从生产者本地关于topic信息的缓存中，通过比如轮询的负载均衡算法，在topicQueueTable中选择出一个queue，然后根据选择出来的queue对应的brokerName，从brokerAddrTable中找出该brokerName对应的brokerAddrs列表中brokerId为0的主节点，然后对着这个主节点进行真正的网络通信发送消息的过程
007_ 基于 Producer内核分析消息hash分发原理
在各个broker上，一个topic是有很多的queue，默认情况下，往一个topic里写入的数据，会均匀分散到各个broker的各个queue里去
同一个queue就代表一个队列，所以消息进入到同一个queue里去的时候，在同一个queue里的消息是有顺序的。 但是不同的queue之间的消息是没有顺序的，如果说有一些场景让某一类数据有一定的特殊顺序性，比如orderid，orderid=11001，对应的多条消息可以有顺序，唯一的选择就是让 orderid=11001的所有消息都进入同一个queue， 同一个队列，保证他们在同一个队列里是有顺序的
用这个字段值的hash值，对queue的数量进行取模，就可以确保同一个字段值 -> 同一个hash值 -> 取模出来同一个queue 序号 -> 进入同一个 queue -> 保证有顺 今序
topic queue -> data shard分片
发送高可用
broker故障延迟感知：因为nameserver在发现某个broker没有更新心跳挂了以后，不会主动的通知各个producer说某个broker挂了。只有producer自己每30s主动拉取刷新一次路由缓存，才能够感知到某个broker挂了，而在这期间，producer发送到这台broker的消息可能会失败，但是失败后可以有故障避退，和重试发送的机制来保证整个的发送过程高可用
自动重试机制：
故障退避机制：
nameserver在发现某个broker挂了以后，不会主动的通知各个producer，因为这样会使得nameserver的实现变得很复杂，每次注册表变化还得通知各个producer，但zk是这样实现的
此时的消息发送的负载均衡机制，就从轮询，变成了hash取模的负载均衡机制
其实，rocketmq的多个broker就已经组成了一个分布式存储系统了，客户端发送过来的消息，通过一定的负载均衡机制，打散存储在各个broker的queue之上
008_Broker 如何实现高并发消息数据写入？
写入消息有两种方式，一种随机写，一种顺序写， 写哪里 （ 内存、磁盘 ）
一般来说，如果说你要持久化保存我们的消息数据的话，消息必须是要落地到磁盘里去的， 落地到内存里去，避免内存里的dsfdsdf数据丢失，此时就需要设计一套避免内存里数据不丢失的一套机制，这套机制一般都是基于WAL（write ahead log，这种也是需要写磁盘的 ）
到底是用随机写，顺序写
随机写，磁盘文件里面的数据格式是你自定义的，每次写入数据，都是需要找到磁盘文件里的某个位置，在那个位置里插入你最新的数据， word文件肯定是放在我笔记本电脑的磁盘里的， 磁盘文件每次写入数据，都是在一个文件末尾去进行追加就可以了，绝对不会随机在文件里寻址，找到一个中间的位置插入数据， 而是就是不停的对文件进行数据追加，这种就叫做顺序写
如果要是不把数据写在磁盘里，而是写在内存里， 顺序写和随机写，意思是差不多的， 内存里随机写，内存也是有地址空间 ，就是在内存里随机的内存地址的寻址，再去插入数据，一块连续 的内存空间里，顺序的不停追加写入数据，避免了随机寻址 在内存里随机写数据，性能当然是非常高的了
随机写磁盘文件 -> 几十 ms 、 几百 ms，顺序写磁盘文件 = 约等于在内存里随机写数据 -> 毫秒级
Commitlog默认是1GB，每个文件不要过大，过大了以后对后续的数据读写性能都不太好，所以写 满 了一个文件就切换下一个文件就可以了
009_RocketMQ读写队列的运作原理分析
设计write queue和read queue概念的原因？
主要是为了让producer发送消息是路由到哪些队列，和consumer消费时消费哪个队列进行分离，从而为了进行队列的扩容和缩容的方便
write queue是一个实的，是有磁盘文件一一对应的和
read queue是一个虚的，一般一个read queue都会绑定一个write queue，从而方便consumer通过read queue实际消费到write queue中的数据
010_Consumer 内核级消息拉取原理分析
rocketmq写concumser代码的时候，一般都是写一个consumer listener 回调监听函数，让
consumer在拉取消费到消息之后，把消息回调来调用我们自己写的回调监听函数，在函数里进行消息的处理就可以了
老师有一个问题： 当我们不使用rocketmq在消费端自带的线程池，而使用我们自定义的业务线程池来消费消息， 那当我们把在ComsumerListener#consumeMessage()方法中，把消息一丢入自己定义的业务线程池，就相当于返回了Consume_Success，那消费进度就提交了，此时如果自定义的消费线程池出了问题，当前这条消息，不就丢失了吗？ 这个问题一般有什么解决方案呢？
管理员(2023-9-20): 同学你好，可以在消费者端，在消息消费之前，将消息本地存储起来，然后将消息提交给自定义的业务线程池。如果自定义线程池出现问题，你可以实现一个重试机制，定期检查未确认的消息并重新处理它们
011_CommitLog和ConsumeQueue物理存储格式
consumer读取消息的场景，consumer 正常来说，都是按照顺序一条消息一条消息的去进行读取， 一个 topic 是可以给多个 consumer group 去进行消费的
比如，RuyuanTopic这个topic （ 8 个 queue ） -> 业务系统 A （ 部署了 3 台机器， 这三台机器组成一个consumer group ，每台机器就是一个 consumer ） ，业务系统B （部署了 5 台机器组成另一个consumer group， 每台机器就是一个 consumer ）
不同的 consumer group 对一个 queue ， 消费的 进度是不一样的， 有的consumer group对这个queue可能已经消费了 500 个消息了，有的 consumer group可能才消费了100 个消息
