rocketmq源码-consumer负载均衡逻辑

本文深入探讨了RocketMQ消费者在启动时的负载均衡逻辑,重点在于集群和广播模式的区别以及不同负载均衡策略的应用。在集群模式下,消费者通过特定策略分配处理messageQueue,而广播模式下每个消费者处理所有消息。文中还提到了负载均衡策略,如平均分配、一致性哈希等,并阐述了其在消费者启动过程中的作用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

这篇笔记主要记录consumer在启动过程中,负载均衡的逻辑,多个消费者组成一个消费者组,对于集群模式,同一个消费者组中的多个消费者共同消费一个topic下的所有消息,所以每个consumer可能会处理N个messageQueue,至于哪个consumer消费哪个messageQueue,是由负载均衡策略决定的

源码

在消费者启动的时候,会通过负载均衡策略,来决定当前消费者处理哪几个messageQueue,入口是:

this.rebalanceService.start();

在run()方法中,会通过while循环,每20S,去进行一次负载均衡计算
在这里插入图片描述

在这里插入图片描述
无论是pull模式,还是push模式,都会调用到

org.apache.rocketmq.client.impl.consumer.RebalanceImpl#doRebalance

这个方法,是按照topic维度,进行负载均衡
在这里插入图片描述

广播模式

org.apache.rocketmq.client.impl.consumer.RebalanceImpl#rebalanceByTopic

在这个方法中,会先判断当前消费者的模式,是集群模式?还是广播模式
对于广播模式,无需进行负载均衡,因为广播模式,每个消费者都会消费所有的消息。也就是说,topic中的所有messageQueue,都是需要消费者去处理的
在这里插入图片描述

集群模式

对于集群模式,最重要的,就是这里根据负载均衡策略进行计算的逻辑
在这里插入图片描述

这里是根据负载均衡之后得到的结果,然后更新一些信息
在这里插入图片描述

这里更新的逻辑很重要,对于push模式,每个messageQueue会对应一个pullRequest请求,然后把pullRequest请求放到队列之后,线程会不停的从queue中拉取pullRequest,然后请求broker
updateProcessQueueTableInRebalance在这个方法中,就会去根据messageQueue,构建pullRequest请求,然后放到queue中

对于pull模式,是需要启动异步的pullTaskImpl任务,在这个任务中,会不停的去broker拉取消息,然后放到消费者主动拉取的队列中
messageQueueChanged() 这个方法,就会根据messageQueue,启动pullTaskImpl

所以,对于consumer,我们会发现,对于广播模式,无需进行负载均衡,每个消费者都会处理messageQueue中的消息,对于集群模式,同一个consumeGroup中的消费者,会分摊一个topic中所有的messageQueue

负载均衡策略

在consumer进行负载均衡时,默认提供了多个负载均衡策略;但是还没有仔细研究这几个负载均衡策略的细节,先列举出来

AllocateMachineRoomNearby

就近机房

AllocateMessageQueueAveragely

平均分配算法

AllocateMessageQueueAveragelyByCircle

平均轮询分配

AllocateMessageQueueByConfig

自定义配置

AllocateMessageQueueByMachineRoom

指定机房

AllocateMessageQueueConsistentHash

一致性hash算法

内容概要:本文介绍了MATLAB实现DBN-RBF深度置信网络结合RBF神经网络多输入单输出回归预测的详细项目实例。项目旨在通过深度置信网络(DBN)和径向基函数神经网络(RBF)的结合,设计出一种高效的回归预测模型,以应对高维数据和非线性关系的挑战。DBN用于无监督特征提取,RBF用于快速回归,两者结合显著提升了预测精度和模型泛化能力。文中详细描述了项目的背景、目标、挑战、解决方案、模型架构、代码实现、GUI设计、性能评估及未来改进方向。 适合人群:具备一定编程基础,对机器学习和深度学习有一定了解的研发人员,尤其是从事金融预测、医疗健康、智能制造等领域的工程师和技术人员。 使用场景及目标:①解决高维数据的特征提取难题,提升非线性回归的拟合精度;②通过无监督学习与快速训练能力的结合,提高模型的预测精度和泛化能力;③应用于金融预测、医疗健康、智能制造等多个领域,提供高效的回归预测工具;④通过实时数据流处理和GPU加速推理,确保系统在实时应用中的快速响应。 其他说明:此项目不仅提供了详细的理论分析和代码实现,还涵盖了系统架构设计、模型部署与应用、安全性与用户隐私保护等方面的全面指导。通过结合其他深度学习模型、多任务学习、增量学习等技术,项目具备广阔的扩展性和应用前景。系统还支持自动化CI/CD管道、API服务与业务集成、前端展示与结果导出等功能,确保了系统的高可用性和易用性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值