1、問題現(xiàn)象

首先接到項目反饋使用 RocketMQ 會出現(xiàn)如下錯誤：

由于項目組并沒有對消息發(fā)送失敗做任何補償，導(dǎo)致丟失消息發(fā)送失敗，故需要對這個問題進行深層次的探討，并加以解決。

2、問題分析

首先我們根據(jù)關(guān)鍵字：TIMEOUT_CLEAN_QUEUE 去 RocketMQ 中查詢，去探究在什么時候會拋出如上錯誤。根據(jù)全文搜索如下圖所示：

Broker 端快速失敗其原理圖如下：

• 消息發(fā)送者向 Broker 發(fā)送消息寫入請求，Broker 端在接收到請求后會首先放入一個隊列中(SendThreadPoolQueue)，默認(rèn)容量為 10000。

• Broker 會專門使用一個線程池(SendMessageExecutor)去從隊列中獲取任務(wù)并執(zhí)行消息寫入請求，為了保證消息的順序處理，該線程池默認(rèn)線程個數(shù)為1。

如果 Broker 端受到垃圾回收等等因素造成單條寫入數(shù)據(jù)發(fā)生抖動，單個 Broker 端積壓的請求太多從而得不到及時處理，會極大的造成客戶端消息發(fā)送的時間延長。

設(shè)想一下，如果由于 Broker 壓力增大，寫入一條消息需要500ms甚至超過1s，并且隊列中積壓了5000條消息，消息發(fā)送端的默認(rèn)超時時間為3s，如果按照這樣的速度，這些請求在輪到 Broker 執(zhí)行寫入請求時，客戶端已經(jīng)將這個請求超時了，這樣不僅會造成大量的無效處理，還會導(dǎo)致客戶端發(fā)送超時。

故 RocketMQ 為了解決該問題，引入 Broker 端快速失敗機制，即開啟一個定時調(diào)度線程，每隔10毫秒去檢查隊列中的第一個排隊節(jié)點，如果該節(jié)點的排隊時間已經(jīng)超過了 200ms，就會取消該隊列中所有已超過 200ms 的請求，立即向客戶端返回失敗，這樣客戶端能盡快進行重試，因為 Broker 都是集群部署，下次重試可以發(fā)送到其他 Broker 上，這樣能最大程度保證消息發(fā)送在默認(rèn) 3s 的時間內(nèi)經(jīng)過重試機制，能有效避免某一臺 Broker 由于瞬時壓力大而造成的消息發(fā)送不可用，從而實現(xiàn)消息發(fā)送的高可用。

從 Broker 端快速失敗機制引入的初衷來看，快速失敗后會發(fā)起重試，除非同一時刻集群內(nèi)所有的 Broker 都繁忙，不然消息會發(fā)送成功，用戶是不會感知這個錯誤的，那為什么用戶感知了呢？難道 TIMEOUT_ CLEAN _ QUEUE 錯誤，Broker 不重試？

為了解開這個謎團，接下來會采用源碼分析的手段去探究真相。接下來將以消息同步發(fā)送為例揭示其消息發(fā)送處理流程中的核心關(guān)鍵點。

MQ Client 消息發(fā)送端首先會利用網(wǎng)絡(luò)通道將請求發(fā)送到 Broker，然后接收到請求結(jié)果后并調(diào)用 processSendResponse 方法對響應(yīng)結(jié)果進行解析，如下圖所示：

我們從 proccessSendResponse 方法中可以得知如果 code 為 SYSTEM_BUSY，該方法會拋出 MQBrokerException，響應(yīng) code 為 SYSTEM_BUSY，其錯誤描述為開頭部分的錯誤信息。

那我們沿著該方法的調(diào)用鏈路，可以找到其直接調(diào)用方：DefaultMQProducerImpl 的 sendKernelImpl，我們重點考慮如果底層方法拋出  MQBrokerException 該方法會如何處理。

其關(guān)鍵代碼如下圖所示：

sendKernelImpl 方法被 DefaultMQProducerImpl 的 sendDefaultImpl 方法調(diào)用，下面是其核心實現(xiàn)截圖：

這里非常令人意外的是連 SYSTEM_ERROR 都會重試，卻沒有包含 SYSTEM_BUSY，顯然違背了快速失敗的設(shè)計初衷，故筆者斷定，這是 RocketMQ 的一個BUG，將 SYSTEM_BUSY 遺漏了，后續(xù)會提一個 PR，增加一行代碼，將 SYSTEM_BUSY 加上即可。

問題分析到這里，該問題應(yīng)該就非常明了。

3、解決方案

如果大家在網(wǎng)上搜索 TIMEOUT_CLEAN_QUEUE 的解決方法，大家不約而同提出的解決方案是增加 waitTimeMillsInSendQueue 的值，該值默認(rèn)為 200ms，例如將其設(shè)置為 1000s 等等，以前我是反對的，因為我的認(rèn)知里 Broker 會重試，但現(xiàn)在發(fā)現(xiàn) Broker 不會重試，所以我現(xiàn)在認(rèn)為該 BUG未解決的情況下適當(dāng)提高該值能有效的緩解。

但這是并不是好的解決方案，我會在近期向官方提交一個PR，將這個問題修復(fù)，建議大家在公司盡量對自己使用的版本進行修改，重新打一個包即可，因為這已經(jīng)違背了 Broker 端快速失敗的設(shè)計初衷。

但在消息發(fā)送的業(yè)務(wù)方，盡量自己實現(xiàn)消息的重試機制，即不依賴 RocketMQ 本身提供的重試機制，因為受制于網(wǎng)絡(luò)等因素，消息發(fā)送不可能百分之百成功，建議大家在消息發(fā)送時捕獲一下異常，如果發(fā)送失敗，可以將消息存入數(shù)據(jù)庫，再結(jié)合定時任務(wù)對消息進行重試，盡最大程度保證消息不丟失。

特別推薦一個分享架構(gòu)+算法的優(yōu)質(zhì)內(nèi)容，還沒關(guān)注的小伙伴，可以長按關(guān)注一下：
長按訂閱更多精彩▼
如有收獲，點個在看，誠摯感謝