假设这个queue 里已经有了 1 000 个消息了， 但是有的 consumer group 才消费到了 1 00 个消息， 此时下一个消息的消费是从 101 个消息继续 往后去进行消费的，broker在接收到consumer发送过来的拉取offset从101开始的消息的请求时，需要能快速的定位到第101条消息
一个consume queue是一个磁盘上的文件，甚至是多个文件，如果想定位到第101条消息，此时就涉及到随机磁盘读 ，也就是说我们希望能够随时 根据我要消费的消息的序号，快速定位到那条消息在磁盘文件里的位置，再定位到那个位置，从那个位置去进行一个读取需求
针对这样的一个读取的需求，我们的 consume queue 磁盘文件应该如何设计，才能支持我们高效的磁盘位置定位以及读取呢 ？
012_ConsumeQueue 的高性能物理存储设计
ConsumeQueue对应的物理磁盘目录层级结构为：~/topicName/queueId/多个磁盘文件，
比如，~/RuyuanTopic/0/ 多个磁盘文件，每个磁 盘文件里都会存储一条一条消息的索引条目，每条索引条目在磁盘文件里存储的是什么东西？ commitlog 偏移量 8 个字节，大小 4 个字节，tag 哈希码8 个字节，每条消息在 ConsumeQueue 磁 盘文件里存储的大小是定长的， 20 个字节一条条目数据，固定下来每个 ConsumeQueue 里面大概是 30 万个条目，每个 ConsumeQueue 的磁盘文件大概就是 5.72MB 大小
013_ConsumeQueue 如何实现高性能消息读的？
某一个consumer group来读取的消息，每条消息都是有一个自己在queue中的逻辑offset ，逻辑 offset可以大致认是queue里的第几条消息
consumer group里的一个consumer是负责读取某个queue的消息的，此时他知道说要读取的是这个queue 里的第几个消息， 比如说要读取的是第 150 个消息，应该先是根据消息的逻辑上的 offset，根据他是queue里的第几个消息， 先去定位到他是属于该 ConsumeQueue 的哪一个磁盘文件， 就可以 150 * 20 个字 节 ， （ 1 - 1 ） * 20 个字 节 =0 字 节 （起始位置）， 从 0 字 节 开始 读取 20 个字 节，就可以把第一个消息读取出来了，（ 150 – 1 ） * 20 个字 节 = 算出来一个字节 数，就是这消息的起始位置，对于这个起始位置是真实的磁盘中的物理位置，
物理位置是根据字节计算出来的，从那个起始位置开始读，连续读20个字节，就可以把第150 个消息索引条目给读取出来
这种方式，其实是一种极为高效率，高性能的 consume queue 读取方式，根本就不需要进行遍 历读取磁盘文件里一条一条的消息来查找，不需要遍历 ，有点类似于跟数组 [index] ， 直接定位到一个位置，然后从那个位置把数据读取出来一 样的效果 （不需要像链表一样一直遍历下去才知道当前消息是queue中的第几条消息，而是类似数据的定位方式，这使得consumer带着消息逻辑偏移来broker拉取消息时，broker能通过这种快速定位的方式，快速的找到该条消息，这一点是非常重要的）
014_CommitLog 基于内存的高并发写入优化
1 、 Broker 写入性能优化
（ 1 ） CommitLog在写入的时候，是基于磁盘顺 序写来提升性能的
（ 2 ） ConsumeQueue是基于异步转发写入机制来提升一个性能的
2 、 Broker读取性能优化
（ 1 ） ConsumeQueue 基于定长消息索引条目 + 定长文件， 消息索引条目的一次定位 + 读取
（ 2 ） CommitLog 是基于文件名 = 第一条消息的 总物理偏移量， 基于消息物理偏移量可以快速的定位CommitLog文件以及其中的物理起始位置， 一次定位 + 读取
无论是写入还是读取，此时此刻最大的问题，就是还是基于物理磁盘文件在做这个事情，能否基于内存进一步的去提升我们的整体的写入性能和读取的性能
rocketmq确实就是基于内存来提升了commitlog 他的写入性能，如果不基于内存映射机制，哪怕是仅仅使用磁盘顺序写入，写入性能也不是最优的
基于MappedFile，mapping文件内存映射机制， 实现了一个把你的消息数据写入，由直接写入磁盘，变成写入到内存里，然后由操作系统的异步刷磁盘线程，把内存里的消息，通过磁盘顺序写来刷到磁盘里去
此时的消息写入，就既用到了内存映射，又用到了磁盘顺序写
关于PageCache与内存映射
PageCache
首先要认识到一点，因为磁盘和内存之间速率的差异，以及程序的局部性原理，linux引入了PageCache的概念，所以，就算是传统的普通IO模式中，依然是有PageCache的存在的，传统IO下，数据也是由缺页中断调起，先从磁盘进入PageCache，然后用户程序空间再通过read()系统调用，把数据从PageCache复制到用户空间中来
内存映射
核心的一点是，是磁盘文件对应的PageCache与用户虚拟地址空间之间的映射，内存映射指的不是PageCache与磁盘文件之间的映射。PageCache与磁盘文件之间的映射，是linux在引入PageCache这个概念时，就自己帮我们做好了
当磁盘文件对应的PageCache与用户虚拟地址空间完成了一对一映射后，程序员通过直接操作虚拟地址空间，就实现了操作磁盘文件对应的PageCache的效果。原来的传统io模式，还需要把PageCache中的内容拷贝到用户空间，完成修改后，再通过系统调用write()来把修改的内容写回PageCache
总结一下就是，有了内存映射后，少了一次PageCache拷贝到用户空间的操作，程序员可以在用户虚拟地址空间来操作虚拟地址，来达到直接操作内存中的PageCache的效果
如果后台异步线程在将commitlog写入到ConsumeQueue的时候宕机了，是不是要记录一下已经写入ConsumeQueue队列的最大commitlog偏移量，然后在在系统恢复的时候才能将没有写完的commitlog继续异步写入ConsumeQueue队列？
管理员(2022-9-24): 是的，是会记录commitlog maxoffset
015_Broker数据丢失场景以及解决方案
1 、 Broker 写入性能 优 化
（ 1 ） CommitLog 写入：磁 盘 文件 顺 序写 + 磁 盘 文件 ->page cache 内存映射 = 直接就是 顺 序写内存，
