Begin Kafka
Last updated
Last updated
아파치 카프카 for beginners 강의를 요약한 내용입니다.
Before Kafka
소스 애플리케이션, 타겟 애플리케이션 개수가 늘어날 수록 데이터 라인이 많아지게 된다.
이 때 배포와 장애 대응이 어려워지고,
데이터 전송 시 프로토콜 포맷 파편화가 심해짐
추후 데이터 포맷에 변경사항이 있을 경우 유지보수에 어려워진다.
After Kafka
소스/타겟 애플리케이션의 커플링을 약하게 하기 위해 출시
위와 같은 복잡함을 해결하기 위해 링크드인에서 내부적으로 개발하여 오픈소스로 제공
https://developers.redhat.com/learning/learn:apache-kafka:kafka-101/resource/resources:what-are-partitions
Source Application (Kakfa Producer)
데이터를 보내는 역할
ex. 클릭 로그, 결제 로그
여러 데이터 포맷을 지원(json, tsv, avro ..)
Kafka
각종 데이터를 담는 토픽을 가지고 있음
유연한 Queue 역할을 담당
데이터 흐름에 있어서 fault tolerant(고가용성)으로
서버 이슈가 생기거나 갑작스럽게 전원이 내려갈 경우에서도 데이터를 손실 없이 복구 가능
낮은 지연(latency)과 높은 처리량(Throughput)을 통해 효과적으로 대량의 데이터를 처리
Target Application (Kakfa Consumer)
데이터를 가져가는 역할
ex. 로그 적재, 로그 처리
AWS에 카프카 클러스터 설치하기(ec2, 3 brokers)
아파치 카프카를 설치하기 위해 2가지 애플리케이션이 필요
1️⃣ 주키퍼
카프카 관련 정보를 저장하는 역할
데이터를 카프카에 보내는 역할
ex) 엄청난 양의 클릭 로그
역할
Topic에 해당하는 메시지 생성
특정 Topic으로 데이터를 publish(전송)
카프카 브로커로 데이터 전송 시, 전송 성공 여부 확인 가능
실패 시 재시도 가능
카프카 클라이언트인 컨슈머와 프로듀서 사용을 위해 아파치 카프카 라이브러리 추가
⚠️ 카프카는 브로커 버전과 클라이언트 버전의 하위호환성이 완벽하게 모든 버전에 대해서 지원하지 않으므로 주의 필요
브로커 버전과 클라이언트 버전의 호환성 확인 필수
카프카 프로듀서 작성 코드
bootstrap.servers: 카프카 브로커의 주소 목록은 2개 이상의 ip, port 설정 권장
하나의 브로커가 비정상일 경우 다른 브로커에 연결되어 사용 가능
key/value.serializer: key/value 에 대한 StringSerializer 직렬화 설정
ByteArray, String, Integer Serializer 사용 가능
topic: click_log
value: login
Key: 메시지를 보내면, 토픽의 파티션이 지정될 때 사용
프로듀서가 토픽의 파티션에 들어가는 과정
key = null
key ≠ null
키를 사용할 경우 파티션 개수를 고려
추후에 생성하지 않는 것을 권장
데이터 유실, 브로커의 이슈에 대처하기 위한 추가 옵션과 코드가 필요
참고.
다른 메시징 시스템에서는 컨슈머가 데이터를 가져가면 큐 내부 데이터가 사라지지만,
카프카에서는 컨슈머가 데이터를 가져가더라도 데이터 유지
이러한 특징은 카프카, 카프카 컨슈머를 데이터 파이프라인트로 운영하는데 핵심적인 역할
카프카 컨슈머는 기본적으로 토픽 내부의 파티션에 저장된 데이터를 가져온다.
