通过实时诊断功能监测实例风险项_云消息队列 Kafka 版(Kafka)-阿里云帮助中心

云消息队列 Kafka 版实例的实时诊断功能能够定期对实例进行检测，支持查看诊断发现的问题、提供修复建议，并将异常的检查项上报告警给相关联系人，帮助您及时处理异常。

实现方案

检测项

说明

若检测出实例存在风险，请参考控制台上提示的修复建议进行修复。

风险类型	指标等级	诊断结果	修复建议	风险复查
发送IOPS	重要尽快修复	发送IOPS消耗：xx%	生产IOPS超出集群规格限制可能会产生稳定性问题，请及时将以下相关问题修复，可减少生产IOPS消耗。	仪表盘查看实例生产次数（即生产IOPS），检查是否超过规格限制值。具体规格限制请参见使用限制。
消费IOPS	重要尽快修复	消费IOPS消耗：xx%	消费IOPS超出集群规格限制可能会产生稳定性问题，请及时将以下相关问题修复，可减少消费IOPS消耗。	仪表盘查看实例消费次数（即消费IOPS），检查是否超过规格限制值。具体规格限制请参见使用限制。
生产消息格式转换耗时	重要尽快修复	生产消息格式转换耗时TP98为：xx ms	相关问题里的Topic存在格式转换现象，影响整体发送性能，请将发送客户端与服务端版本对齐。	检查相关问题里Topic的生产客户端，是否与服务端版本不一致。
消费消息格式转换时间	重要尽快修复	消费消息格式转换耗时TP98为：xx ms	存在格式转换现象，影响整体消费性能，请将消费客户端与服务端版本对齐。	检查消费客户端，是否与服务端版本不一致。
Topic格式转换	一般重要	xx个Topic存在格式转换	相关问题里的Topic存在格式转换现象，有可能会影响整体发送性能，请将发送客户端与服务端版本对齐，减少格式带来的性能损耗。	检查相关问题里Topic的生产客户端，是否与服务端版本不一致。
Group订阅过多的Topic	一般重要	xx个Group订阅过多的Topic	Group订阅过多的Topic，容易引发Rebalance事件，影响整体消费性能，如果非业务特殊需求，建议尽量保持Group与Topic订阅关系单一性，详情请参见订阅者最佳实践。	当Group订阅的Topic数量超过1个时，将会触发告警。
使用Sarama Go客户端	一般重要	xx个Group使用Sarama Go客户端进行消费	相关问题里的Group使用了Sarama Go客户端，Sarama Go客户端存在不少已知问题，不推荐使用，详情请参见为什么不推荐使用Sarama Go客户端收发消息？。	消费客户端使用了Sarama Go进行位点提交，会出现告警。
Rebalance超时时间	一般重要	xx个Group 存在Rebalance 超时情况	相关问题里的Group存在Rebalance TimeOut时间过长现象，建议`max.poll.interval.ms`不要设置得太长，否则会影响Kafka的Rebalance，导致Rebalance的耗时过长。	到相关问题的Group详情页面，查看Rebalance详情。
消费客户端主动离开队列	重要尽快修复	xx个Group消费者主动离开队列触发Rebalance事件	相关问题里的Group存在消费客户端主动离开队列并触发Rebalance：请确认消费客户端是否卡住。请确认消费客户端配置是否合理。具体详情请参见为什么消费客户端频繁出现Rebalance？。	到相关问题的Group详情页面，查看Rebalance详情。
消费接收数据耗时较大的Group	一般重要	xx个Group消费接收数据耗时较大	相关问题里的Group存在消费耗时较大的现象，可能有如下原因：消费客户端参数`fetch.max.bytes`设置过大。客户端网络环境较差。优化方案请参见订阅者最佳实践。	消费客户端自行检查消费耗时。
分区数量配额	重要尽快修复	分区数量配额剩余：xx个	分区数量配额即将用完。	实例详情页查看当前所有的分区数量。
服务端小版本升级	重要尽快修复	当前服务端小版本落后最新小版本xx个版本	最新的小版本修复了若干的已知开源Bug，并且提升了集群整体性能和稳定性，为了您的服务稳定性，建议您尽快升级服务端小版本。	实例详情页查看到小版本具体情况。
单节点TCP连接数	重要尽快修复	单节点TCP连接数为：xx	TCP总连接数过多，会影响集群整体稳定性。请检查您的连接方式，是否存在重复实例化连接对象的问题。如果客户端数量较多，会导致碎片化发送严重，建议减少客户端，并调整发送参数`batch.size`和`linger.ms`，将数据攒批聚合后再发送。如果连接数持续上升，有可能导致部分连接无法连接。	仪表盘/Prometheus查看实例节点（TCP）最大连接数，超过规格限制值会告警。具体规格限制请参见使用限制。
单节点公网TCP连接数	重要尽快修复	单节点公网TCP连接数为：xx	公网TCP总连接数过多，会影响集群整体稳定性。请检查您的连接方式，是否存在重复实例化连接对象的问题。如果客户端数量较多，会导致碎片化发送严重，建议减少客户端，并调整发送参数`batch.size`和`linger.ms`，将数据攒批聚合后再发送。如果连接数持续上升，有可能导致部分连接无法连接。公网连接是一种重量级连接，性能较差，建议只用于开发测试，线上环境尽量使用VPC连接方式。	仪表盘/Prometheus查看实例节点公网（TCP）最大连接数，超过规格限制值会告警。具体规格限制请参见使用限制。
