集群中数据一致性采取的最终一致性。 2. Broker 消息存储服务器，分为两种角色：Master 与 Slave，上图中呈现的就是 2 主 2 从的部 署架构，在 RocketMQ 中，主服务承担读写操作，从服务器作为一个备份，当主服务器存 在压力时，从服务器可以承担读服务（消息消费）。所有 Broker，包含 Slave 服务器每隔 30s 会向 Nameserver 发送心跳包，心跳包中会包含存在在 那这三个消费者如何来分工来共同消费 order_topic 中的消息呢？ 在 RocketMQ 中支持广播模式与集群模式。 广播模式：一个消费组内的所有消费者每一个都会处理 topic 中的每一条消息，通常用 于刷新内存缓存。 集群模式：一个消费组内的所有消费者共同消费一个 topic 中的消息，即分工协作，一 个消费者消费一部分数据，启动负载均衡， 集群模式是非常普遍的模式，符合分布式架构的基本理念，即横向扩容，当前消费者如 列，不符合期望。 本文来自『中间件兴趣圈』公众号，仅作技术交流，未授权任何商业行为。 19 > 1.2 生产环境中，autoCreateTopicEnable 为什么不能设置为 true 默认读写队列的个数为 4。 我们再来看一下 RocketMQ 默认 topic 的路由信息截图如下： 从图中可以默认 Topic 的路由信息为 broker-a、broker-b 上各 8 个队列。 二、思考

"writeQueueNums":1 }, "TopicTest":{ "perm":6, // 100 读权限 , 10 写权限 6 是 110 读写权限 "readQueueNums":8, "topicFilterType":"SINGLE_TAG", "topicName":"TopicTest", 文件实际偏移量 （2） size 就是指消息大小 （3） 消息 tag 的哈希值 ConsumeQueue 文件组织： (1) topic queueId 来组织的，比如 TopicA 配了读写队列 0, 1,那么 TopicA 和 Queue=0 组 成一个 ConsumeQueue, TopicA 和 Queue=1 组成一个另一个 ConsumeQueue. (2) 按消费端 请求方会 new 一个 ResponseFuture 对象缓存起来 ConcurrentHashMap，并且设置 opaque 值 Broker 接收请求将 opaque 直接把这个值设置回响应对象，客户端接收到这个响应，通 过 opaque 从缓存查找对应的 ResponseFuture 对象 1

拉消息（正常消费），消息直接从 PAGECACHE（数据在物理内存）转入 socket，到达 consumer， 丌经过 java 堆。返种消费场景最多，线上 96G 物理内存，挄照 1K 消息算，可以在物理内存缓存 1 亿条消 息。 (5). Consumer 拉消息（异常消费），消息直接从 PAGECACHE（数据在虚拟内存）转入 socket。 (6). Consumer 拉消息（异常消费），由亍 9.3 连接复用 同一个网络连接，客户端多个线程可以同时収送请求，应答响应通过 header 中的 opaque 字段来标识。 9.4 超时连接 如果某个连接超过特定时间没有活劢（无读写事件），则自劢关闭此连接，幵通知上局业务，清除连接对应的 注册信息。 10 RocketMQ 服务发现（Name Server） Name Server 是与为 RocketMQ 设计的轻量级名称服务，代码小亍 20 消费线程池数量 consumeConcurrentlyMaxSpan 2000 单队列并行消费允许的最大跨度 pullThresholdForQueue 1000 拉消息本地队列缓存消息最大数 pullInterval 0 拉消息间隔，由于是长轮询，所以 为 0，但是如果应用为了流控，也 可以设置大于 0 的值，单位毫秒 consumeMessageBatchMaxSize

Pop 消费模式，多语言友好，易集成 从业务走向数据： • 事件流场景支撑 • 面向 SQL 的轻量级实时计算引擎 可分可合的存储计算分离： • Broker 升级为真正的无状态服务节点，无 binding • Broker和Store节点分离部署、独立扩缩 • 可分可合，适应多种业务场景，降低运维负担 云原生基础设施： • 可观测性能力云原生化，OpenTelemetry 标准化

umer四部分构成，如下图所示。 原文链接：Apache RocketMQ 介绍 NameServer以轻量级的方式提供服务发现和路由功能，每个NameServer存有全量的路由信息，提 对等的读写服务，支持快速扩缩容。 Broker负责消息存储，以Topic为纬度支持轻量级的队列，单机可以支撑上万队列规模，支持消息推 模型，具备多副本容错机制（2副本或3副本）、强大的削峰填谷以及上亿级消息堆积能力，同时可严

• 运⾏行行在云计算环境 IaaS • 快速，弹性 • 降低技术⻛风险 • 互操作性，易易部署，可监控管理理 消息系统挑战 • 传统设计和实现⽅方⾯面 • 组件的微服务化，例例如存储和计算分离 • 开源软件的冲击，云服务选型⾯面临挑战 • 缺少稳定的多语⾔言类库 • Cloud AI Ops⽅方⾯面 • 容器器化部署，K8S编排 • 诸如IoT/IIoT新场景下的规模化部署能⼒力力不不⾜足