이렇게 데이터를 가져오는 것을 polling
역할
토픽의 파티션으로부터 데이터를 폴링(polling)
특정 DB에 저장하거나, 또 다른 파이프라인에 전달 가능
파티션 오프셋 위치 기록(commit)
컨슈머 그룹을 통해 병렬처리
파티션 개수에 따라 컨슈머를 여러개 만들게 되면 병렬처리
카프카 컨슈머 작성 코드
bootstrap.servers관련 설정은 프로듀서와 동일
group.id (aka. 컨슈머 그룹) : 컨슈머들의 묶음
key/value.deserializer: key/value 에 대한 StringDeserializer 역직렬화 설정
consumer group: click_log_greoup
topic: click_log → consumer.subscribe()
특정 토픽의 일부 파티션의 데이터만 가져올 경우 consumer.assign()
key가 존재하는 데이터라면 이 방식으로 데이터의 순서를 보장하는 데이터처리 가능
컨슈머는 poll()을 통해 데이터를 가져오는데, 설정 시간 동안 데이터를 대기
0.5초 동안 데이터 도착을 대기하고 이후 코드를 실행
0.5초 동안 데이터가 들어오지 않을 경우 빈값의 records 변수 반환
records 변수는 데이터 배치로서 레코드의 묶음 list
실제 카프카에서 데이터를 처리할 때는 가장 작은 단위인 record로 나누어 처리
데이터가 컨슈머로 전달되는 과정
offset은 토픽, 파티션별 별개로 지정
offset의 역할은 컨슈머가 데이터를 어느 지점까지 읽었는지 확인 용도
컨슈머가 데이터를 읽기 시작하면 offset commit
offset 정보는 __consumer_offsets 토픽에 저장
컨슈머가 사고로 실행이 중지되어 재실행하면 시작 위치부터 다시 복구하여 데이터 처리 가능
컨슈머는 몇개까지 생성 가능❓
컨슈머 1, 파티션 2 → 2개의 파티션에서 데이터 폴링
컨슈머 2, 파티션 2 → 각 컨슈머가 각각의 파티션을 할당
컨슈머 개수는 파티션 개수보다 작거나 같아야 한다.
Consumer cnt ≤ partition cnt
여러 파티션을 가진 토픽에 대해서 컨슈머를 병렬처리하고 싶을 경우,
반드시 컨슈머를 파티션 개수보다 적은 개수로 실행시켜야 한다.
컨슈머 그룹이 다른 컨슈머들의 동작
각기 다른 컨슈머 그룹에 속한 컨슈머들은 다른 컨슈머 그룹에 영향을 미치지 않음
__consumer_offsets 토픽에는 컨슈머 그룹, 토픽별로 offset을 나누어 저장
이러한 카프카의 특징으로 하나의 토픽으로 들어온 데이터는 다양한 역할을 하는 컨슈머들이 각자 원하는 데이터로 처리가 가능
카프카에는 다양한 데이터가 들어갈 수 있다.
여기서 데이터가 들어갈 수 있는 공간을
Topic이라고 부른다.
일반적인 AMQP와는 다소 다르게 동작
카프카에서는 여러개의 토픽을 생성 가능
토픽은 데이터베이스 테이블이나 파일시스템의 폴더와 유사한 성질을 가짐
토픽은 이름을 가질 수 있는데 목적에 따라 설정
어떤 데이터를 담는지 명확하게 명시
하나의 토픽은 여러개의 파티션으로 구성 가능
첫 번째 파티션은 0번 부터 시작
하나의 파티션은 큐같이 내부 데이터가 파티션 끝부터 쌓이게 된다.
컨슈머는 가장 오래된 순서로 데이터를 가져간다.
데이터가 더이상 들어오지 않으면 컨슈머는 또 다른 데이터가 들어올 때까지 대기
컨슈머가 토픽 내부에서 데이터를 가져가더라도 데이터는 삭제되지 않는다.
파티션에 남은 데이터는 새로운 컨슈머가 붙었을 때 다시 0번부터 사용 가능
단, 컨슈머 그룹이 달라야 하고, auto.offset.reset = earliest 일 경우
동일 데이터를 두 번 처리할 수도 있는데 이는 카프카를 사용하는 아주 중요한 이유
엘라스틱서치, 하둡 등 다른 저장소에 데이터를 저장해야 하는 등의 경우
파티션이 2개 이상인 경우
프로듀서는 데이터를 보낼 때 키 지정이 가능
키를 지정하지 않고(null), 기본 파티셔너설정을 사용할 경우 → 라운드 로빈(Round robin)으로 할당
키가 있고, 기본 파티셔너를 사용할 경우 → 키의 해시 값을 구하고, 특정 파티션에 할당
파티션을 늘리는 것은 가능하지만 줄일 수는 없으므로 주의가 필요
파티션을 늘리면 컨슈머의 개수를 늘려서 데이터 처리 분산이 가능
파티션 데이터의 삭제 타이밍은 옵션에 따라 다르다.