如果希望数据是 0 丢 失的， 只能改成同步刷盘 + 磁盘顺序写
如果希望牺牲一点数据丢失性， 换取高吞吐高性能，保持默认的异步刷盘就可以了
（ 2 ） ConsumeQueue 是异步写入的， 这块 性能影响就不大了
第一种情况， Broker （ rocketmq 就是用 java 开 发出来的中间件系 统 ， 启 动 之后就是一个 jvm 进 程）， Broker 作为 一个 jvm 进 程， 突然崩溃 掉了， 仅仅只是说是一个 jvm 进程没了而已， page cache 里的数据是 os 管理的， 概率比较高一些
第二种情况， Broker jvm 进程所在的服务器，服 务器自己本身故障宕机了，os 、虚拟机、物理机、硬件层面的故障，此时就会导致你之前写入到 page cache 里的数据丢失， 这种情况发生的概率很低很低很低，但不是说不会发生机器故障， 也是有的，小概率，极端情况下数据丢失一定要考虑到位
016_Page Cache 内存高并发读写问题分析
牺牲一丢丢的数据可能丢失的问题 ，换来的是写内存，提升性能和吞吐量
page cache 内存数据，可能会在高并发高吞吐的 读写竞争之下，因为异步刷盘场景下，producer刚刚才把大量的消息写入到PageCache，又立马有大量的消息读请求，此时的消费者会直接从PageCache中读取消息，不用去磁盘读
此时，就会出现一个经典的问题，rocketmq里异常， broker busy ，broker 过于繁忙，导致你的一些操作，可能会阻塞住或执行失败。因为，此时os的page cache数据，被竞争争用的太频繁了， 太激烈了，高并发和高吞吐的场景之下的
如何解决上述的PageCache被竞争争用太频繁的问题：transientStorePool机制
017_基于jvm offheap 的内存读写分离机制
transientStorePoolEnabled 机制， 瞬时存储池启用， 机制， 你可以 选择 去开启他， 如果你要真 是 压 力大到了
老师，有个疑问：rocketmq也采用的这样的双缓冲的刷盘机制，但是，是采用的一个单独的后台线程，定时每10ms刷一次缓冲中的数据到磁盘，而不是像我们这里，是随机的某一个客户端写入线程来执行真正的刷盘动作。hadoop的刷盘逻辑，可能会造成大量写入线程的周期性卡顿，而rocketmq的实现方式，好像就不存在这个问题？
管理员(23小时前): 1、Hadoop的随机客户端写入线程刷盘机制： Hadoop采用这种机制，在写入数据时由随机的客户端写入线程执行实际的刷盘动作，将数据刷入磁盘。 这种方式的优点是可以充分利用系统的并行性，不会受到单一后台线程的限制，可以实现高并发写入。 缺点是可能会出现周期性的卡顿，尤其当有大量写入线程在同一时间刷盘时，可能会导致短暂的写入延迟。 2、RocketMQ的后台线程定时刷盘机制： RocketMQ采用一个单独的后台线程定时刷盘，将缓冲中的数据定期刷入磁盘，通常是每隔一定时间（如10ms）执行一次刷盘操作。 这种方式的优点是可以避免周期性卡顿，因为刷盘动作是由单独的后台线程负责，不会受到其他写入线程的影响。 缺点是在刷盘时间间隔内，数据可能会在内存中暂存，有一定的数据丢失风险。 针对同学你的疑问，为什么Hadoop的刷盘逻辑可能会造成大量写入线程的周期性卡顿，而RocketMQ的实现方式不存在这个问题？？ 并发度与刷盘频率的平衡： Hadoop的随机客户端写入线程刷盘机制可能会造成卡顿，主要是因为并发度较高时，多个写入线程同时刷盘会导致竞争和延迟。在Hadoop中，需要平衡并发度和刷盘频率，避免过多的写入线程同时刷盘。 业务特点和数据丢失风险： RocketMQ选择定时刷盘的方式可能基于其业务特点和对数据丢失的容忍程度。在消息中间件场景下，短暂的数据暂存可能是可以接受的，而定期刷盘可以降低系统的整体压力。
出现了我 刚 才所 说 的那个 问题 之后，就可以实现一个内存级别 的 读 写分离模式
一般来说 ， 在一个服 务 器上部署了一个系 统 之后， 这个系统作为一个 jvm 进 程会运行再操 作系 统 上， 内存一般来说分成三种，一种 jvm heap 内存， jvm 管理堆内存，第二种是 offheap 内存， jvm 堆外的内存， 第三种就是 page cache 是 os 管理的
开启这个机制后，就变成了一个“两级缓存”的机制，第一级缓存是堆外内存，第二级缓存就是PageCache。此时，消息是先写入堆外内存，就返回消息写入成功了，然后有后台线程每隔一段时间将堆外内存中的消息一次性刷到PageCache中，然后进入PageCache中的脏页就由内核自己的后台线程，默认每隔500ms刷一次脏页到磁盘中去
此时，就实现了一种读写分离的效果：
写是先写入堆外内存，然后隔段时间统一刷入PageCache一次，就降低了针对PageCache的频繁的写压力，将写压力转给了堆外内存
读是直接去读PageCache，因为PageCache没有了频繁的写压力，所以此时去频繁的读也不会产生激烈的读写竞争
018_jvm offheap+page cache 数据丢失问题
系统设计里，凡事皆有利弊，没有什么事情是十全十美的，不可能的
为了解决一个问题，往往会引入一个新的问题 ， 开发一个系统 ，遇到了一个技术问题，为了解决他，引入了一个新的技术 ，可是新的技术 引入了之后，他自己本身又会产生新的问题 ，所以这个就是一个非常的 问题
为了解决高并发高吞吐之下对 page cache 竞 争 读写导致的问题，引入了 jvm offheap 做了两 级缓 存， 实现了内存级别的读写分离， 解决掉了 对 一 块 内存空间的写和读，竞争的问题，搞定了 数据丢失的风险会大大的提高
数据丢失，主要是分为两种情况：
1 、 broker jvm 进程，崩溃宕机， jvm 进程可能会意外退出，或者自己正常的关闭 broker jvm 进 程，再重新启动和打开他 ，此时 jvm offheap中的数据也会丢失
2 、 broker 所在的服务器，可能会有一个崩溃的 问题，此时jvm offheap和PageCache中的数据都会丢失
没有一个技术方案是完美的，你只能去抓当前场 景里的主要矛盾是什么
你金融级的数据，数据绝对不能丢失的，你可能要牺牲性能和吞吐量，直接让你的数据每一次写入都直接刷盘
大部分的普通情况，数据可以丢一下下，丢一点数据，是在服务器宕机极端场景下，才会丢几百毫秒的数据，这个时候就保持默认就可以了，写 page cache ，同时异步的刷 盘 ；
