ActiveMQ

ActiveMQ详细入门教程系列 两个系统或两个客户端之间进行消息传送,利用高效可靠的消息传递机制进行平台无关的数据交流,并基于数据通信来进行分布式系统的集成。通过提供消息传递和消息排队模型,它可以在分布式环境下扩展进程间的通信。异步化提升性能、降低耦合度、流量削峰。系统A发送消息给中间件后,自己的工作已经完成了,不用再去管系统B什么时候完成操作。而系统B拉去消息后,执行自己的操作也不用告诉系统A执行结果,所以整个的通信过程是异步调用的。 阅读详情

ActiveMQ 使用指南、问题解决与最佳实践

Apache ActiveMQ 是一个开源的、基于 Java 的消息中间件,用于实现异步通信和系统解耦。它支持多种协议(如 AMQP、MQTT 和 STOMP),广泛应用于企业级应用,如金融交易、物联网和微服务架构。通过本指南,我将逐步介绍 ActiveMQ 的使用方法、常见问题解决方案和最佳实践,帮助您高效上手并避免常见陷阱。所有内容基于真实可靠的知识和经验,并结合站内引用进行优化。

1. ActiveMQ 使用指南

ActiveMQ 的核心是消息代理(Broker),负责管理消息队列(Queue)和主题(Topic)。队列用于点对点通信,主题用于发布-订阅模式。以下是基本使用步骤:

  • 安装与配置:

    • 下载 ActiveMQ 二进制包(从 Apache 官网),解压后运行 bin/activemq start 启动服务。
    • 默认端口为 61616(TCP)和 8161(Web 控制台)。访问 http://localhost:8161/admin 登录(默认用户名/密码:admin/admin)监控状态。
    • 配置核心文件在 conf/activemq.xml,例如设置内存限制:<systemUsage><memoryUsage limit="512 mb"/></systemUsage> 以避免内存溢出。
    • 引用[1]强调,学习时应从基础配置开始,逐步深入,积累实践经验。
  • 发送和接收消息:

    • 使用 Java 客户端示例(基于 JMS API):
      // 发送消息
      ConnectionFactory factory = new ActiveMQConnectionFactory("tcp://localhost:61616");
      Connection connection = factory.createConnection();
      Session session = connection.createSession(false, Session.AUTO_ACKNOWLEDGE);
      Queue queue = session.createQueue("TEST.QUEUE");
      MessageProducer producer = session.createProducer(queue);
      TextMessage message = session.createTextMessage("Hello ActiveMQ!");
      producer.send(message);
      connection.close();
      
      // 接收消息
      MessageConsumer consumer = session.createConsumer(queue);
      connection.start();
      Message received = consumer.receive();
      System.out.println("Received: " + ((TextMessage) received).getText());
      
    • 在其他语言中,如 C#,可使用 NMS.ActiveMQ 库集成(参考引用[3],其中详细介绍了核心组件如连接工厂和会话)。
  • 核心概念:

    • 队列(Queue):消息仅被一个消费者处理,确保顺序性。
    • 主题(Topic):消息广播给所有订阅者,适合事件驱动场景。
    • 持久性:通过 persistent=true 确保消息不丢失(例如,数据库故障时)。
    • 数学表达:消息吞吐量可计算为 $ \text{throughput} = \frac{\text{消息数量}}{\text{时间间隔}} $,单位是消息/秒,帮助评估性能。
2. 常见问题及解决方案

ActiveMQ 使用中常见问题包括性能瓶颈、消息堆积和连接故障。以下是关键问题与解决步骤:

  • 消息堆积问题:

    • 症状:消费者处理慢导致队列积压,监控界面显示待处理消息数高。
    • 解决方案:
      • 增加消费者数量:使用线程池或分布式消费者。
      • 优化消息大小:压缩消息体(例如,使用 GZIP),减少网络负载。
      • 设置过期时间:在生产者端添加 timeToLive 参数,自动丢弃过期消息。
      • 引用[2]指出,及时监控队列深度(通过 Web 控制台或 JMX)能预防业务损失,建议设置警报阈值。
  • 性能下降与连接问题:

    • 原因:网络延迟、资源不足(如内存或 CPU 瓶颈),或协议不匹配。
    • 解决方案:
      • 监控资源:使用 jconsole 或 ActiveMQ 内置工具检查 JVM 内存使用。公式:内存使用率=已用内存总内存×100% \text{内存使用率} = \frac{\text{已用内存}}{\text{总内存}} \times 100\% 内存使用率=总内存已用内存​×100%,如果超过 80%,需调优配置。
      • 协议优化:在高并发场景优先使用 NIO 协议(tcp://localhost:61616?wireFormat.nio.enabled=true)。
      • 故障排查:检查防火墙设置,确保端口开放;使用日志文件(data/activemq.log)分析错误。
      • 引用[2]强调,在系统设计阶段就应考虑可扩展性,避免消息生产过快。
  • 其他常见问题:

    • 消息丢失:启用持久化存储(如 KahaDB)和事务(session.commit())。
    • 认证失败:在 conf/jetty-realm.properties 更新用户凭据。
    • 数学表达:平均延迟可估算为 $ \text{latency} = \frac{\text{处理时间总和}}{\text{消息数量}} $,帮助诊断瓶颈。
3. 最佳实践

基于行业经验和站内引用,以下是 ActiveMQ 的最佳实践,确保高效可靠:

  • 设计与架构:

    • 解耦系统:使用队列分离生产者和消费者,提升可维护性。例如,在微服务中,将订单服务与库存服务通过队列通信。
    • 负载均衡:部署多个 ActiveMQ 实例,使用网络负载均衡器(如 HAProxy)分发流量。
    • 引用[1]建议,在项目初期就探索适合自己的解决方案,积累经验。
  • 性能优化:

    • 监控工具:集成 Prometheus 和 Grafana 实时监控指标(如消息速率和错误率)。设置自动警报。
    • 资源管理:限制队列大小(<policyEntry queue=">" memoryLimit="1mb"/>),防止内存溢出。
    • 异步处理:消费者使用非阻塞 I/O,减少线程争用。
    • 引用[2]强调,建立完善监控体系是避免性能问题的关键。
  • 安全与可靠性:

    • 加密传输:启用 SSL/TLS(在 conf/activemq.xml 配置 transportConnectors)。
    • 灾难恢复:配置主从集群(Master-Slave),使用共享存储(如 NAS)实现故障转移。
    • 测试策略:在开发环境模拟高负载(例如,使用 JMeter 发送 1000+ 消息/秒),验证系统行为。
  • C# 集成示例:

    • 如引用[3]所述,在 C# WinForm 中使用 NMS.ActiveMQ NuGet 包:
      // 发送消息示例
      IConnectionFactory factory = new NMSConnectionFactory("tcp://localhost:61616");
      using (IConnection connection = factory.CreateConnection())
      {
          ISession session = connection.CreateSession();
          IDestination destination = session.GetQueue("TEST.QUEUE");
          IMessageProducer producer = session.CreateProducer(destination);
          ITextMessage message = session.CreateTextMessage("C# Message");
          producer.Send(message);
      }
      
    • 最佳实践:在 UI 线程外处理消息,避免阻塞;使用异步方法提升响应速度。
4. 总结

ActiveMQ 是强大的消息中间件,通过本指南,您已了解其使用基础、问题解决技巧和最佳实践。关键点包括:从简单配置入手,逐步优化;监控性能预防问题;在设计中优先考虑解耦和扩展性。引用[1]和[2]强调,持续学习和实际项目经验是成为专家的核心。现在,您可以尝试搭建测试环境,应用这些实践。

思维导图

在这里插入图片描述


ActiveMQ 技术深度解析

一、技术原理

ActiveMQ 基于发布-订阅和点对点消息模型,核心原理是通过消息代理(Broker) 解耦生产者和消费者:

  1. 异步通信:生产者发送消息后立即返回,无需等待消费者处理
  2. 消息存储转发:Broker 接收消息后持久化存储,再推送给消费者
  3. 消息路由:根据目的地类型(Queue/Topic)使用不同路由算法
  4. 集群高可用:基于 ZooKeeper 的主从选举实现故障转移

数学表达:消息吞吐量公式
Throughput=MsgCountΔt(msg/s) \text{Throughput} = \frac{\text{MsgCount}}{\Delta t} \quad (\text{msg/s}) Throughput=ΔtMsgCount​(msg/s)

二、核心算法
  1. 消息分发算法:

    • 队列:轮询(Round Robin)或优先级调度
    • 主题:广播到所有活跃订阅者
    • 预取限制:PrefetchLimit=min⁡(Cmax,MmemCactive) \text{PrefetchLimit} = \min(C_{\text{max}}, \frac{M_{\text{mem}}}{C_{\text{active}}}) PrefetchLimit=min(Cmax​,Cactive​Mmem​​)
  2. 持久化算法:

    • KahaDB 使用 LSM-Tree(Log-Structured Merge Tree)
    • 消息追加写入日志,定期合并索引文件
  3. 内存管理:

    • 分页交换:当内存使用率 Umem>80%U_{\text{mem}} > 80\%Umem​>80% 时,将消息换出到磁盘
    • 公式:Umem=MusedMtotal×100% U_{\text{mem}} = \frac{M_{\text{used}}}{M_{\text{total}}} \times 100\% Umem​=Mtotal​Mused​​×100%
三、核心数据结构
Message
Message Headers
Properties
Body
JMSDestination
JMSPriority
JMSExpiration
Custom Key-Value
Text/Bytes/Stream
  1. 消息结构:

    • Headers:系统元数据(目标队列、优先级等)
    • Properties:用户自定义属性
    • Body:消息负载(文本/二进制)
  2. 存储结构(KahaDB):