log.retention.ms: 데이터 최대 보존 시간
log.retention.byte: 데이터 최대 보존 크기
카프카가 설치되어 있는 서버 단위
보통 3개 이상의 브로커로 구성하여 사용하는 것을 권장
만일, 파티션 1개, Replication 이 1 인 토픽이 존재, 브로커가 3대일 경우
브로커 3대 중 1대에 해당 토픽의 정보가 저장
파티션의 복제를 뜻함
파티션의 고가용성을 위해 사용
Replication
Replication = 1 이라면, 파티션은 1개만 존재한다는 의미
Replication = 2 이라면, 파티션은 원본 1개와 복제본 1개로 존재
Replication = 3 이라면, 파티션은 원본 1개와 복제본 2개로 존재
ISR(In Sync Replica)
여기서 1개의 원본 파티션은 Leader partition 이라고 부르고,
나머지 복제본 파티션은 Follower partition
Leader partition 이 죽게 되면 복제본이 Leader partition 역할을 승계
Leader + Follower partition 을 합쳐서 ISR(In Sync Replica) 이라고 볼 수 있다.
브로커 개수에 따라서 Replication 개수가 제한
브로커 개수가 3이면 Replication은 4가 될 수 없다.
프로듀서가 토픽의 파티션에 데이터를 전달할 때 전달받는 주체가 Leader partition
프로듀서에는 ack 라는 상세 옵션을 통해 고가용성 유지 가능
ack 옵션 중 하나를 선택
0
프로듀서는 Leader partition에 데이터를 전송하고 응답값은 받지 않음
데이터가 정상적으로 전송되었는지, 나머지 파티션에 정상 복제되었는지 보장할 수 없음
속도는 빠르지만 데이터 유실 가능성 존재
1
프로듀서는 Leader partition에 데이터를 전송하고, 데이터를 정상적으로 받았는지 응답값 수신
단, 나머지 파티션에 복제되었는지는 알 수 없음
Leader partition이 데이터를 받은 즉시 브로커 장애가 발생한다면 데이터 유실 가능성 존재
all
1 옵션에 추가로 follower partition에 복제가 잘 이루어졌는지 응답을 수신
데이터가 유실될 일은 없지만, 속도가 0, 1 옵션에 비해 현저히 느리다는 단점
replication 개수가 많아지면 그만큼 브로커의 리소스 사용량도 늘어나게 된다.
카프카에 들어오는 데이터량과 저장시간을 잘 고려하여 replication 개수 산정이 필요
3개 이상의 브로커 사용 시 replication 은 3으로 설정하는 것을 추천
프로듀서가 데이터를 보내면 무조건 파티셔너를 통해서 브로커로 데이터가 전송
파티셔너는 데이터를 토픽의 어떤 파티션에 넣을지 결정하는 역할
레코드에 포함된 메시지 키/값에 따라서 파티션의 위치가 결정
프로듀서 사용 시 파티셔너를 따로 설정하지 않는다면 UniformStickyPartitioner 로 설정
프로듀서에서 배치로 모을 수 있는 최대한의 레코드를 모아서 파티션으로 데이터를 전송
Partitioner 인터페이스를 통해 커스텀 파티셔너를 생성할 수도 있음
메시지 키/값, 토픽 이름에 따라 어느 파티션에 데이터를 보낼 것인지 설정 가능
ex. 특정 고객의 데이터를 더 빠르게 처리해주고 싶을 경우
8개의 파티션에는 VIP 고객 데이터, 2개의 파티션에는 일반 고객 데이터
메시지 키가 있을 때와 없을 때 다르게 동작
메시지 키가 있는 경우
파티셔너의 의해 특정한 해쉬값이 생성
이 해쉬값을 기준으로 어느 파티션으로 들어갈지 선정
동일한 메시지 키를 가진 레코드들은 동일한 파티션에 들어가므로 순서를 지켜서 데이터 처리할 수 있는 장점
메시지 키가 없는 경우
라운드 로빈으로 파티션에 할당 (전통적인 라운드 로빈 방식과는 조금 다르게 동작)
배치단위로 데이터 전송 시 파티션에 적절히 분배
프로듀서가 넣은 데이터 오프셋과 컨슈머가 가져간 데이터의 오프셋
이 두 개의 오프셋 간의 차이가
Consumer Lag
lag은 적을 수도, 많을 수도 있는데,
lag 를 통해 해당 토픽에 대해 파이프라인으로 연계되어 있는 프로듀서, 컨슈머의 상태에 대해 유추 가능
주로 컨슈머의 상태를 볼 때 사용
⭐️ lag은 각 파티션의 오프셋 기준으로 프로듀서가 넣은 데이터의 오프셋과 컨슈머가 가져가는 데이터의 오프셋의 차이를 기반
⭐️ 토픽에 여러 파티션이 존재할 경우 여러개의 lag 존재
ex) 컨슈머 그룹 1개, 파티션이 2개인 토픽에서 데이터를 가져간다면, lag은 2개가 측정
한 개의 토픽과 컨슈머 그룹에 대한 lag이 여러개 존재할 수 있을 때,
그 중 높은 숫자의 lag를 records-lag-max 라고 부름.
