如何修复：java.lang.OutOfMemoryError：flink kafka 消费者中的直接缓冲内存

Question

我们正在 kubernetes 上运行一个 5 节点的 flink 集群（1.6.3），具有 5 个分区的 Kafka 主题源。5 个作业正在读取该主题（具有不同的消费者群体），每个作业的并行度 = 5。

每个任务管理器运行 10Gb 内存，任务管理器堆大小限制为 2Gb。摄取负载相当小（每秒 100-200 条消息），平均消息大小约为 4-8kb。所有作业都运行了几个小时。一段时间后，我们突然看到一项或多项工作失败：

ava.lang.OutOfMemoryError: Direct buffer memory
    at java.nio.Bits.reserveMemory(Bits.java:666)
    at java.nio.DirectByteBuffer.<init>(DirectByteBuffer.java:123)
    at java.nio.ByteBuffer.allocateDirect(ByteBuffer.java:311)
    at sun.nio.ch.Util.getTemporaryDirectBuffer(Util.java:241)
    at sun.nio.ch.IOUtil.read(IOUtil.java:195)
    at sun.nio.ch.SocketChannelImpl.read(SocketChannelImpl.java:380)
    at org.apache.kafka.common.network.PlaintextTransportLayer.read(PlaintextTransportLayer.java:110)
    at org.apache.kafka.common.network.NetworkReceive.readFromReadableChannel(NetworkReceive.java:97)
    at org.apache.kafka.common.network.NetworkReceive.readFrom(NetworkReceive.java:71)
    at org.apache.kafka.common.network.KafkaChannel.receive(KafkaChannel.java:169)
    at org.apache.kafka.common.network.KafkaChannel.read(KafkaChannel.java:150)
    at org.apache.kafka.common.network.Selector.pollSelectionKeys(Selector.java:355)
    at org.apache.kafka.common.network.Selector.poll(Selector.java:303)
    at org.apache.kafka.clients.NetworkClient.poll(NetworkClient.java:349)
    at org.apache.kafka.clients.consumer.internals.ConsumerNetworkClient.poll(ConsumerNetworkClient.java:226)
    at org.apache.kafka.clients.consumer.KafkaConsumer.pollOnce(KafkaConsumer.java:1047)
    at org.apache.kafka.clients.consumer.KafkaConsumer.poll(KafkaConsumer.java:995)
    at org.apache.flink.streaming.connectors.kafka.internal.KafkaConsumerThread.run(KafkaConsumerThread.java:257)

flink 重新启动作业，但它一直在该异常上失败。我们已经尝试按照此处的建议减少记录轮询： Kafka Consumers throwing java.lang.OutOfMemoryError: Direct buffer memory 我们还尝试按照此处的建议增加 kafka 堆大小： Flink + Kafka, java.lang.OutOfMemoryError when parallelism > 1，尽管我无法理解在 flink 进程中分配内存失败与 kafka 代理进程的 jvm 内存有什么关系，而且我在代理日志中没有看到任何指示 oom 的内容。

失败的原因可能是什么？我们还应该检查什么？

谢谢！

Answer 1

您可能低估的一件事是，并行度为 5，意味着有 5+4+3+2+1=18 对组合。如果我们将其与链接的线程进行比较，可能有 3+2+1=6 种组合。

在链接的线程中，通过将最大轮询记录设置为 250 来解决问题，因此我的第一个想法是将其设置为 80（甚至 10），看看是否可以解决问题。

（我不确定需求是否是这样形成的，但唯一明显的区别是从 3 到 5 的并行性，因此这似乎是一个需要弥补的好点）。