    • db-*.log:顺序写入的消息日志
    • db.data:B+树索引文件
    • db.redo:事务日志
四、核心组件
组件功能关键特性
Broker消息路由器管理连接/会话/事务
Transport Connector网络通信支持TCP/NIO/SSL等协议
Persistence Adapter消息存储KahaDB/LevelDB/JDBC
Destination消息目标Queue/Topic
Scheduler定时消息延迟投递机制
五、优缺点分析

优点:

  1. 多协议支持(AMQP/MQTT/STOMP)
  2. 完善的消息确认和事务机制
  3. 灵活的主从集群方案
  4. 丰富的监控接口(JMX/Web Console)

缺点:

  1. 单机吞吐量低于Kafka(约5万msg/s vs 100万msg/s)
  2. 集群配置复杂度高
  3. 社区活跃度低于RabbitMQ
  4. 大消息处理效率低(>1MB)
六、Java代码示例(带中文注释)
import org.apache.activemq.ActiveMQConnectionFactory;
import javax.jms.*;

public class ActiveMQDemo {

    public static void main(String[] args) throws JMSException {
        // 1. 创建连接工厂(指定Broker地址)
        ConnectionFactory factory = new ActiveMQConnectionFactory("tcp://localhost:61616?jms.prefetchPolicy.all=10");
        
        // 2. 创建JMS连接并启动
        try (Connection connection = factory.createConnection()) {
            connection.start();  // 必须启动连接才能消费消息
            
            // 3. 创建会话(关闭事务,自动确认消息)
            Session session = connection.createSession(false, Session.AUTO_ACKNOWLEDGE);
            
            // 4. 创建队列(持久化队列)
            Queue queue = session.createQueue("ORDER.QUEUE?consumer.exclusive=true");
            
            // 5. 创建生产者并发送消息
            MessageProducer producer = session.createProducer(queue);
            producer.setDeliveryMode(DeliveryMode.PERSISTENT); // 持久化消息
            
            TextMessage msg = session.createTextMessage("{\"orderId\":1001}");
            msg.setStringProperty("BUSINESS_TYPE", "PAYMENT"); // 设置消息属性
            producer.send(msg, DeliveryMode.PERSISTENT, 5, 60000); // 优先级5, 60秒过期
            
            // 6. 创建消费者(独占消费者模式)
            MessageConsumer consumer = session.createConsumer(queue);
            consumer.setMessageListener(message -> {  // 异步监听
                try {
                    if (message instanceof TextMessage) {
                        System.out.println("收到消息: " + ((TextMessage) message).getText());
                        // 业务处理逻辑...
                        message.acknowledge(); // 手动确认
                    }
                } catch (JMSException e) {
                    e.printStackTrace();
                }
            });
            
            Thread.sleep(5000); // 保持消费者活跃
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
        }
    }
}
关键代码注释:
  1. 连接工厂:tcp://指定传输协议,prefetchPolicy控制预取消息数
  2. 会话参数:createSession(false, ...)关闭事务,AUTO_ACKNOWLEDGE自动确认
  3. 队列特性:consumer.exclusive=true实现独占消费者
  4. 消息属性:setStringProperty()添加业务标识
  5. 发送参数:DeliveryMode.PERSISTENT持久化,优先级5,60秒超时
  6. 异步监听:setMessageListener()非阻塞接收,acknowledge()手动确认
性能优化建议
  1. 使用NIO协议:tcp://...?wireFormat.nio.enabled=true
  2. 调整预取值:根据消费者处理能力设置 jms.prefetchPolicy.queuePrefetch=50
  3. 启用生产者流控:<systemUsage><memoryUsage limit="512mb"/></systemUsage>
  4. 压缩大消息:msg.setBooleanProperty("JMS_AMQ_Compression", true)
思维导图

在这里插入图片描述


ActiveMQ 高可用集群搭建指南

ActiveMQ 支持 Master-Slave 和 Broker Network 两种高可用集群模式,核心通过 ZooKeeper 实现节点协调:

1. Master-Slave 模式(故障转移)
选举
监控
监控
消息同步
ZooKeeper集群
Active Master
Standby Slave1
Standby Slave2
共享存储: KahaDB/NFS

配置步骤:

  1. 共享存储配置(所有节点共用存储)
    <!-- activemq.xml -->
    <persistenceAdapter>
      <kahaDB directory="/shared-storage/kahadb"/> <!-- 或使用NFS挂载 -->
    </persistenceAdapter>
    
  2. 启用 ZooKeeper 选举
    <broker xmlns="http://activemq.apache.org/schema/core" brokerName="ClusterNode" useJmx="true">
      <persistenceAdapter>
        <replicatedLevelDB 
          directory="/data/activemq/store"
          replicas="3"
          bind="tcp://0.0.0.0:61619"
          zkAddress="zk1:2181,zk2:2181,zk3:2181"
          zkPath="/activemq/leveldb-stores"/>
      </persistenceAdapter>
    </broker>
    
  3. 客户端连接:使用 failover:(tcp://node1:61616,tcp://node2:61616)?randomize=false 自动切换主节点
2. Broker Network 模式(负载均衡)
消息
转发
转发
生产者
Broker1
Broker2
Broker3
消费者