默认情况下，出现了高并发竞争 page cache 的问题时，开启高阶机制 jvm offheap ，容忍一定的 jvm 崩溃丢失一点数据，核心原理就是，通过使用多级缓存的读写分离，来抗高并发读写和高吞吐
这个机制懂原理就好，实际中，一般不开启
019_ConsumeQueue 异步写入失败恢复机制
一次消息的真正写入成功，需要写入CommitLog和写入ConsumeQueue都成功。写入CommitLog和写入ConsumeQueue，是两个独立的步骤，两者之间是异步执行的
写入到MappingFile映射文件中的数据，只要linux系统不宕机，这部分数据迟早会通过linux的内核后台线程刷去磁盘CommitLog文件中，也就是说这部分数据，不会丢
写入到ConsumeQueue的数据则不同，有另外的一个负责写ConsumeQueue的后台线程，当监听到CommitLog文件有新消息写入时，则会将该条消息在CommitLog文件中的全局物理偏移、消息大小size、还有消息的哈希码，三个作为一个消息索引条目，写入ConsumeQueue
场景一
消息写入CommitLog文件成功后，后台线程还没没监听到这条消息，linux服务器就宕机了，此后让linux服务器重启以后，后台线程仍然可以去监听写入CommitLog文件但还没写入ConsumeQueue的消息，继续后续写入动作
场景二
消息写入CommitLog文件成功后，且后台线程监听到这条消息，准备开始异步写入ConsumeQueue时， linux服务器就宕机了，此后让linux服务器重启以后，后台线程有一套比对机制，比对写入CommitLog文件但还没写入ConsumeQueue的消息，继续后续写入动作
至于这个比对机制，我还没在源码中见过，后续在看，这个很重要，数据异步双写的一致性兜底策略
总结一下就是，只要成功写入到CommitLog文件中的消息，都能保证成功写入ConsumeQueue中
020_Broker写入与读取流程性能优化总结
物理存储结构主要是为了优化写入和读取， 都是为了写入、存储 、 读取， 这三块去做一个设计的，写入尽可能高吞吐，高并发，如何让存储可以有效的进行数据结构组织服务于我们的写入和读取， 如何让高并发的读取可以有效的进行，broker主要要做到的一些事情
1 、 写入优化
（ 1 ） 默认就是直接写入 os page cache 里， mappedfile 机制来实现的，把磁盘文件映射成一 块内存，写文件 = 写内存，就直接返回成功了，内存级顺序写入，亮点就是基于 os page cache 来写入数据， 如果 broker jvm 进程崩溃（高概率事件） 了，是不会导致os page cache 的数据丢失的，服务器崩溃的极端场景才会导致几百毫秒内写入的数据会丢失，一般来说不会发生
（ 2 ） 对于 ConsumeQueue 和 IndexFile 写入， 是异步写入的，这个也是性能提升的一个点， 但是只要数据在 commit log 里没丢失，哪怕是异步写入没有成功，broker jvm 就崩也不能溃了， 但是broker jvm重启和恢复了，此也时基于 commit log 数据都可以恢复consume queue 的数据
2 、 存储结构
（ 1 ） ConsumeQueue 存储结构是经过了极大的 优化设计的，物理存储结构设计，极 为 的精 巧的，每个消息在 ConsumeQueue 里存储的都是定 长的（ 20 字 节 ） ，每个文件也是定长的是30w 个消息，定长则能很好的topic目录 -> 多个 queue目录 -> 多个磁盘文件，每个磁盘文件一 样 大的，都是5.72MB
（ 2 ） CommitLog 他的物理存储结构也是精心 设计的，他也是每个文件默认就 1 GB ， 满了以 后就写下一个文件， 文件名，就是每条消息在所有的 commitlog 里都有一个总的物理偏移量， 每 个文件的第一条消息他的总物理偏移量， 就是文件的名称， 每个 commitog 他的起始消息的总物理偏移量通过文件名就可以看出来了
3 、 读取优化
（1） 根据消息 逻辑 offset 偏移量 （ 类 似于 这 个queue 里的第几个消息），定位到你的 ConsumeQueue 的磁盘文件（比如第30w到60w个消息索引条目，就在第2个磁盘文件中），在磁盘文件里，就可以去根据你的逻辑上的偏移量， 就可以去计算出在ConsumeQueue 的磁盘文件中的物理偏移量， 通过这第一次定位，就找到这条消息索引条目， 通过条目就可以找到消息在 commitlog 里的全局物理偏移量， 通过全局物理偏移量再第二次定位，就可以把真正的消息读取出来了
（2） 高并发的对page cache 进行读写竞争的时候 broker busy， transientStorePool 机制， 开启之后，就会启用 jvm offheap 内存，内存级的读写分离
021_Broker基于Pull模式的主从复制原理
push 模式， pull 模式
push 模式 -> 我 们业务 系 统 的 producer 往 broker 主 节 点里写入数据之后， 直接由 broker 主 节 点主 动 的把数据 push 发 送到从 节 点里面去
pull 模式 -> producer 仅仅是往 broker 主节点里写入数据，此时主节点是不会主动的把数据推送到从节点里去，是等待从节点反过来发送 pull 拉取数据的请求，然后主节点收到了拉取数据的请求之后，才会把数据发送给从节点
022_Broker层面到底如何做到数据0丢失？
在这套主从同步机制之下，我们如何做到数据0 丢 失如果broker主节点改成同步刷盘机制之后， 每一次写入，必须把数据写入到物理磁盘的层面， 此时写入才会返回，broker jvm 进程崩溃 ，数据 100% 不会丢 ，broker 部署所在的服务器突然宕机了（断 电 ） ，此时数据 页也不会丢失了， 因 为数据在物理磁盘上，第三种极端中的极端中的多年难得一遇的场景，物理磁盘坏了 （没法恢复数据）
仅仅是依赖 broker 主节点同步刷盘 ， 还是会存在物理磁盘损坏，导致数据丢失；主节点崩溃了以后， 此时 ，如果你的数据 还没来得及同步给从 节点， 此时主节点崩溃了，从节点还没同步到这 个数据，此时你从从节点里读取数据，是读不到的，这也是一个问题 ，短时间内，如果主节点没有恢复，从节点也是读不到数据的
此时，broker层面100%稳妥的办法，就是改成同步刷盘 + 同步复制，但是这种写入性能太差，一般不使用
