阿裡三面：MQ 消息丟失、重覆、積壓問題，如何解決？

作者：美得讓人心動來源：https://blog.csdn.net/gu131007416553/article/details/120934738 面試官在面試候選人時，如果發現候選人的簡歷中寫了在項目中使用了 MQ 技術（如 Kafka、RabbitMQ、RocketMQ），基本都會拋出一個問 ...

作者：美得讓人心動
來源：https://blog.csdn.net/gu131007416553/article/details/120934738

面試官在面試候選人時，如果發現候選人的簡歷中寫了在項目中使用了 MQ 技術（如 Kafka、RabbitMQ、RocketMQ），基本都會拋出一個問題：在使用 MQ 的時候，怎麼確保消息 100% 不丟失？

這個問題在實際工作中很常見，既能考察候選者對於 MQ 中間件技術的掌握程度，又能很好地區分候選人的能力水平。接下來，我們就從這個問題出發，探討你應該掌握的基礎知識和答題思路，以及延伸的面試考點。

案例背景

以京東系統為例，用戶在購買商品時，通常會選擇用京豆抵扣一部分的金額，在這個過程中，交易服務和京豆服務通過 MQ 消息隊列進行通信。在下單時，交易服務發送“扣減賬戶 X 100 個京豆”的消息給 MQ 消息隊列，而京豆服務則在消費端消費這條命令，實現真正的扣減操作。

那在這個過程中你會遇到什麼問題呢？

案例分析

要知道，在互聯網面試中，引入 MQ 消息中間件最直接的目的是：做系統解耦合流量控制，追其根源還是為瞭解決互聯網系統的高可用和高性能問題。

系統解耦：
用 MQ 消息隊列，可以隔離系統上下游環境變化帶來的不穩定因素，比如京豆服務的系統需求無論如何變化，交易服務不用做任何改變，即使當京豆服務出現故障，主交易流程也可以將京豆服務降級，實現交易服務和京豆服務的解耦，做到了系統的高可用。
流量控制：
遇到秒殺等流量突增的場景，通過 MQ 還可以實現流量的“削峰填谷”的作用，可以根據下游的處理能力自動調節流量。

不過引入 MQ 雖然實現了系統解耦合流量控制，也會帶來其他問題。

引入 MQ 消息中間件實現系統解耦，會影響系統之間數據傳輸的一致性。 在分散式系統中，如果兩個節點之間存在數據同步，就會帶來數據一致性的問題。同理，在這一講你要解決的就是：消息生產端和消息消費端的消息數據一致性問題（也就是如何確保消息不丟失）。

而引入 MQ 消息中間件解決流量控制，會使消費端處理能力不足從而導致消息積壓，這也是你要解決的問題。

所以你能發現，問題與問題之間往往是環環相扣的，面試官會藉機考察你解決問題思路的連貫性和知識體系的掌握程度。

那面對“在使用 MQ 消息隊列時，如何確保消息不丟失”這個問題時，你要怎麼回答呢？首先，你要分析其中有幾個考點，比如：

如何知道有消息丟失？
哪些環節可能丟消息？
如何確保消息不丟失？

候選人在回答時，要先讓面試官知道你的分析思路，然後再提供解決方案：網路中的數據傳輸不可靠，想要解決如何不丟消息的問題，首先要知道哪些環節可能丟消息，以及我們如何知道消息是否丟失了，最後才是解決方案（而不是上來就直接說自己的解決方案）。就好比“架構設計”“架構”體現了架構師的思考過程，而“設計”才是最後的解決方案，兩者缺一不可。

案例解答

我們首先來看消息丟失的環節，一條消息從生產到消費完成這個過程，可以劃分三個階段，分別為消息生產階段，消息存儲階段和消息消費階段。

消息生產階段： 從消息被生產出來，然後提交給 MQ 的過程中，只要能正常收到 MQ Broker 的 ack 確認響應，就表示發送成功，所以只要處理好返回值和異常，這個階段是不會出現消息丟失的。
消息存儲階段： 這個階段一般會直接交給 MQ 消息中間件來保證，但是你要瞭解它的原理，比如 Broker 會做副本，保證一條消息至少同步兩個節點再返回 ack。
消息消費階段： 消費端從 Broker 上拉取消息，只要消費端在收到消息後，不立即發送消費確認給 Broker，而是等到執行完業務邏輯後，再發送消費確認，也能保證消息的不丟失。

方案看似萬無一失，每個階段都能保證消息的不丟失，但在分散式系統中，故障不可避免，作為消息生產端，你並不能保證 MQ 是不是弄丟了你的消息，消費者是否消費了你的消息，所以，本著 Design for Failure 的設計原則，你還是需要一種機制，來 Check 消息是否丟失了。

緊接著，你還可以向面試官闡述怎麼進行消息檢測？ 總體方案解決思路為：在消息生產端，給每個發出的消息都指定一個全局唯一 ID，或者附加一個連續遞增的版本號，然後在消費端做對應的版本校驗。

具體怎麼落地實現呢？你可以利用攔截器機制。 在生產端發送消息之前，通過攔截器將消息版本號註入消息中（版本號可以採用連續遞增的 ID 生成，也可以通過分散式全局唯一 ID生成）。然後在消費端收到消息後，再通過攔截器檢測版本號的連續性或消費狀態，這樣實現的好處是消息檢測的代碼不會侵入到業務代碼中，可以通過單獨的任務來定位丟失的消息，做進一步的排查。

這裡需要你註意：如果同時存在多個消息生產端和消息消費端，通過版本號遞增的方式就很難實現了，因為不能保證版本號的唯一性，此時只能通過全局唯一 ID 的方案來進行消息檢測，具體的實現原理和版本號遞增的方式一致。