https://github.com/linkedin/Burrow
카프카 컨슈머 Lag 모니터링 필수 요소
Before
Kafka-client 라이브러리를 사용해서 Java, Scala와 같은 언어를 통해 카프카 컨슈머 구현
구현한 KafkaConsumer 객체를 통해 현재 lag 정보를 가져올 수 있음
lag을 실시간 모니터링하고 싶을 경우, 데이터를 Elasticsearch, InfluxDB 와 같은 저장소에 넣은 뒤
Grafana 대시보드를 통해 확인 가능
단, Consumer 단위에서 lag 을 모니터링하는 것은 위험하고 운영요소가 많이 들어감
컨슈머 로직단에서 lag 을 수집하는 것은 컨슈머 상태에 디펜던시가 걸림
컨슈머가 비정상적으로 종료되면 컨슈머는 lag 정보를 보낼 수 없으므로, 더이상 lag 측정 불가
추가적으로 컨슈머가 개발될 때마다 해당 컨슈머에 lag 정보를 특정 저장소에 저장할 수 있도록 로직 개발 필요
컨슈머 lag 수집 불가 컨슈머라면 모니터링이 어려워 운영이 까다로워짐
Using Burrow
Burrow는 오픈소스로 Golang으로 작성
컨슈머 lag 모니터링을 도와주는 독립적인 애플리케이션
1️⃣ 멀티 카프카 클러스터 지원
카프카 클러스터가 여러개더라도 Burrow application 1개만 실행해서 연동하면
카프카 클러스터들에 붙은 컨슈머의 lag을 모두 모니터링 가능
2️⃣ Sliding window를 통한 consumer status 확인
ERROR, WARNING, OK 로 표현
WARNING: 데이터양이 일시적으로 많아지면서 컨슈머 오프셋이 증가되고 있을 경우
ERROR: 데이터양이 많이지고 있는데 컨슈머가 데이터를 가져가지 않을 경우
3️⃣ HTTP api 제공
정보들을 Burrow API 를 통해 조회 가능
참고.
