一次Kafka内存泄露排查经过

一、现象

服务部署后内存总体呈上升趋势

二、排查过程

通过go tool pprof收集了三天内存数据

2月11号数据：

2月14号数据：

2月15号数据：

可以看到newPartitionProducer持续增长，可定位到是kafka的问题。而newPartitionProducer是分区生产者，因此查看分区相关的数据。

最近增加的topic：ai_face_process_topic，这个是AI换脸的，每生成一个视频都要通过Kafka中转消息到视频处理服务器。

查阅数据库看视频生成记录。2022.1.25上线到今天2022.2.15一共20天，只增长了701个视频，平均每天35个视频。

但这个topic有64个分区。这是因为视频生成过程比较耗时，当时考虑到需要提高并发量，所以需要分区数比较多。

查看sarama客户端的API代码，给每个分区发消息时会判断这个分区的handler是否存在，不存在则创建。

sarama创建partition handler的关键代码：

　　　　　handler := tp.handlers[msg.Partition]

        if handler == nil {

            handler = tp.parent.newPartitionProducer(msg.Topic, msg.Partition)

            tp.handlers[msg.Partition] = handler

        }

且创建后需要手动close，否则内存一直占用，这是官方说明：

而我们使用sarama客户端的producer是全局的，一直不会close，所以会一直占用内存。

再看看我们使用sarama的partitioner是NewRandomPartitioner，即每条消息随机匹配到partition。

这样，按照每天三十多的视频生成量，出现前几天新增分配二三十个handler，逐渐减少，直到分配完64个handler。

每个handler会分配8MB内存，也就出现了上面的内存数据：152MB，264MB，172MB。

三、结论与优化

内存增长几天稳定后则不会继续增长。

其他分区数比较多的topic没有观察到内存持续增长情况是因为数据量比较大，服务启动没多久就分配完了每个分区的handler。

优化：

单个AI换脸视频处理服务耗时较长，决定了我们需要比较大的并发量，所以后面分区数还可能增加。而64个分区已经使每个服务占用64*8=504MB内存，严重影响扩展性。

因此后面ai_face_process_topic考虑迁移到redis做消息中转。

四、参考链接：

sarama API

githup sarama memory leak问题

kafka memory leak问题