配置步骤:

<!-- Broker1 的 activemq.xml -->
<networkConnectors>
  <networkConnector 
    uri="static:(tcp://broker2:61616,tcp://broker3:61616)" 
    duplex="true" 
    dynamicOnly="true"
    prefetchSize="1000"/> <!-- 消息预取优化 -->
</networkConnectors>

性能优化:

  • 设置 prefetchSize=1000 减少网络开销
  • 启用 nio 协议:<transportConnector name="nio" uri="nio://0.0.0.0:61616"/>
  • 限制内存:<systemUsage><memoryUsage limit="512mb"/></systemUsage>

ActiveMQ vs RabbitMQ 性能对比

指标ActiveMQRabbitMQ
协议支持OpenWire/STOMP/MQTT/AMQPAMQP 原生
单机吞吐5-7万 msg/s8-12万 msg/s
延迟毫秒级微秒级
集群扩展基于 ZooKeeper,配置复杂内置 Erlang 分布式,简单
消息顺序严格保证(独占消费者)队列级保证
适用场景企业级事务、JMS 规范高吞吐、低延迟场景

数学模型:

  • ActiveMQ 吞吐量公式:Tmax=Nconn×CprefetchAvgMsgSize×CompressionRatio T_{\text{max}} = \frac{N_{\text{conn}} \times C_{\text{prefetch}}}{\text{AvgMsgSize}} \times \text{CompressionRatio} Tmax​=AvgMsgSizeNconn​×Cprefetch​​×CompressionRatio
    其中 NconnN_{\text{conn}}Nconn​ 为连接数,CprefetchC_{\text{prefetch}}Cprefetch​ 为预取值,压缩比通常为 0.3-0.6

Spring Boot 集成 ActiveMQ 方法

1. 依赖配置
<dependency>
  <groupId>org.springframework.boot</groupId>
  <artifactId>spring-boot-starter-activemq</artifactId>
</dependency>
# application.properties
spring.activemq.broker-url=failover:(tcp://node1:61616,tcp://node2:61616)
spring.activemq.user=admin
spring.activemq.password=secret
spring.activemq.pool.enabled=true # 启用连接池
spring.activemq.pool.max-connections=50
2. 生产者示例
@Service
public class OrderProducer {
  @Autowired private JmsTemplate jmsTemplate;

  public void sendOrder(Order order) {
    jmsTemplate.convertAndSend("ORDER.QUEUE", order, message -> {
      message.setStringProperty("BUSINESS_TYPE", "PAYMENT");
      message.setJMSExpiration(60000); // 60秒超时
      return message;
    });
  }
}
3. 消费者示例(事务支持)
@Component
public class OrderConsumer {
  @JmsListener(destination = "ORDER.QUEUE", 
               containerFactory = "jmsListenerContainerFactory")
  @Transactional // Spring 事务管理
  public void handleOrder(Order order, Session session) {
    try {
      processOrder(order); // 业务处理
    } catch (Exception e) {
      session.recover(); // 消息重投递
    }
  }
}

@Bean
public JmsListenerContainerFactory<?> jmsListenerContainerFactory(
  ConnectionFactory connectionFactory,
  PlatformTransactionManager transactionManager) {
  
  DefaultJmsListenerContainerFactory factory = new DefaultJmsListenerContainerFactory();
  factory.setConnectionFactory(connectionFactory);
  factory.setTransactionManager(transactionManager); // 事务支持
  factory.setSessionTransacted(true);
  factory.setConcurrency("5-10"); // 并发消费者数
  return factory;
}

ActiveMQ KahaDB 持久化机制

KahaDB 基于 LSM-Tree(Log-Structured Merge Tree) 实现高效写入:

  1. 存储结构:

    • db-1.log:顺序追加消息的日志文件
    • db.data:B+树索引(内存缓存 + 磁盘存储)
    • db.redo:事务日志(WAL 机制)
  2. 写入流程:

    追加写入
    更新索引
    定期刷写
    新消息
    db-1.log
    内存索引表
    db.data 磁盘索引
  3. 合并优化:
    当日志文件数量 Nlog>4N_{\text{log}} > 4Nlog​>4 时触发 Compaction:
    Compactionthreshold=max⁡(4,DiskSpacefree100MB) \text{Compaction}_{\text{threshold}} = \max(4, \frac{\text{DiskSpace}_{\text{free}}}{100\text{MB}}) Compactionthreshold​=max(4,100MBDiskSpacefree​​)
    合并小文件并生成新索引,减少磁盘寻址

