作者 | Ankur Ranjan

本文作者为沃尔玛开发者 Ankur Ranjan 与 Sai Vineel Thamishetty 。二人长期关注 Apache Kafka 与流处理系统的演进，深入研究现代流处理架构面临的挑战与创新方向。文章不仅总结了 Kafka 的历史价值与当前局限，还展示了下一代开源项目 AutoMQ 如何借助云原生设计，解决 Kafka 在成本、扩展性与运维方面的痛点，为实时数据流架构提供全新视角。

注意：本文内容译自英语原文。若您希望获得最原汁原味、最准确的阅读体验，可点击底部 【阅读原文】 阅读英文文章。

1 Kafka：数据运营与数据分析之间的桥梁

我已经使用 Apache Kafka 多年，并且非常喜欢这个工具。作为一名数据工程师，我主要将它用作连接数据运营端与数据分析端的桥梁。凭借优雅的设计和强大的功能，Kafka 长期以来一直是流处理领域的标杆。

Kafka 扮演着连接数据运营端与数据分析端的桥梁角色。

自问世以来，Kafka 就凭借独特的分布式日志抽象，塑造了现代流处理架构。它不仅为实时数据流处理提供了无可比拟的能力，还围绕自身构建了完整的生态系统。

Kafka 的成功源于其核心优势：能够大规模地实现高吞吐量与低延迟处理。这一特性使其成为各类规模企业的可靠选择，并最终确立了其在流处理领域的行业标准地位。

但 Kafka 的发展之路并非一帆风顺。它的成本可能急剧攀升，而在流量高峰时段进行分区重分配等运维难题，更是令人头疼不已。

我至今还记得在沃尔玛工作时的经历：曾花费数小时排查一次恰逢流量高峰发生的分区重分配问题，那次经历几乎让我心力交瘁。

尽管成本居高不下，Kafka 在流处理领域的主导地位依然稳固。在如今云优先的大环境下，一个多年前基于本地磁盘存储设计的系统，至今仍是众多企业的核心支撑，这着实令人意外。

深入研究后我发现，背后的原因并非 Kafka “完美无缺”，而是长期以来缺乏合适的替代方案。其最大的卖点 —— 速度、持久性与可靠性，至今仍具有重要价值。

但只要使用过 Kafka，你就会知道：它将所有数据都存储在本地磁盘上。这一设计暗藏着一系列成本与挑战，包括磁盘故障、扩展难题、突发流量应对，以及受限于本地或私有部署存储容量等问题。

几个月前，我偶然发现了一个名为 AutoMQ 的开源项目。起初只是随意研究，后来却深入探索，彻底改变了我对流处理架构的认知。

因此，在本文中，我们希望分享两方面内容：一是 Kafka 传统存储模型面临的挑战，二是以 AutoMQ 为代表的现代解决方案如何通过云对象存储（而非本地磁盘）另辟蹊径解决这些问题。这一转变在保留 Kafka 熟悉的 API 与生态系统的同时，让 Kafka 具备更强的扩展性、更高的成本效益与更优的云适配性。

2 不容忽视的问题：Kafka 为何停滞不前

坦白说，Kafka 十分出色，它彻底改变了我们对数据流的认知。但每当我配置昂贵的 EBS 卷、看着分区重分配进程缓慢推进数小时，或是凌晨 3 点因某个 Broker 磁盘空间耗尽而被惊醒时，我总会忍不住思考：一定有更好的解决方案。

这些问题的根源何在？答案是 Kafka 的 shared-nothing 架构。每个 Broker 都像一个 “隐士”：独自拥有数据，将其小心翼翼地存储在本地磁盘上，拒绝与其他 Broker 共享。这种设计在 2011 年合情合理，当时我们使用私有部署服务器，本地磁盘是唯一的存储选择。但在如今的云时代，这就好比在所有人都使用谷歌云盘（Google Drive）的情况下，仍坚持使用文件柜存储数据。