023_数据0丢失与写入高并发的tradeoff
99% ， 99.9% ， 99.99% ， 99.999% -> 无限的逼近与 100% ， 无限的把 损 失的概率降低到接近 于 0% ， 这是我们能做到的事情
反复的跟大家讲的，反复权衡tradeoff ，你要的到底是什么，你想要什么，你能失去什么，任何事情，技术上的事情，系统设计上的事情，没有1 00% 的完美，当你要解决一个问题的，引入了一堆的技术，此时连带引入对应的新的问题
如果你真想实现数据在 broker 层 面的 0 丢 失， 确实写入成功的数据几乎不会丢失 但是写入性能？写入吞吐量？狂跌不止，性能估 计 会 调 几个数量级， 一次消息写入 broker ， 异步刷 盘 + 异步复制， 只要写入 page cache 就可以返回了， 几 ms 、 几十 ms -> 同步刷盘， 几十 ms 、 几百 ms + 同步复制， 等待从节点发送 pull 请 求， 物理磁盘读数据，通过网络把拉取数据返回，从节 点把数据写入磁盘，从节点下一次 pull 请求，快 则几百 ms，慢一两 s 都有这种可能
几百 ms 打底， 一两 s ， 两三秒 s ， 都有 这 种可能，吞吐量和并发就会咔咔掉， 单位时间里能 完成的发送消息的请求数量原来是每秒可以上万， 现在是每秒只能几百，1000 ， 都有可能
金融级场景钱有关的，才要做到这么严苛， 一点 问题不能出
场景：生产者发送消息到broker，broker同步刷盘了，此时在等待从节点的拉取响应。如果此时从节点在没有拉到最新写入主节点的数据就挂了。那么此时broker如何响应给生产者呢？如果响应失败的话，实际上消息在主broker上已经写入了，还没有写入从节点而已，如果生产者重试，是否消息就会重复了？
管理员(2022-8-7): 首先要看rocketmq的架构是什么，现在都是raft高可用的架构方式，是主写点写完之后去同步其他follower节点，等待大多数节点响应后返回给client端；broker上有条消息，但是broker这条数据不是commit的是uncommit的状态，这块你可以看下raft写log的过程，uncommit的数据是无效的，消费者是消费不到的，响应失败后producer端需要自己重试来发送
024_RocketMQ 4.5.0 以前的读写分离模式
默认情况下，rocketmq 是不倾向于主动让你直接 长期进行读写分离的，而是倾向于写和读都是在主节点来进行的，从节点主要是用于进行数据复制和同步，实现热备份，万一主节点挂了，此时 作为一个备选，才会去从从节点那里读取数据
为什么像上述一样设计，下一讲会给大家来进行分析
如果说主节点过于繁忙，积压了大量的消息，处 理不过来了，写和读，积压的消息数量，超过了他本地内存的40% ，这是自己定的一个比例 -> 主 节点太繁忙了 -> 在你发起一次拉取消息请求之后，他会通知你下一次拉取消息的 broker id 是谁
如果又过了一段时间，从节点发现自己本地的消息积压量小于自己的物理内存30%，说明拉取很顺利很快速，此时，从节点又会给消费者拉取线程返回一个brokerId=0，也就是说让消费者又漂移回主节点进行消息拉取
025_RocketMQ为什么采取惰性读写分离模式？
读写分离，主从漂移模式。赛车一般是玩漂移，我们也是一个 专业 的技术术语， ip漂移，主从机器对外提供一个完整的服务，你在访问的时候， 有的时候访问主，有的时候访问从，此时主从之 间的给你访问的 ip 漂移， 一会儿漂移到主， 一会儿漂移到从
彻底的读写分离，对于从节点的数据读取，备用备选，什么时候会在从节点进行消费和读取呢， 如果说主节点过于繁忙了，积压的没消费的消息太多了，都占比达到了自己物理内存 的 40% 了， cpu 负载可能很高（大量的读写线程并发运行， 机器运行效率可能都降低了），来不及处理这么多的 请 求了
消费请求漂移到从节点去，出现了一个请求漂移
主节点如果崩溃了，毫无疑问的，只能从从节点去进行消费了
在从节点消费的非常好，消息的积压数量很快就下降到了从节点物理内存的30% 占比以内， 就说 明你此时消费一切良好，又会让你漂移回主节点去了，惰性读写分离，懒惰、不情愿的、不主动 的、偶尔的才会让你去从节点进行消费
rocketmq作为一个 mq，还算是支持了可以从从 节点去进行消费和读取，kafka 也是一个 mq ， topic -> 不是很多queue 而是很多的partition ， 不同的节点组成了 leader 和 follower 主从结构，去进行数据复制， 默认也是不会让你去从节点去 读取
MQ 作为一个特殊的中间件系统，他要维护你的每个 consumer对一个queue的消费进度
如果有一主三从的broker集群，如果消费者一会儿去主读，一会儿又去三个从里面各自读取一会儿，因为此时没有统一的一个消费进度管理的位置，消费进度都各自为政，就很不好办。像这种broker集群的消费进度，一定要维护到一个统一的地方，进行集中式的存储跟管理（突然想起zk就是一个元数据集中式存储与管理好组件）
一般，从会每隔10s把自己当前的消费进度等元数据信息同步给主一次，以便当发生了主从读写分离后，主能够同步的更新当前的消费进度
就是因为消费进度不好统一管理的问题，所以，RocketMQ没有选择一上来就主张读写分离
Broker高可用
026_Broker数据与服务是否都实现高可用了？
RocketMQ 4.5.0之前，主节点崩溃之后，是没有高可用的主从切换机制的，主从机制在 4.5.0 之前仅仅是用来进行热备份的，让主节点数据在从节 点也有一份，主节点崩了之后，这个时候就全靠 从节点提供有限的数据和服务了
服务的高可用，broker提供的服务就两个，一个是写、一个是 读 ，写数据，读数据。
从节点就是从节点，是不能写入数据的，只能作 为一个备胎一样的感觉，偶尔主节点实在是忙不 过来或者是挂掉的时候，从节点可以顶上
主从漂移 + 惰性读写分离机制， 如果主节点崩溃 了以后，producer 就会全部是写失败了， 但是consumer 任可以继续去找从节点进行消费，从节 点之前同步到了多少数据，就只能提供这些数据的继续消费行为
rocketmq 按照上面这一套实现原理， 实现broker的服务高可用了吗 ？数据和服务都没实现高可用
服务高可用，这块就只能提供有限的读，写是不行了， 不能写就导致没新的数据进来，已有的数据消费完了也就完了，读也只是有限的读；
数据高可用，数据可能有些最新数据都没来得及同步给从，从而从的数据也不是完整的，只能说 是大部分的数据不丢失而已，主从同步实现了热备份、热同步，主节点全崩的时候， 从节点保留了大部分的数据