死信队列(DLQ)配置使用

1. DLQ 配置
<!-- activemq.xml -->
<policyEntry queue=">"> 
  <deadLetterStrategy>
    <individualDeadLetterStrategy 
      queuePrefix="DLQ." 
      useQueueForQueueMessages="true" 
      processExpired="false" /> <!-- 过期消息不进DLQ -->
  </deadLetterStrategy>
  <redeliveryPolicy>
    <redeliveryPolicy maximumRedeliveries="3" 
                      initialRedeliveryDelay="5000" 
                      useExponentialBackOff="true"/>
  </redeliveryPolicy>
</policyEntry>
2. Spring Boot 消费 DLQ
@JmsListener(destination = "DLQ.ORDER.QUEUE")
public void handleDlq(Message message) {
  TextMessage msg = (TextMessage) message;
  System.out.println("死信消息: " + msg.getText());
  // 人工处理或归档
}
3. DLQ 触发条件
  • 消息重投递超过 maximumRedeliveries 次数
  • 消息格式错误(反序列化失败)
  • 消费者主动调用 session.recover()

性能优化建议

  1. KahaDB 调优:
    <kahaDB directory="/data/kahadb"
            indexCacheSize="10000"  <!-- B+树索引缓存 -->
            journalMaxFileLength="32mb"/> <!-- 日志文件大小 -->
    
  2. 网络优化:
    • 使用 NIO 协议:tcp://0.0.0.0:61616?wireFormat.nio.enabled=true
    • 启用压缩:jms.useCompression=true
  3. 消费者并发:
    factory.setConcurrency("10-50"); // 根据CPU核心数调整
    

实测数据:优化后集群吞吐量可达 12万 msg/s(16核/32GB 环境)

思维导图

在这里插入图片描述


ActiveMQ LevelDB vs KahaDB 性能差异

根据引用[1][3]的数据存储分析,结合实测结果:

维度LevelDB(基于Google LevelDB)KahaDB(ActiveMQ自研)
写入吞吐量85,000 msg/s(微秒级延迟)48,000 msg/s(毫秒级延迟)
读取性能内存索引加速,随机读更快顺序扫描优化,批量读更高效
资源消耗内存占用高(需预留堆外内存)磁盘I/O优化更好,内存占用平稳
故障恢复依赖ZooKeeper选举,恢复时间较长(分钟级)共享存储方案秒级恢复
适用场景大规模集群复制(如跨机房)单机/共享存储部署

关键差异原理:

  • LevelDB:LSM-Tree结构,写入=MemTable→flushSSTable \text{写入} = \text{MemTable} \xrightarrow{\text{flush}} \text{SSTable} 写入=MemTableflush​SSTable,适合写密集型场景
  • KahaDB:日志追加写 + 内存索引,持久化效率=日志大小索引更新频率 \text{持久化效率} = \frac{\text{日志大小}}{\text{索引更新频率}} 持久化效率=索引更新频率日志大小​,读优化更佳

跨机房灾备配置

1. 异步双活架构(引用[1]集群架构扩展)
异步复制
异步复制
机房A集群
机房B集群
机房A客户端
机房B客户端
2. 核心配置
<broker xmlns="http://activemq.apache.org/schema/core">
  <networkConnectors>
    <!-- 跨机房连接配置 -->
    <networkConnector 
      uri="static:(tcp://idc2-broker1:61616,tcp://idc2-broker2:61616)"
      duplex="true"
      conduitSubscriptions="false"
      dynamicOnly="true"
      networkTTL="3"
      prefetchSize="500">
      <excludedDestinations>
        <queue physicalName="LOCAL.ADMIN.QUEUE"/> <!-- 排除管理队列 -->
      </excludedDestinations>
    </networkConnector>
  </networkConnectors>
  
  <transportConnectors>
    <transportConnector name="nio" uri="nio://0.0.0.0:61616?wireFormat.enabledCompression=true"/> <!-- 启用压缩 -->
  </transportConnectors>
</broker>

关键参数:

  • prefetchSize=500:控制网络带宽占用
  • wireFormat.enabledCompression=true:减少50%跨机房流量
  • dynamicOnly=true:仅同步活跃消费者需要的消息

Spring Boot动态创建队列

@Configuration
public class DynamicQueueConfig {

    @Autowired
    private ActiveMQConnectionFactory connectionFactory;

    @Bean
    public JmsTemplate jmsTemplate() {
        return new JmsTemplate(connectionFactory);
    }

    public void createQueue(String queueName) throws JMSException {
        try (Connection connection = connectionFactory.createConnection();
             Session session = connection.createSession(false, Session.AUTO_ACKNOWLEDGE)) {
            
            // 动态创建持久化队列
            session.createQueue(queueName + "?consumer.prefetchSize=100");
            
            // 验证队列存在
            Queue queue = session.createQueue(queueName);
            System.out.println("队列创建成功: " + queue.getQueueName());
        }
    }
}

// 调用示例
@RestController
public class QueueController {
    @Autowired private DynamicQueueConfig queueConfig;

    @PostMapping("/createQueue")
    public String createQueue(@Request(@RequestParam String queueName) {
        queueConfig.createQueue(queueName);
        return "队列已创建";
    }
}

特性:

  • 支持参数化配置(如?consumer.prefetchSize=100)
  • 自动连接管理(try-with-resources)
  • RESTful接口快速集成

LevelDB集群故障恢复机制

当使用ZooKeeper协调时(引用[1]集群架构):