这种架构实际带来了以下成本负担：

9 倍的数据冗余（没错，你没看错 ——Kafka 3 倍副本 × EBS 3 倍副本）。

分区重分配进程极其缓慢，如同看着油漆变干。

完全缺乏弹性 —— 尝试对 Kafka 进行自动扩展，你会发现整个周末都要耗费在这上面。

跨可用区（AZ）流量费用高到让首席财务官（CFO）头疼。

3 Kafka 的运维成本：Shared-Nothing 架构的代价

我想通过一个故事，直观展现 Kafka 的成本问题。

假设你运营着一个小型电商网站，每小时仅摄入 1GB 数据，包括用户点击、订单信息、库存更新等，数据量并不算大。在过去，你只需将这些数据存储在一台服务器上即可。但如今是 2025 年，为确保高可用性，你选择部署 Kafka。

而 Shared-Nothing 架构在此刻开始让你付出高昂代价。

Shared-Nothing 的真正含义

在 Kafka 的体系中，“Shared-Nothing” 意味着每个 Broker 都像一个 “多疑的隐士”，彼此之间不共享任何资源 —— 无论是存储、数据，还是其他任何东西。每个 Broker 都拥有独立的本地磁盘，自行管理数据，本质上把其他 Broker 当作 “恰好共事的陌生人”。

这就好比三个室友拒绝共享 Netflix 账号，反而各自付费订阅，将相同的节目下载到自己的设备上，并小心翼翼地守护着自己的密码。听起来成本很高？事实确实如此。

三重（甚至更严重的）打击

接下来，让我们看看成本问题有多棘手。

请仔细观察上图。

现在，让我们跟踪 1GB / 小时的数据在 Kafka 副本机制中的流转过程：

第 1 小时：应用产生 1GB 数据。

Kafka 副本（副本因子 RF=3）：1GB 数据在 Broker 间复制为 3GB。

EBS 副本：这 3GB 数据的每个副本又被 AWS 复制 3 份，最终变为 9GB。

预留空间：为避免午夜告警，需额外预留 30%-40% 的缓冲空间，最终需配置约 12GB 存储。

也就是说，每摄入 1GB 数据，你需要为约 12GB 的存储付费

一周的数据流转（与费用消耗）

若设置 7 天的数据保留期（常见配置）：

第 1 天：实际数据 24GB，需配置 288GB 存储。

第 3 天：实际数据 72GB，需配置 864GB 存储。

第 7 天：实际数据 168GB，需配置约 2016GB 存储。

更关键的是：即便你只需要消费最近 1 小时的数据，仍需为整整 7 天的数据存储与复制付费。

以上仅是粗略计算，旨在说明 Apache Kafka 的高成本问题。

雪上加霜的跨可用区成本

跨可用区复制让成本问题进一步恶化：

当数据摄入速率为 1GB / 小时（RF=3）时：

每小时有 2GB 数据跨可用区传输。

每月约产生 1460GB 跨区流量，按每 GB 约 0.02 美元计算（双向传输各按每 GB 约 0.01 美元计费），每月费用约 29 美元。

当数据摄入速率为 100MB / 秒（RF=3）时：

副本机制新增 200MB / 秒的跨可用区流量。

生产者向其他可用区的 Leader 节点写入数据，又新增约 67MB / 秒的跨区流量。

总跨区流量约为 267MB / 秒，每月流量达 700800GB。

仅跨可用区副本流量与生产者流量的月度费用就约为 1.4 万美元。

若消费者也跨可用区拉取数据，月度费用将攀升至约 1.75 万美元。

核心结论

在 2011 年，Shared-Nothing 架构合情合理。当时我们使用物理服务器与本地磁盘，存储区域网络（SAN）的性能无法与本地磁盘相比。

但在云时代，你需要为相同的数据支付 12 倍的存储费用，再加上网络费用与管理大量磁盘的运维成本。这就好比在 Netflix 时代仍购买 DVD，不仅如此，还为每张 DVD 购买 3 份副本，存放在 3 个不同的地方，并雇人确保这些副本同步更新。