메시징 플랫폼의 두 가지 종류
메시지 브로커: 이벤트 브로커 역할 수행 ❌
이벤트 브로커: 메시지 브로커 역할 수행 ⭕️
대규모 메시지 기반 미들웨어 아키텍처에서 사용
미들웨어? 서비스하는 애플리케이션들의 아키텍처를 효율적으로 연결하는 소프트웨어
like) 메시징 플랫폼, 인증 플랫폼, 데이터베이스
메시지 브로커에 있는 큐에 데이터를 보내고 받는 프로듀서와 컨슈머를 통해 메시지를 통신하고 네트워크를 맺는 용도로 사용
ex) RabbutMQ, Redis Queue
메시지 브로커의 특징
메시지를 받아서 적절히 처리하고 나면, 즉시 또는 짧은 시간 내에 삭제되는 구조
데이터를 보내고, 처리하고, 삭제
메시지 브로커의 특징과 조금 다른 구조
1️⃣ 이벤트 또는 메시지라고도 불리는 레코드를 딱 하나만 보관하고, 인덱스를 통해 개별 엑세스를 관리
2️⃣ 업무상 필요한 시간동안 이벤트 보존 가능
ex) Kafka, AWS kinesis
이벤트 브로커의 특징
딱 한번 일어난 이벤트 데이터를 브로커에 저장하여 단일 진실 공급원으로 사용
장애 발생 시 장애가 일어난 지점부터 재처리 가능
토픽에 있는 데이터를 낮은 지연과 함께 안전하고, 빠른 속도로 데이터 처리
👍🏼 장점
1️⃣ 카프카와 완벽 호환
메시지 유실, 중복이 발생하지 않고, 딱 한 번만 처리될 수 있는 강력한 기능을 제공
대부분 카프카를 이벤트 저장소로 사용하고, 저장된 데이터를 Spark, Logstash 같은 툴로 연동
외부 오픈소스 툴은 빠르게 발전하는 카프카 버전에 따라오지 못 하는 단점이 존재
반면, 스트림즈는 카프카 릴리즈 때마다 카프카 클러스터와 완벽하게 호환
카프카 보안, ACL 같은 것들이 붙어 있더라도 완벽 호환, 성능 개선도 진행
2️⃣ 스케줄링 도구 불필요
카프카와 연동하는 스트림 프로세싱 툴로 Spark Streaming이 널리 사용
하지만, 스파크 운영을 위해 yarn, messos 같은 클러스터 관리자 또는 리소스 매니저 같은 것이 필요
클러스터 운영을 위해 대규모 장비 구축이 필요
카프카 스트림즈를 사용하면 스케줄링 도구는 불필요
스트림즈 애플리케이션은 컨슈머, WAS 애플리케이션을 배포하는 것처럼 원하는 만큼 배포 가능
적은 양의 데이터를 처리한다면 2개 정도, 데이터를 많이 처리해야 한다면 스케일 아웃(10~20개)
3️⃣ Streams DSL과 Processor API 제공
스트림즈 구현은 대부분 DSL로 해결
이벤트 기반 데이터 처리 시 필요한 다양한 기능들 map, join, window와 같은 메서드를 제공
Streams DSL만이 제공하는 KStream, KTable, GlobalKTable은 독특한 스트림 처리 개념
카프카를 스트림 데이터 처리뿐 아니라 대규모 key-value 저장소로도 사용 가능
Streams DSL에 없는 기능은 Processor API를 사용해서 로직을 작성
카프카의 풍부한 기능을 사용하고 싶다면 Kafka Streams가 답!
4️⃣ 로컬 상태 저장소를 사용
실시간으로 들어오는 데이터를 처리하는 방식
비상태(stateless) 기반 처리
필터링이나 데이터를 변환하는 처리
데이터가 들어오는 즉시 바로 처리하고, 프로듀스하여 유실이나 중복이 발생할 염려가 적음
개발을 위한 낮은 허들
상태(stateful) 기반 처리
(분산 프로세스를) 직접 개발하기 위한 높은 허들
window, join, aggregation 같은 처리는 이전에 받은 데이터를 프로세스가 메모리에 저장하고 있으면서 다음 데이터를 참조해서 처리해야 함
상태 기반 처리 개발의 어려움을 극복하도록 도와주는 것이 Kafka Streams
상태를 로컬 rocksdb를 사용해서 저장
이 상태에 대한 변환 정보는 카프카 변경로그(changelog) 토픽에 저장
프로세스에 장애가 발생하더라도 상태가 모두 안전하게 저장되어 자연스럽게 장애 복구
Sample Code
payment 토픽에 메시지 키가 unknows 인 데이터를 필터링해서
unknow-payment 토픽으로 보내는 스트림즈 코드
반복적인 데이터 파이프 라인을 효과적으로 배포하고, 관리하는 데이터 파이프 라인 플랫폼
Kafka Connect 는 Connect와 connector로 구성
Connector를 동작하도록 실행해 주는 프로세스
파이프 라인으로 동작하는 Connector를 동작하기 위해 반드시 실행
.