同步发送问题	重要尽快修复	xx个Topic存在同步发送问题	相关问题中的Topic存在使用`acks=all`的同步刷盘机制问题，导致整体发送性能较差，会影响集群整体处理效率，如果不是业务特殊需求，建议设置`acks=1`，可大幅提升发送效率，详情请参见发布者最佳实践。	检查相关问题Topic的发送客户端，是否配置了`ack`为`all`或者`-1`。
碎片化发送问题	重要尽快修复	xx个Topic 存在碎片化发送问题	相关问题中的Topic存在碎片化发送问题，有可能导致发送排队超时，并且影响集群整体发送吞吐量和稳定性。为了提高发送性能，建议：根据业务情况，合理设置`batch.size`和`linger.ms`参数。如果分区较多的情况下，推荐使用“黏性分区”发送策略。详情请参见发布者最佳实践。	发送的`batchSize`小于4KB且节点CPU使用率大于60%时会出现告警。需要合理配置相关问题Topic的发送客户端参数，推荐客户端版本在2.4.0及以上。
单分区Topic风险	重要尽快修复	目前有xx个Topic为云存储的单分区	使用云存储的单分区Topic无法充分发挥集群性能，可能导致负载不均，并且容易造成单节点限流。建议增加分区。	检查相关问题Topic的分区数。
节点发送流量	重要尽快修复	节点发送流量已经超流：xx%	节点发送流量达到上限，为了实例的稳定性，请尽快进行实例升配。	没有单节点监控，可以检查实例生产限流时间（ms）是否已经造成生产限流。
节点消费流量	重要尽快修复	节点消费流量已经超流：xx%	节点消费流量达到上限，为了实例的稳定性，请尽快进行实例升配。	没有单节点监控，可以检查实例消费限流时间（ms）是否已经造成消费限流。
发送流量	重要尽快修复	发送流量已经超流：xx%	集群生产流量达到上限，部分生产流量可能会被限流，导致生产发送超时，为了不影响您的业务和集群的稳定性，请尽快进行实例升配。	仪表盘检查实例生产速率（业务实际流量），以及检查实例生产限流时间（ms）是否已经造成生产限流。
消费流量	重要尽快修复	消费流量已经超流：xx%	集群消费流量达到上限，部分消费流量可能会被限流，导致部分消息数据不能被及时消费而产生堆积，为了不影响您的业务和集群的稳定性，请尽快进行实例升配。	仪表盘检查实例消费速率，以及检查实例消费限流时间（ms）是否已经造成消费限流。
消费位点提交频率	重要尽快修复	消费客户端每秒提交xx次消费位点	消费客户端过于频繁提交消费位点，会影响集群整体性能和稳定性，建议改为自动提交消费位点的方式，或者降低提交消费位点的频率。下面展示了提交位点频率前十的Group信息，优化方案请参见订阅者最佳实践。	仪表盘查看实例Api请求次数，选中OffsetCommit，超过规格限制值会告警。具体规格限制请参见使用限制。
一天内存在Rebalance的Group	一般重要	xx个Group 一天内触发了Rebalance事件	相关问题里的Group一天内存在Rebalance现象。具体的时间，请参见Group详情页面。同时，确认是否因为消费客户端配置不当而引起，详情请参见为什么消费客户端频繁出现Rebalance？。	检查相关问题Group的Rebalance详情。
消费位点回退	重要尽快修复	有xx个Group存在消费位点回退	相关问题里的Group存在消费位点回滚现象，可能触发了位点重置。	消费客户端自行检查是否提交了历史位点，导致消费位点出现回退。
使用GZIP压缩	重要尽快修复	有xx个Topic使用了GZIP压缩	相关问题里的Topic存在GZIP压缩，会增加集群负载，请及时进行优化。	生产客户端自行检查是否配置了GZIP压缩。
消息格式版本过低	重要尽快修复	有xx个Topic存在消息格式版本过低（< v2）的问题，可能导致无法生产/消费消息	使用较低版本的Kafka消息格式可能导致服务端CPU使用率上升、吞吐性能下降及兼容性和安全性等问题。发送消息和消费消息格式版本需大于V1。具体详情请参见使用限制。	检查相关问题Topic的生产客户端版本是否过低。
Group数量过多	重要尽快修复	Group总数为：xx	过多的消费者组可能导致服务端协调负载增加、元数据管理复杂性提高，从而影响性能和故障恢复时间。具体详情请参见使用限制。	实例详情页查看当前所有的Group数量。
事务hang问题	重要尽快修复	有xx个事务存在hang住的问题	存在事务提交超时现象，请尽快进行处理。	存在事务超时情况，提工单处理。

操作步骤

登录云消息队列 Kafka 版控制台，在概览页面的资源分布区域，选择地域。
在实例列表页面，单击目标实例名称。

在实例详情页面，选择服务治理 > 实例风险。

在实例风险页面中，查看实例风险项。

参数	描述	示例值
风险类型	当前实例风险的类型描述。	消费接收数据耗时较大的 Group
指标等级	当前实例指标的等级。取值：尽快修复重要一般	紧急
风险状态	当前实例的健康状态。取值：待修复已修复	待修复
上次发现风险时间	上次发现该风险的时间。	2022年3月31日
操作	当前实例风险项可以执行的动作。详情：查看当前实例风险详细信息和修复建议。在目标风险操作列，单击详情。修改报警状态：风险修复后，您可以设置风险状态为已修复，或者在近一个月内忽略未修复的风险。在目标风险操作列，单击修改报警状态。说明风险修复后，不会再发送告警通知。如果风险修复后，出现相同的风险，系统会在7天后再次发送风险报警通知。	无