如今情况已然不同。S3 已成为云存储的事实标准，具备低成本、高持久性与全局可用性的特点。正因如此，包括数据库、数据仓库乃至如今的流处理平台在内的各类系统，都在围绕共享存储架构进行重新设计。

AutoMQ、Aiven、Redpanda 等项目顺应这一趋势，将存储与计算解耦。它们不再在 Broker 间无休止地复制数据，而是利用 S3 保障数据持久性与可用性，既减少了基础设施重复建设，又降低了跨可用区网络成本。

这些项目均致力于减少资源重复、降低跨可用区成本，并采用云原生设计。目前，大多数试图降低 Apache Kafka 成本的新兴项目，实际上都采用了以下两种方案之一：

部分项目推动 Kafka 向全共享存储模型演进 ——Broker 变为无状态，存储完全依托 S3。

另一些项目则采用分层存储方案 —— 将旧数据段迁移至 S3/GCS 等远程存储，减少本地磁盘占用，但仍保留热数据层。

当然，在 S3 上运行 Kafka 也面临自身挑战，例如延迟、一致性与元数据管理等问题。我们将在后续内容中深入探讨这些挑战，并重点分析 AutoMQ 等开源新项目如何高效解决这些问题。

一定有更好的方案，对吧？

（剧透：答案是肯定的 —— 这正是我们深入探索的起点……）

4 Kafka 分层存储（Tiered Storage）方案的提出

Kafka 社区一直在积极讨论并开发分层存储功能（参见 KIP-405）。

在阐述我认为该设计可能存在缺陷的原因之前，先让我们用通俗的语言解释一下什么是分层存储。

传统上，Kafka Broker 将所有数据存储在本地磁盘中。这种方式速度快，但成本高且扩展性差 —— 一旦磁盘空间耗尽，你要么增加更多 Broker，要么更换更大容量的磁盘，这导致存储扩展与计算扩展深度绑定。

分层存储打破了这一模式，将数据分为两层：

Kafka 分层存储的核心特点

热数据 / 本地层

该层位于 Kafka Broker 的本地磁盘中，存储最新数据，针对高吞吐量写入与低延迟读取进行优化。

冷数据 / 远程层

该层采用独立的、通常成本更低且扩展性更强的存储系统。旧数据段会被异步上传至这一远程层，从而释放 Broker 的本地磁盘空间。

数据流转

仅当日志段关闭后，才会将其上传至远程层。消费者可从任意一层读取数据；若 Broker 本地无目标数据，则 Kafka 会从远程层拉取数据。

分层存储宣称的优势

成本更低：旧数据存储在 S3/GCS 等远程存储中，而非昂贵的 Broker 本地磁盘。

弹性更强：存储与计算可实现更高程度的独立扩展。

运维更优：本地数据量减少，Broker 重启与恢复速度更快。

从理论上看，这是一个巧妙的折中方案：将热数据就近存储以保证性能，将冷数据迁移至远程存储以降低成本。

5 为何分层存储仍未真正解决问题

接下来，我将分享我的观点：我认为分层存储只是对深层问题的 “治标不治本”。

还记得我们提到的 1GB 电商数据最终膨胀至约 12GB 的案例吗？分层存储无法解决这一根本性问题。这就好比在房屋地基开裂时，却只对厨房进行翻新。

让我们逐一分析其中原因。

问题 1：难以摆脱的 “热数据长尾”

Kafka 必须将活跃数据段存储在本地磁盘中，这一规则始终不变。只有当数据段 “关闭” 后，才可能被迁移至远程层。

一个活跃数据段的大小可能是 1GB，在黑色星期五等流量高峰时段甚至可能达到 50GB。若乘以 3 倍副本因子（RF=3），仅单个分区就需要在昂贵的本地磁盘中存储 150GB 数据。