rocketmq 在 4.5.0 之后，做一个最新的架构改造，主从同步 + 主从切 换 （ 高可用机制， 数据 和服务 ， 都是高可用）
027_Broker 数据与服务高可用的理想化设计
rocketmq以前老版本的，单纯的主从复制，实现 了数据不丢，效果不是特别好，你的一个数据分片也就是一个broker集群，broker主节点挂掉了以后，从节点都没法接管主节点的工作
理想情况下，应该是一个什么样的设计呢？
主的数据写入后，先直接进page cache 就可以了，但是主从同步，如果你要实现主从数据强一致的同步。
如果采用 pull 模式，必然会导致主必 须去等待从过来 pull 拉取数据，时效性一般来说 比较差 。主从数据强一致，写入主节点，主节点直接进 page cache 就算成功了，到此为止，写内存速度还是很快的
此时最好是采取一个push的模式， 主直接把你的这条数据push 同步给从节点，此时客户端的写请求只要等待一次从节点的push成功就可以了 。对于从节点，同样也是采取了异步刷 盘的策略，从收到了一条消息之后，直接也是写入 page cahce 就可以返回，这时就说本次push 同步成功了
ps：
主从同步，同步调用从节点如果网络问题导致失败，主节点会返回生产者失败，当大多数节点不满足的时候，会告诉生产者失败
028_Broker基于raft协议的主从架构设计
Raft协议使用过半机制和选举周期来避免脑裂
Zab协议使用过半机制和全局唯一的Zxid来避免脑裂
场景：如果主有12345，5条消息，两台从，从1只有消息1234，从2只有消息125，这时主挂了，从1成为新的主，消费者此时找从1拿消息，不就拿不到消息5了吗？ 主往从1同步消息3 4成功，同步消息5失败 主往从2同步消息 3 4失败，同步消息5成功
管理员(18分钟前): 同学你好，首先，RocketMQ 的主从架构是为了实现消息的高可用性和容错性而设计的。当主节点挂掉后，会从从节点中选举出新的主节点，确保消息服务的持续可用。然而，在主从切换的过程中，可能会出现消息同步不一致的情况，这取决于各个节点的同步进度和状态。 在同学你提到的情况中，主节点有消息 1-5，从节点1有消息 1-4，从节点2有消息 1、2、5。如果主节点挂掉，从节点1成为新的主节点，消费者此时从从节点1拉取消息，将只能拉取到消息 1-4，而无法获取消息 5。 解决这个问题的方法通常是依赖于 RocketMQ 的消息复制机制和同步策略： 消息复制机制： RocketMQ 默认的消息复制机制是支持多副本的。在这种情况下，消息被存储在多个节点上，确保了消息的冗余性和可靠性。当主节点切换时，新的主节点会尽力同步副本，使得各个副本最终保持一致。但是在切换过程中可能会存在少量的不一致性。 同步策略： RocketMQ 提供了同步策略来控制消息的同步行为。这些策略包括同步刷盘、同步主从等。你可以调整同步策略的参数，以权衡消息的可靠性和性能。 为了尽量避免消息同步不一致的情况，你可以考虑以下几点： 1: 配置适当的消息复制因子，使得主从节点数目足够，即使在切换过程中也能够保持足够的消息冗余。 2: 配置合适的同步策略，根据你的业务需求来平衡消息的可靠性和性能。 3: 在设计应用程序时，考虑处理消息重复和消息丢失的情况，以保证数据的完整性和一致性。
问题1：也就是说，从1在切换为新主后，第一件会做的事情是去其他从拉取消息，来让各方的数据对齐？
问题2：配置适当的同步因子，我理解就是增加从机器的数量？ 从机器越多，主往从需要同步的也就越多，同步给某一台从或某几台从失败的概率不就更增大了？
问题3：配合合适的同步策略，使用了raft协议高可用后，不是默认同步n/2 + 1台机器就返回写入成功了吗，难道n/2 + 1这个比例，还能更改吗？
管理员(1小时前):
问题1：是的，当从节点1成为新的主节点时，它会尝试与其他从节点进行消息同步，以使各方的数据尽可能对齐。这个过程可能涉及消息的复制、同步和确认，以确保消息的冗余性和一致性。
问题2：配置适当的消息复制因子并不是指增加从机器的数量。消息复制因子是指每条消息在集群中被复制的次数，也就是消息副本数。默认情况下，RocketMQ 会将消息复制到多个节点上，以提供冗余和可靠性。增加消息复制因子会增加磁盘和网络负载，但可以提高数据的冗余性。从机器的数量与消息复制因子不完全一致，你可以根据业务需求和性能考虑来调整消息复制因子。
问题3：RocketMQ 使用 Raft 协议来实现高可用性的主从架构，确实默认情况下需要将消息同步到大多数节点才会返回写入成功。在一个有 n 个节点的集群中，写入成功需要同步到 n/2 + 1 个节点。这是为了确保在大多数节点可用的情况下，数据的一致性和可靠性。
029_raft 协议的leader选举算法介绍
raft 协议，就是一套针对分布式系统多台机器，进 行Leader 选举 + 主从同步复制 + 主从切换，定义的一套算法和方法论
具体思想怎么实现的，要看开源的 raft 框架，或者是自己动手实现一套 raft 协议算法
具体原理是，
每个follower都会给自己设置一个1 50ms~300ms之间的随机的倒计时时间，也就是 说有的follower可能会倒计时150ms，有的可能是 160ms，有的可能是240ms，大家的时间一般是不一样的
肯定有一个follower 倒计时时间是最少的，他是最先完成倒计的， 也就是第一个完成倒计时的follower， 此时这个follower就会苏醒过来，并把自己的身份转变为candidate，成为一个leader候 选人，他会开始想要竞选成为一个leader，就需要大家一起来给它投票，他自己也可以投票，他当然会投票给他自己， 但这是不够的，他还需要得到别人的认可，这个很关键 ，他会发送请求给其他的节点，进行拉票的动作，他把拉票的请求发送给另外2个还是follower状态的节点，他们还在 进行倒计时呢
follower节点，此时收到一个拉票的请求之后，如果他之前没有给别人投过票，此时收到了一个拉票请求，就会把自己的票投给你，如果他要是之前投票给别人了，此时他就拒绝你的拉票。
当前的两个follower，他们肯定没有投过票，因为 他们之前一直在倒计时，这两个follower会把票都投给我们的第一个苏醒过来的candidate
candidate完成拉票之后，因为那两个follower都把票投给了他，他此时发现自己的得票数，已经超 过了半数quorum了，n/2+1，此时它就顺理成章成为leader