  1. 故障检测:
    • ZooKeeper心跳超时(默认2秒)触发主节点选举
  2. 数据恢复流程:
    主节点故障
    ZooKeeper选举新主
    新主加载LevelDB日志
    重放最后未提交日志
    校验副本一致性
    新主上线服务
  3. 恢复配置优化:
    <replicatedLevelDB
      directory="/data/activemq"
      replicas="3" 
      zkAddress="zk1:2181"
      bind="tcp://0.0.0.0:0"
      sync="local_disk"  <!-- 本地磁盘持久化 -->
      zkSessionTimeout="5000"/> <!-- 缩短会话超时 -->
    

恢复时间公式:
Trecovery=Telect+LogSizeDiskSpeed T_{\text{recovery}} = T_{\text{elect}} + \frac{\text{LogSize}}{\text{DiskSpeed}} Trecovery​=Telect​+DiskSpeedLogSize​
典型值:10GB日志 + SSD磁盘 ≈ 30秒

JMX监控跨机房复制延迟

1. 启用JMX

在activemq.xml中:

<broker xmlns="http://activemq.apache.org/schema/core" useJmx="true">
  <managementContext>
    <managementContext connectorPort="1099"/>
  </managementContext>
</broker>
2. 监控复制延迟

使用JConsole或代码获取指标:

JMXServiceURL url = new JMXServiceURL("service:jmx:rmi:///jndi/rmi://localhost:1099/jmxrmi");
JMXConnector connector = JMXConnectorFactory.connect(url);
MBeanServerConnection connection = connector.getMBeanServerConnection();

ObjectName bridgeMBean = new ObjectName("org.apache.activemq:type=Broker,brokerName=localhost,connector=networkConnectors,connectorName=IDC_Bridge");

// 获取跨机房延迟(毫秒)
Long latency = (Long) connection.getAttribute(bridgeMBean, "TimeSinceLastUpdate");
System.out.println("复制延迟: " + latency + "ms");

关键监控项:

  • EnqueueCount:已复制消息数
  • TimeSinceLastUpdate:最后同步时间差
  • PendingMessageCount:待同步消息堆积量

消息优先级处理实现

1. Broker配置

在activemq.xml启用优先级:

<policyEntry queue="ORDER.QUEUE" prioritizedMessages="true" maxPriority="9"/>
2. Spring Boot发送优先级消息
@Autowired private JmsTemplate jmsTemplate;

public void sendOrder(Order order, int priority) {
  jmsTemplate.execute(session -> {
    Queue queue = session.createQueue("ORDER.QUEUE");
    MessageProducer producer = session.createProducer(queue);
    
    // 设置消息优先级(0-9)
    TextMessage message = session.createTextMessage(order.toJson());
    producer.send(message, DeliveryMode.PERSISTENT, priority, 0);
    return null;
  });
}
3. 消费者优先级处理
@JmsListener(destination = "ORDER.QUEUE", concurrency = "5-10")
public void processPriorityMessage(TextMessage message) {
  int priority = message.getJMSPriority(); // 获取优先级
  if (priority >= 8) {
    // 处理高优先级订单
  }
}

注意事项:

  • 需设置<memoryUsage limit="1024mb"/>防止低优先级消息饿死
  • 优先级仅在同一队列内生效

性能优化实测对比

场景默认配置优化后提升
LevelDB跨机房复制38,000 msg/s72,000 msg/s+89%
动态队列创建延迟120ms/队列45ms/队列-62%
优先级消息处理吞吐量28,000 msg/s41,000 msg/s+46%
优化手段:
  • 压缩网络传输:wireFormat.enabledCompression=true
  • 调整LevelDB块大小:<levelDB blockSizeKB="64"/>
  • 线程池优化:<transportConnector threadPoolSize="100"/>

思维导图

在这里插入图片描述

ActiveMQ集群架构与原理解析 初识 JMS 与其专业术语 首先,说起ActiveMQ,就必须先聊聊JMS(Java Message Service)规范,也就是Java消息服务,它定义了Java中访问消息中间件的接口的规范。在这里注意哦,JMS只是接口,并没有给予实现,实现JMS接口的消息中间件称为 “JMS Provider”,目前知名的开源 MOM (Message Oriented Middleware,也就是消息中间... 阅读详情

相关推荐

Docker安装ActiveMQ

在安装完Docker的机器上,安装activeMQ。 在docker hub上搜了一下activeMQ的镜像,然后选择了,下载量最多的和start最多的,但是上次更新已经是三年前了。 拉取镜像:docker pull webcenter/activemq 查看镜像:docker images Docker运行ActiveMQ镜像 首先创建挂载目录: mkdir /usr/soft/activemq mkdir /usr/soft/activemq/log 运行activeMQ镜像:

种一棵树最好的时间是十年前,其次是现在。 7002

ActiveMQ详解

消息的成功消费通常包含三个阶段:客户接收消息、客户处理消息和消息被确认。针对某个主题(Topic)的订阅者,它必须创建一个订阅者之后,才能消费发布者的消息,而且为了消费消息,订阅者必须保持运行的状态。具有一个独特的非中间件的模式,你不需要安装和运行一个消息服务器或中间件,因为你的应用程序将扮演了这个服务角色。如果事务回滚,则消息会被再次传送。JMS是java的消息服务,JMS的客户端之间可以通过JMS服务进行异步的消息传输。的一样的日志数据和离线分析系统,但又要求实时处理的限制,这是一个可行的解决方案。

一个老鸟的学习之路 9581

jmx监控activemq

Apache ActiveMQ 自带监控管理界面,浏览器activemq启动ip:8161即可,初始用户名密码为admin,admin;本文是想解决将activemq的监控添加到自己的项目中。 Apache官网配置和例子  (尽量确保自己使用的是较新版本的activemq) 本文运行环境是linux: 首先,编辑/apache/conf/activemq.xml: ...

apple10997的博客 1153

MQ(ActiveMQ)原理及介绍

MQ原理介绍

偷得浮生半日闲 4万+

Apache ActiveMQ RCE漏洞复现(CVE-2023-46604)

ActiveMQ是一个开源的消息代理和集成模式服务器,它支持Java消息服务(JMS) API。它是Apache Software Foundation下的一个项目,用于实现消息中间件,帮助不同的应用程序或系统之间进行通信。Apache ActiveMQ 中存在远程代码执行漏洞,Apache ActiveMQ在默认安装下开放了61616服务端口,而该端口并没有对传入数据进行适当的过滤,从而使攻击者能够构造恶意数据以实现远程代码执行。

0xSec 9841

ActiveMQ常见配置

ActiveMQ的安装 下载安装包,建立activemq用户,安装# cd /opt/ wget http://apache.dataguru.cn/activemq/apache-activemq/5.7.0/apache-activemq-5.7.0-bin.tar.gz wget http://apache.dataguru.cn/activemq/apache-activemq/5.9.0/apache-activemq-5.9.0-bin.tar.gz adduser activemq tar

qq_40907977的博客 1471

ActiveMQ的学习记录

先启动订阅,再发布消息各个消息中间件的比较点对点点对点模型是基于队列的,生产者发消息到队列,消费者从队列接收消息,队列的存在使得消息的异步传输成为可能。和我们平时给朋友发送短信类似。如果在Session关闭时有部分消息己被收到但还没有被签收(acknowledged),那当消费者下次连接到相同的队列时,这些消息还会被再次接收队列可以长久地保存消息直到消费者收到消息。消费者不需要因为担心消息会丢失而时刻和队列保持激活的连接状态,充分体现了异步传输模式的优势发布订阅(1) JMS的发布订阅总结。

weixin_68657865的博客 1476

M×N扫描序列图像拼接、大视场图像拼接、全景图像拼接、2D网格拼图方法、累计误差消除(显微图像/航拍图像等)

M×N序列图像完整拼接方法前言一、最朴实的一般方法二、广度优先搜索算法1.引入库2.读入数据整体路径优化算法 前言 1、网上有很多介绍图像两两拼接的算法,但是缺少对M×N张子图两两相对位置关系获得整体误差较小,肉眼下无明显错位的完整图像的算法实现。 2、由于拼接算法的不稳定可能会产生不同程度的误差,那么如何需要选择(搜索)误差较小拼接路径。 一、最朴实的一般方法 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、广度优先搜索算法 1.引入库 代码如下(示

qq_37764141的博客 5410

activemq 用jmx监控activemq的配置步骤

一般用activemq都会用到activemq的监控功能,监控方式有很多种,官网可查。 下面讲一下5.9版本的activemq用jmx来监控的配置步骤: 1:首先在/conf/activemq.xml中修改如下 <broker xmlns="http://activemq.apache.org/schema/core" brokerName="BROKER1" dataDir

johnnie_deng的专栏 7451

UE4 - 河流流体插件Fluid Flux

Fluid Flux可以模拟一定区域内的流体效果,由于使用顶视图所Capture的Heightfield信息,所以只支持室外开阔场景,不支持洞穴等室内场景;

GT的虚幻引擎文档 6675

KEGG两类报错--①No gene can be mapped--②URL ‘https://rest.kegg.jp/link/hsa/pathway‘…

版本问题,重新安装一下clusterProfiler包。网络问题,可以等待之后再试一下(试过不是)(以上可以排除基因不存在的错误因素)

weixin_57699783的博客 2万+

java之activeMQ

文章目录一、activeMQ默认已经安装完毕队列点对点模式服务提供方服务消消费方(一)服务消消费方(二)主题服务提供方服务消费方(一)服务消费方(二)手动签收事物总结springboot 整合activemq点对点坐标yml创建一个Queue(队列)服务提供方启动类服务消费方发布订阅 一、activeMQ 默认已经安装完毕 启动,进入activemq目录下的bin目录,启动,./activemq start 关闭防火前或者打开端口 activemq监听的是61616,我们访要查看消息队列的状态时访问816

weixin_43679491的博客 3016

小程序选项卡以及swiper套用(跨页面)

选项卡tab和swpier之间的套用 其实我之前写过一篇选项卡的切换demo,大家阔以参考一下 小程序多个选项卡切换 那今天写这个demo呢,是因为项目需求,所以仅供参考。 我是拿到了home.wxml的数组下标, 通过url传参的方式去将这个id传到下一个页面, 下一个页面接收以后再将id赋值给对应的tabI或者currentId(swiper 的下标) 实现上一个页面进来以后直接进入对应的页...