因此，尽管旧数据被迁移至远程存储，但热数据长尾依然存在，且数据量可能非常庞大。

问题 2：分区重分配仍令人头疼

新增 Broker？重新平衡分区？分层存储仅能起到微小的缓解作用。

举例来说：

无分层存储时：可能需要迁移 500GB 数据，耗时长达 12 小时，过程痛苦。

有分层存储时：可能仅需迁移 100GB 热数据，耗时缩短至 2-3 小时。

不可否认，分层存储确实有所改善。但如果你的网站在结账高峰期出现故障，等待数小时迁移数据仍然无法接受。扩展瓶颈依然存在。

问题 3：隐性的复杂性代价

我的工程师思维这样总结道：

“现在我需要管理两个存储系统，而不是一个。我既要排查本地磁盘问题，又要处理 S3 相关问题。监控指标翻倍，告警数量翻倍。有时数据甚至会卡在两层之间无法流转。”

分层存储并未简化运维，反而增加了更多移动部件。这就好比为了整理凌乱的书桌，却买了一张新的书桌 —— 问题并未得到根本解决。

我的结论

分层存储设计巧妙，也确实能降低存储成本，但它无法解决 Kafka Shared-Nothing 架构中计算与存储深度耦合的根本问题。你仍需为热数据层成本、扩展摩擦与运维复杂性付出代价。

真正值得思考的问题并非 “如何降低 Broker 磁盘成本”，而是 “Broker 是否真的需要拥有磁盘”。

这正是 AutoMQ 等项目进一步探索的方向 —— 让 Broker 实现无状态，由共享云存储保障数据持久性。

6 但是……Broker 仍是有状态的，不具备云原生特性

随着我对 Kafka 的使用不断深入，我开始质疑其核心设计假设。

回顾我们此前讨论的 Kafka 各类缺陷，它们都指向一个缺失的关键特性：真正的云原生能力。

即便引入了分层存储，Kafka Broker 依然是有状态的，存储与计算仍紧密耦合。扩展或恢复 Broker 时，仍需进行数据迁移。

为了让 Kafka 真正实现云原生，社区开始探索 Diskless Kafka（参见 KIP-1150），实现计算与存储的完全解耦。

这就好比谷歌文档（Google Docs）：不再将文件保存到本地硬盘，而是将所有数据存储在共享云空间中。Broker 不再 “拥有” 数据，仅负责连接共享存储。

试想这样的场景：

无需管理本地磁盘。

Broker 崩溃时无需恐慌 —— 不会有任何数据丢失。

无需再经历痛苦的分区重分配。

新增 Broker？只需接入集群即可。

移除 Broker？毫无问题 —— 数据安全地存储在其他位置。

这不就能解决我们此前讨论的半数难题吗？以上仅为我的个人思考，你或许能提出更优的方案。欢迎在评论区分享你的想法，或通过私信与我交流。

7 Diskless Kafka 才是破局之道

尽管 Apache Kafka 尚未推出 Diskless 版本，但 AutoMQ 等开源项目已实现了这一功能 —— 而我个人最欣赏的一点是，AutoMQ 与 Kafka API 实现了 100% 兼容。

早在 2023 年，AutoMQ 团队就着手打造真正云原生的 Kafka。他们很早就意识到，Amazon S3（及兼容 S3 的对象存储）已成为耐用云存储的事实标准。

AutoMQ 与 Kafka 实现 100% 兼容，但对存储层进行了彻底重构：

所有日志段均存储在云对象存储（如 S3）中。

Broker 变得轻量且无状态，仅作为协议路由器。

数据的可信来源不再是 Broker 磁盘，而是共享存储。

既然云服务商已提供近乎无限的容量、跨可用区副本与 “11 个 9” 的持久性，为何还要重新构建复杂的存储系统？AutoMQ 充分利用 S3（或兼容存储）保障数据持久性，Broker 仅负责数据的传入与传出。