現在，你已經知道了哪些環節（消息存儲階段、消息消費階段）可能會出問題，並有瞭如何檢測消息丟失的方案，然後就要給出解決防止消息丟失的設計方案。

回答完“如何確保消息不會丟失？” 之後，面試官通常會追問“怎麼解決消息被重覆消費的問題？ ”

比如：在消息消費的過程中，如果出現失敗的情況，通過補償的機制發送方會執行重試，重試的過程就有可能產生重覆的消息，那麼如何解決這個問題？

這個問題其實可以換一種說法，就是如何解決消費端冪等性問題（冪等性，就是一條命令，任意多次執行所產生的影響均與一次執行的影響相同），只要消費端具備了冪等性，那麼重覆消費消息的問題也就解決了。

我們還是來看扣減京豆的例子，將賬戶 X 的金豆個數扣減 100 個，在這個例子中，我們可以通過改造業務邏輯，讓它具備冪等性。

最簡單的實現方案，就是在資料庫中建一張消息日誌表，這個表有兩個欄位：消息 ID 和消息執行狀態。這樣，我們消費消息的邏輯可以變為：在消息日誌表中增加一條消息記錄，然後再根據消息記錄，非同步操作更新用戶京豆餘額。

因為我們每次都會在插入之前檢查是否消息已存在，所以就不會出現一條消息被執行多次的情況，這樣就實現了一個冪等的操作。當然，基於這個思路，不僅可以使用關係型資料庫，也可以通過 Redis 來代替資料庫實現唯一約束的方案。

在這裡我多說一句，想要解決“消息丟失”和“消息重覆消費”的問題，有一個前提條件就是要實現一個全局唯一 ID 生成的技術方案。這也是面試官喜歡考察的問題，你也要掌握。

在分散式系統中，全局唯一 ID 生成的實現方法有資料庫自增主鍵、UUID、Redis，Twitter-Snowflake 演算法，我總結了幾種方案的特點，你可以參考下。

我提醒你註意，無論哪種方法，如果你想同時滿足簡單、高可用和高性能，就要有取捨，所以你要站在實際的業務中，說明你的選型所考慮的平衡點是什麼。我個人在業務中比較傾向於選擇 Snowflake 演算法，在項目中也進行了一定的改造，主要是讓演算法中的 ID 生成規則更加符合業務特點，以及優化諸如時鐘回撥等問題。

當然，除了“怎麼解決消息被重覆消費的問題？”之外，面試官還會問到你“消息積壓”。 原因在於消息積壓反映的是性能問題，解決消息積壓問題，可以說明候選者有能力處理高併發場景下的消費能力問題。

你在解答這個問題時，依舊要傳遞給面試官一個這樣的思考過程： 如果出現積壓，那一定是性能問題，想要解決消息從生產到消費上的性能問題，就首先要知道哪些環節可能出現消息積壓，然後在考慮如何解決。

因為消息發送之後才會出現積壓的問題，所以和消息生產端沒有關係，又因為絕大部分的消息隊列單節點都能達到每秒鐘幾萬的處理能力，相對於業務邏輯來說，性能不會出現在中間件的消息存儲上面。毫無疑問，出問題的肯定是消息消費階段，那麼從消費端入手，如何回答呢？

如果是線上突發問題，要臨時擴容，增加消費端的數量，與此同時，降級一些非核心的業務。通過擴容和降級承擔流量，這是為了表明你對應急問題的處理能力。

其次，才是排查解決異常問題，如通過監控，日誌等手段分析是否消費端的業務邏輯代碼出現了問題，優化消費端的業務處理邏輯。

最後，如果是消費端的處理能力不足，可以通過水平擴容來提供消費端的併發處理能力，但這裡有一個考點需要特別註意，那就是在擴容消費者的實例數的同時，必須同步擴容主題 Topic 的分區數量，確保消費者的實例數和分區數相等。如果消費者的實例數超過了分區數，由於分區是單線程消費，所以這樣的擴容就沒有效果。

比如在 Kafka 中，一個 Topic 可以配置多個 Partition（分區），數據會被寫入到多個分區中，但在消費的時候，Kafka 約定一個分區只能被一個消費者消費，Topic 的分區數量決定了消費的能力，所以，可以通過增加分區來提高消費者的處理能力。

總結

至此，我們講解了 MQ 消息隊列的熱門問題的解決方案，無論是初中級還是高級研發工程師，本篇文章的內容都是你需要掌握的，你都可以從這幾點出發，與面試官進行友好的交流。我來總結一下今天的重點內容。

如何確保消息不會丟失？ 你要知道一條消息從發送到消費的每個階段，是否存在丟消息，以及如何監控消息是否丟失，最後才是如何解決問題，方案可以基於“ MQ 的可靠消息投遞 ”的方式。
如何保證消息不被重覆消費？ 在進行消息補償的時候，一定會存在重覆消息的情況，那麼如何實現消費端的冪等性就這道題的考點。
如何處理消息積壓問題？ 這道題的考點就是如何通過 MQ 實現真正的高性能，回答的思路是，本著解決線上異常為最高優先順序，然後通過監控和日誌進行排查並優化業務邏輯，最後是擴容消費端和分片的數量。

在回答問題的時候，你需要特別註意的是，讓面試官瞭解到你的思維過程，這種解決問題的能力是面試官更為看中的，比你直接回答一道面試題更有價值。

另外，如果你應聘的部門是基礎架構部，那麼除了要掌握本講中的常見問題的主線知識以外，還要掌握消息中間件的其他知識體系，如：