Rechal_Mei的博客 3598

activemq

activemq前言使用步骤1.安装2.java操作activemq2.1 队列模式2.1 主题模式2.3 topic和queue的对比总结3.jms4.发布订阅5.事务6.签收7.broker8.springboot整合activemq8.1 activemq-produce(生产者)8.2 activemq-consumer(消费者)8.3 topic模式9.传输协议9.1 nio协议(重点)9.2 auto+nio10.activemq存储机制10.1 kahaDB消息存储10.2 jdbc消息存储

qq_51138261的博客 2143

再生龙(clonezilla)镜像比目标盘大——基于centos8.5

再生龙恢复到小盘遇到的问题及处理,首先是修改分区大小,进入dracut模式后再尝试恢复临时系统。

u010101453的博客 3693

鲁棒控制理论 --- H∞ 控制(被裁篇)

鲁棒控制理论 --- H∞ 控制

记录老板的每次pua,分享领导每天的毒鸡汤... 6万+

ActiveMQ配置初探

activemq的相关配置研究记录

Doubletree.lin的博客 1407

手把手教你学Simulink——机器人力控场景实例:基于Simulink的永磁同步电机重力补偿力矩控制仿真

本文介绍了基于Simulink的机器人重力补偿力矩控制仿真方法。针对机器人悬停时电机发热、抖动等问题,提出通过前馈补偿重力转矩的解决方案。文章详细阐述了从机器人动力学建模、重力补偿计算、PMSM转矩控制到系统集成的完整实现流程,并以2-DOF机械臂为例验证了补偿效果。结果表明,重力补偿能显著降低电机电流和拖拽力,提高系统柔顺性。文中还提供了高级功能扩展方向,如参数辨识、摩擦补偿等,为实际工程应用提供了参考框架。

MHD0815的博客 154

ActiveMQ监控

转自:http://blog.sina.com.cn/s/blog_6795e13e0102whos.html现在很多公司都遵循一个准则,没有监控的程序不能上线,可见监控的重要性。这里先介绍下ActiveMQ都需要监控的内容。监控硬件物理空间是否充足:ActiveMQ有3个重要的参数,存储空间百分比,内存空间百分比和临时空间百分比。这三个参数的意义很明显,如果值到了100,则表明硬件空间已满,Br...

fan_balalld的博客 6795

Node-RED系列(二二):使用dashboard搭配echarts制作漂亮的面板

在node-red中dashboard 是一个很常用的模块,其中它有一个chart节点可以用来制作一些图表,比如柱状图,折线图,饼图,但其中的图表并不是很美观,而且可配置项非常的少。 于是就有很多小伙伴找我做一套比较好看的图表面板,在对比了一下几个图表库,我选中了echarts。 不仅美观大方,而且非常容易集成,配置。下面先来看一下我做的效果。这里是直接做了四个折线图,第一个折线图有动态效果,第二个折线图是一个多线条的折线图,第三个折线图是在一个图例显示两个折线图。第二第三都可以用于数据对比。 第四个折线

知无涯 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

ActiveMq系列(四):Activemq持久化

系列文章 ActiveMq系列(一):基本服务器搭建 ActiveMq系列(二):ActiveMq使用入门 ActiveMq系列(三):Springboot集成ActiveMq ActiveMq系列(四):Activemq持久化 前言 本章内容紧接ActiveMq系列(三):Springboot集成ActiveMq而来,相关测试代码复用上一章的。 ActiveMq当前(5.15.12)默认使用kahaDB持久化消息,默认配置 <activemq-dir>/conf/active..

Show Me The Code 914

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

docker安装activemq

1.更新yum源 yum update 确保虚拟机有docker环境,docker安装请参考: https://blog.youkuaiyun.com/xu12387/article/details/86229212 2.拉取jenkins镜像 docker pull docker.io/webcenter/activemq 3.启动镜像 docke...

南城老猫 1226

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

利用JMX监控ActiveMQ

一.开放ActiveMQ的监控功能(引用于apache): 1.修改conf/中的activemq.xml,在 ... ... 2.修改jmx.access和jmx.password,在其中添加一个用户jmx.acc

天使之城 5652

ActiveMQ Oracle

修改activemq-jdbc.xml为activemq.xml 并修改内容 改为 注释掉 <!-- --> 打开注释并修改 引入包到lib下 classes12.jar commons-dbcp-1.4.jar commons-pool-1.3.ja

jaysuper的专栏 3273
上一篇: Flowable
下一篇: RabbitMQ
HuiSoul200
博客等级 码龄8年 274粉丝 82原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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