这一设计带来了显著优势：

轻松扩展：计算与存储可独立扩展。新增 Broker 以提升吞吐量，存储则在云中自动扩展。

快速重平衡：无需进行数据迁移。新增或移除 Broker 时，仅需重新分配 Leader 即可。

更高持久性：云对象存储无需在 Broker 上维护 3 倍副本，即可提供数据冗余。

运维简化：Broker 可随时替换。若某个 Broker 故障，只需启动新的 Broker，无需进行副本同步。

换言之，Broker 变得像 “牛群” 一样可替代，而非需要精心呵护的 “宠物”。

我最喜欢用这样的比喻来形容：这就好比谷歌文档，不再将文件保存到本地 “C 盘”，而是将所有数据存储在共享云盘中。Broker 仅提供访问能力 —— 数据本身始终安全地存储在云中。

AutoMQ 摒弃了每个 Broker 在本地磁盘囤积数据的模式，提出了共享存储理念：所有 Kafka 数据存储在一个公共云仓库中，任何 Broker 均可访问。这并非空想 ——AutoMQ 已通过与 Kafka 完全兼容的分支实现了这一设计，有效解耦了 Kafka 架构中的计算与存储。

本质上，他们选择站在 “巨人”（云服务商）的肩膀上，而非重复 “造轮子”。既然 S3 等服务已开箱即用地提供近乎无限的容量、跨可用区副本与极高的耐用性，为何还要从零构建复杂的存储系统？

要理解 AutoMQ 的创新，不妨想象 Kafka 以谷歌文档的模式运行：Broker 不再将数据保存到本地 “C 盘”，而是写入一个所有人共享的云盘。具体而言，AutoMQ 的 Broker 是无状态的，仅作为轻量级 “交通警察”，解析 Kafka 协议并实现数据与存储之间的路由。Kafka 日志段不再存储在 Broker 磁盘中，而是以云对象存储（S3）作为可信来源。这一设计带来了诸多显著优势。

首先，数据持久性大幅提升 —— 你可利用 S3 内置的副本机制与可靠性，无需在不同 Broker 上维护 3 份数据副本。其次，成本显著降低 —— 大规模使用对象存储的成本远低于部署大量本地 SSD（尤其是考虑到这些 SSD 还需维护 3 倍副本）。此外，扩展变得几乎 “即插即用”。

需要更高吞吐量？只需新增更多 Broker 实例（计算资源），并将其指向同一存储即可；无需通过大规模数据迁移来重新平衡分区。Broker 变得像 “牛群” 一样可替代，而非 “宠物”—— 若某个 Broker 故障，新的 Broker 可立即启动并提供数据服务，因为数据安全地存储在其他位置。这正是 Kafka 此前一直难以实现的云弹性。正如一位 Kafka 云架构师所言：“存储在云中自动扩展，Broker 只需提供数据传入与传出的处理能力。”

最后，让我们总结 AutoMQ Diskless 架构带来的优势。

Diskless 架构优势

轻松扩展：计算（Broker）与存储独立扩展。新增 Broker 以提升吞吐量，存储则在云中自动扩展。无需再过度配置磁盘空间，按实际使用付费即可。

快速重平衡：无需迁移分区数据。新增或移除 Broker 时，仅需重新分配 Leader，过程几乎即时完成。

更高持久性：对象存储提供 “11 个 9” 的耐用性，远优于 Broker 副本机制。

运维简化：Broker 故障无关紧要，只需替换即可。无需数据恢复或副本同步。

延迟挑战

理论上，Diskless Kafka 堪称完美，但它存在一个问题：对象存储会引入延迟。

低延迟是 Kafka 的核心优势，而直接向 S3 或 GCS 写入数据会导致延迟增加，并产生 API 开销。

AutoMQ 在此处做出了明智的设计：引入预写日志（Write-Ahead Log，WAL）抽象。消息首先追加到一个小型、耐用的 WAL（基于 EBS/NVMe 等块存储）中，而长期持久性则由 S3 保障。这一设计在保持 Broker Diskless 特性的同时，有效降低了延迟。