大多数follower，比如说他之前倒计时250ms ， 此时还有50ms就要倒计时完毕了，但是收到了一个人说自己是leader， 该follower就会重置自己的倒计时计时器，重新从 250ms 开始进行计时，这就是leader维持自己的地位的手段，只要有它在，让两个follower永远没有机会成为candidate
030_Broker基于状态机实现的leader选举
状态机就是状态模式的一个运用，
状态设计模式，你的系统可以维护多个状态State，多个State之间可以进行切换，每次切换到一个新的state之后，执行的行为是不同的，行为是跟state绑定在一起的
状态设计模式 -> 状态机 -> state machine ， 就是跟状态设计模式是差不多的，可以维护多个state 状态，不同的状态可以对应不同的行为
rocketmq，broker在实现leader选举的时候，采取的就是一个状态机制来实现的
031_Leader选举状态机实现细节全分析
broker1 2 3
如果1和3同时结束倒计时，都像2发出了拉票，2把票给了1，则1成为leader，3重新开始倒计时
如果1 2 3都同时结束倒计时，三个人各自都向对面两个人发出了拉票，那么此轮就三个人都只有各自给自己投的一票，则1 2 3都重新开始倒计时进入下一轮投票
032_Broker基于DLedger的数据写入流程
基于raft协议思想指导的leader选举的机制，都已 经搞定了，数据是如何进行写入的， raft 协议之下，只有 leader 可以对外提供服务，对外提供写和读的服务，follower是不对外提供服务的，他们仅仅是进行数据复制和同步，只有在leader故障的 时候，follower们才会完成重新的leader选举， 以便继续对外提供服务
kafka、zookeeper其实是如出一辙的，如果说你要是一边写leader，一边从follower去读，raft协议 之下，过半写成功机制，此时如果允许对 follower 发起一个读的话，可能会有一个问题，可能会读 到那个还没复制成功数据的follower，从而导致broker集群对外看到的数据视图是不一致的
为了解决数据写和读的一致的问题，kafka、zk、rocketmq raft实现，都是写和读针对 leader就可以了，写成功了再去读，一定是可以读到一致的数据
033_Broker引入DLedger后的存储兼容设计
消费的时候，读数据，只要 leader 写入成功了，此时就可以在leader读取到呢？ 仅仅是写入 leader的page cache，本次写入是并没有宣告成功的，还需要等待是否超过半数节点写入成功， 此 时写入并没有成功，就不应该让你消费的时候读 取到leader写成功的数据，这里大家一定要注意这 个点，一定要等到半数写成功，返回这条消息写入已经成功了，做到这一点，才可以让在leader上的数据被消费到读取到
消息数据被调整为了dledger 的日志格式， 针对这 个日志格式，此时应该如何来进行兼容
dledger写入的日志格式的数据，写入 commitlog 里面去的是有header 和 body 两个部分， header 这里是包含了很多的 header头字段（每个头字段 4 个字节或者几个字节 ）和长度不固定的 body体
原始的commitlog存储的一条一条的数据，会把原始的commitlog里的数据，一个数据条目，给他放到dledger里面的body里面去，header一堆头字段 +body （ commitlog 原始数据）， 不 就可以了 吗
把dledger数据存储结构和原始的 commitlog 做了一个兼容和整合，两块数据就集成到一块儿去了 commitlog 里是每一条数据都有 header+body ， 此时你如果准备存入ConsumeQueue的消息索引条目中的消息全局物理偏移量，还是从header开始去计算就不对了，在ConsumeQueue里放入的每个消息索引条目的offset偏移量，是 commitlog 里一条数据的body起始的物理偏移量
034_BrokerController主从元数据同步
元数据、消息写入和读取，都是基于broker leader 来进行的
topic路由信息，topic在当前broker组里放了几个 queue，集群里会有很多的 topic， 每个不同的topic都会在当前broker里放他们自己所属的queue ， 类 似 这样 的 topic 路由数据
消费进度数据，各个consumer group对同一个queue的不同消费进度数据，此时都是存储在主节点上的
需要从节点起一个定时任务，每隔60s去主节点拉取一次
从节点的BrokerController#initiallize()方法内，会通过延时单线程线程池，起一个每60s执行一次的定时任务，定时任务中会判断broker是Master则打印一下主从的diff，如果是slave就会执行SlaveSynchronize#syncAll()方法来同步四种数据：Topic数据，就是当前topic在当前master broker上有几个队列之类的信息，因为一个topic的queue可能分布在多台不同的master broker上、消费进度信息，比如TEST_01_TOPIC这个topic，在当前master broker中有4个queue，那么同步给从节点的消费进度信息可能就是 ｛ TEST_01_TOPIC@trade_system_consumer_group，0:137，1:128，2:145，3:115 ｝。 这样的不同消费组对于同一个topic下，四个不同队列的消费进度
从节点起一个定时任务，去主节点拉取四种不同类型的元数据，也就意味着从节点会通过netty向主节点发送四次request_code不同的请求，主节点侧会有一个请求入口统一接收这四种request_code不同的请求，每个request_code都对应有一套不同的逻辑处理，然后分发路由给不同的逻辑处理。四种不同类型的数据，就对应着主节点这边有四种不同类型的XxxxxManager的数据管理器，来管理着这四种不同类型的数据
从节点拉取到主节点返回的元数据以后，比如拉取到返回的topic信息后，首先要做的就是比对返回的数据的DataVersion与自己本地缓存的数据版本是否一致，如果不一致才会执行更新本地缓存数据
Consumer端
036_Consumer端队列负载均衡分配机制