8 能否进一步优化？

在某些场景中，延迟至关重要，例如金融系统、高频交易、低延迟分析等。对于这些场景，即便是 AutoMQ 的 WAL 方案，也需要进一步创新。

AutoMQ 已表示将推出更深入的专有 / 商业解决方案：

直接写入 WAL：每条消息均写入耐用的云原生 WAL。

Broker 随后从缓存或内存中提供读取服务。

WAL 卷容量较小（如 10 GB），若某个 Broker 故障，可快速将其挂载到新的 Broker 上。

这与 Kafka 的分层存储有何不同？

分层存储：数据首先写入 Broker 磁盘，在 Broker 间复制，之后才将旧数据段迁移至 S3。

AutoMQ 的 Diskless 方案：完全无需 Broker 磁盘。数据持久性由云存储层直接保障，无需进行副本迁移。

若某个 Broker 故障，只需将其 WAL 卷挂载到新的 Broker 上，新 Broker 即可无缝接续旧 Broker 的工作。存储的生命周期超越计算。

这是一个重大的思维转变：计算资源可随时替换，存储则保持稳定。

在部分场景中，延迟的影响至关重要。因此，上述方案可能并非完美适配，仍需进一步优化。深入研究后我发现，AutoMQ 已针对这类场景提供了相应解决方案，但该方案似乎属于其专有 / 商业产品范畴。

这一解决方案可能看似复杂，但彰显了真正的工程智慧，是下一代基于 S3 的 Diskless Kafka 方案。

当然，与 SSD / 本地磁盘相比，S3 的速度确实较慢。此外，还需提升向云存储（S3）写入数据的效率，以减少 API 开销。

这与 Kafka 的分层存储是否相同？

我的第一反应也是如此：“等等，这难道不与 Kafka 将数据迁移至 S3 的分层存储方案一样吗？”

事实并非如此。二者的区别如下：

在启用分层存储的 Kafka 中，数据仍需先写入 Broker 本地磁盘，Broker 间的副本复制（ISR）仍是必需步骤，之后才会将旧数据段迁移至 S3。

在 AutoMQ 中，完全无需本地磁盘。数据直接写入云原生存储中的 WAL，无需副本复制，因为云卷本身已具备耐用性与冗余能力。

因此，这并非简单的优化，而是一种完全不同的设计。

若 Broker 故障怎么办？

这是一个很好的问题，也是我们接下来的 “顿悟” 时刻。

在 Kafka 中，若某个 Broker 故障，需重新分配分区并同步副本，过程十分痛苦。

而 AutoMQ 的处理方式完全不同：

每个 Broker 本质上是一个挂载了耐用云卷（EBS 或 NVMe）的计算实例。

假设 Broker A 正在向其 WAL（EBS）卷写入数据，突然发生故障。

无需担心，数据仍安全地存储在 WAL 卷中。

集群会迅速将该 WAL 卷挂载到 Broker B 上，Broker B 可无缝接续 Broker A 的工作。

整个过程无数据丢失、无副本迁移、无需等待。

本质上，在 AutoMQ 中，存储的生命周期超越 Broker。计算资源可随时替换，存储则保持稳定。

这与 Kafka 的设计理念存在巨大差异。AutoMQ 将计算与存储彻底解耦，这正是其设计的精妙之处。若你想深入了解，可查阅其官方文档。

9 最后的思考

若你能读到此处，感谢你的耐心阅读！

我们一直在探讨的理念简单却极具影响力：若用云存储取代本地磁盘，作为类 Kafka 系统的基础，会带来怎样的改变？

这一转变将大幅减少运维难题：

无需再进行 Broker 重分配。

无需再为磁盘告警惊慌失措。

扩展变得 “即插即用”。

令人振奋的是，AutoMQ 等项目正朝着这一方向探索，同时保持与 Kafka API 及工具的兼容性。

今日好文推荐