topic是有一堆的queue，且分布在不同的broker上的； consumer group 是有多个 consumer ，要把多个queue 分配给多个consumer，每个 consumer都会分配到一部分的queue
- 这个queue->consumer的分配关系谁来负责，负责分配的角色，他就可以根据一定的算法，把 queue分配个我们的consumer ，
- topic里的有多少queue信息从哪里获取，
- 如何知道一个consumer group 里到底有多少个 consumer
每个consumer都会去获取到 topic有多少个queue同时还会去获取consumer group里有多少个 consumer， 然后每个consumer自己都会按照相同的算法，去做一次分配
每个Consumer会向所有的broker进行注册，从而每个broker就都知道一个consumer group的所有 consumer有哪些
RebalanceService ， 拉取 topic queue 信息， 拉取 consumer group ， 根据算法分配 queue ， 确 认 自己要拉取哪些 queue 平均分配算法、 轮询 分配算法、 一致性 hash 、 配置化、 机房分配
037_Consumer 消息拉取的挂起机制分析
q1 ， q2 ， q3 ， q4 ， q5 ， q6 ， q7 ， q8 ， 两个broker 组，8个queue，2个consumer，完成了queue->consumer的分配之后，当前的 consumer也就知道自己应该负责的queue是哪些了
如果没有开启 consumer 拉取消息的long polling 长轮询机制，默认情况下就是 short polling 机制
- 短轮询机制，默认情况下他会挂起 1s ， 通过shortPollingMillis 参数可以去进行控制挂起时长，如果过来未拉取到消息也挂起1s后，再次检查是否有满足条件的消息，此时不管有没有消息都会返回
- 如果开启了long polling 长轮询机制， 此时又分push和pull两种情况，
push模式，会挂起 + 每隔 5s 检查， 一直到 15s 都没有拉到消息，此时才会超时返回， 长轮询 ，
pull模式，挂起超时时间20s
不同模式的参数控制的时间不太一 样
PS:
关于push模式的长轮询，挂起 + 每隔 5s 检查，分别是两个不同的线程，当消费者消息拉取线程来到broker后发现没有符合条件的消息，则会进去挂起状态，然后broker端会另外起一个后台轮询线程，每隔 5s 检查一次有没有符合条件的消息，如果有，则唤醒前面挂起的消费者消息拉取线程、如果没有，则继续等待下一个5s
038_Consumer的处理队列映射与并发消费
messageQueue和processQueue是一对一对应的关系，当前consumer分配到消费4个messageQueue，也自己本地内存中就会建立4个一一对应的processQueue
MessageQueue是一个虚拟的概念。在Broker中，一个topic下有许多个MessageQueue，每个MessageQueue都会有一系列的ConsumeQueue文件，这个ConsumeQueue文件存储的是一条消息索引条目中存储的原始消息，对应在CommitLog文件中的offset偏移量，即一个全局物理位置
从MessageQueue拉回来的消息，会存储到本地的processQueue中，本地消费成功，则会将该条消息从processQueue中中删除
039_Consumer处理成功后的消费进度管理
两级异步刷写线程，才能让消费端传过来给到broker的消费进度，刷入broker的磁盘processQueue中删除，并把该消息对应的位点写入consumer本地的内存进度管理，此时异步线程还未来得及把该进度刷给broker的内存端，consumer就宕机了，此时就会引起重复消费
040_Consumer消息重复消费原理剖析
consumer 消息重复消费，是一个可能很经常的一个事情， mq consumer，都要实现一套严格的分布式锁和幂等性检查保障的机制和体系
消费进度的两级刷盘机制，如果消费端的listener刚成功处理一条消息返回SUCCESS，把该消息从
consumer重复消费具体代码怎么落地呢，分布式锁是使用redisson?
管理员(2022-8-5): 是的,一般上游消息里面有一个messageid,然后证据这个id做消息的幂等,或者通过 redis redisson做分布式锁来保证幂等(重复消费)
041_Consumer处理失败时的延迟消费机制
处理失败的消息，或者处理过程中抛出异常并没有捕获的场景，会返回一个RECONSUME_LATER，此时也会删除processQueue中对应的该条消息，并且此时也会给broker返回一个ack，此时broker会做几个动作
会将原消息整体包装起来，外层换成RETRY_XXX_TOPIC，然后把封装后的消息写入commitlog中，并且此时会有18个延迟队列分别对应不同的延迟等级，首先把包装后的消息丢入第一级延迟队列，每一级延迟队列都对应有一个定时任务扫描，发现自己负责的队列中有消息到达延迟时间后，就把包装消息从commitlog中取出来，然后换成原始的业务topic，成为原始消息，此时把这个恢复出来的原始消息又丢进commitlog，并会重新被reput到ConsumeQueue中，最后消费者消息拉取线程，就又可以把这条消息从broker的ConsumeQueue中拉回到本地processQueue中进行针对该条消息的重试消费
042_Consumer Group变动时的重负载机制
consumer group内增减consumer ，都会引起重平衡
比如当前就一台broker内部有4个queue，有一个consumer group内部有2个consumer，按照平均分配算法，consumer1分配queue1和2，consumer2分配queue3和4，当consumer1挂掉后，consumer2就会去接管queue1和2，也就是说consumer2的消息拉取线程，会同时负责拉取4个队列的消息，同时，因为该台broker内部保存了queue1和2当前的消费进度，所以consumer2可以接着这个进度往后进行消费
从这里，就能看出重平衡可能引起重复消费，consumer1消费了10条queue1的消息，但是还未将消费进度同步给broker就挂了，引起重平衡，后续consumer2又会再次消费这10条queue1的消息