Connect는 크게 두 가지로 구성
1️⃣ 단일 실행 모드 커넥트
간단한 데이터 파이프라인을 구성하거나 개발용으로 주로 사용
2️⃣ 분산 모드 커넥트
여러개의 커넥트를 한 개의 클러스터로 묶어서 운영
클러스터로 묶은 커넥트는 일부 커넥트에서 장애가 발생하더라도 파이프라인을 자연스럽게 failover(장애 복구 기능)
나머지 실행중인 커넥트에서 데이터를 지속적으로 처리할 수 있도록 지원
실질적으로 데이터를 처리하는 코드가 담긴 jar 패키지
일련의 템플릿과 같은 특정 동작을 하는 코드 뭉치
커넥터 안에는 파이프라인에 필요한 여러 동작들과 설정, 실행 메서드들이 포함
만일, 토픽에서 Oracle DB에 데이터를 저장하고 싶다면
커넥터에 insert 메서드를 구현하고, 커넥터를 실행하는 방식으로 운영
직접 구현할 수도 있지만 깃허브, 컨플루언트에 오픈소스로 제공
사용중인 카프카 클러스터와 싱크/소스로 사용하는 DB가 있다면 오픈소스 커넥터를 검색해서 사용 가능
.
커넥터는 크게 두 가지로 구성
1️⃣ Sink Connector
어딘가로 데이터를 싱크한다는 의미
특정 토픽에 있는 데이터를 Oracle, mySQL, ES 같이 특정 저장소에 저장을 하는 역할 (like. Consumer)
Oracle Sink Connector, mySQL Sink Connector, ..
2️⃣ Source Connector
데이터 베이스로부터 데이터를 가져와서 토픽에 넣는 역할 (like. Producer)
커넥트를 실행할 때 커넥터가 어디에 위치하는지 config 파일에 그 위치를 지정
커넥터 jar 패키지가 있는 디렉토리를 config 파일에 지정
그 후 커넥트를 실행하게 되면 이 jar 파일의 커넥터들을 함께 모아서 커넥터를 실행할 수 있도록 준비 상태에돌입
실행중인 커넥트에서 커넥터를 실행하려면 REST API 활용
커넥트를 활용하면 파이프라인 생성 시 추가로 개발, 배포하는 과정 없이 REST API 를 통해 커넥터를 통한 파이프 라인들이 분산해서 생성
예로, 특정 토픽에 있는 데이터를 Oracle DB의 특정 테이블로 보낼 때 JSON 으로 설정을 생성
그리고 이 body를 REST API 를 통해 커넥트에 명령
개발, 배포, 모니터링 구축 과정들이 커넥트에서는 템플릿 형태로 커넥터를 개발하고,
REST API를 통해 반복적으로 생성해서 뛰어난 효율을 가짐
반복적으로 파이프라인 생성이 필요할 때는 컨슈머로 여러번 만들기보다 커넥트를 구축하여 커넥터를 반복적으로 실행하는 방식으로 진행하는 것을 권장
Kora by Confluent Cloud: 10x better Kafka
카프카를 직접 서버로 구축하지 않아도 SaaS 형태로 사용 가능한 서비스
카프카를 Saas 형태로 사용할 수 있는 서비스
1️⃣ AWS MSK(Managed Streaming for Kafka)
2️⃣ Confluent Cloud Kafka
Confluent Kafka cloud Service 는 클릭 몇번의 설정으로 즉시 구축된 kafka cluster 사용 가능
기존 개발자들이 직접 서버를 발급받고, zookeeper 설치 및 각종 script 명령을 통한 kafka 실행하는 방식과는 차원이 다른 방식
대부분의 동작이 웹 인터페이스를 통해 쉽고, 간편하게 사용 가능
클러스터 운영에 들어가는 개발자의 리소스를 줄일 수 있는 장점
당장 개발자 리소스가 부족하고, 스트리밍 서비스를 빨리 만들어야 하는 경우 유용
초기에는 엔드 투 엔드로 각 서비스 애플리케이션으로부터 데이터를 배치로 모았음
데이터를 배치로 모으는 구조는 유연하지 못 할 뿐만 아니라
실시간 생성 데이터에 대한 인사이트를 서비스에 빠르게 전달하지 못하는 단점
원천 데이터로부터 파생된 데이터의 히스토리 파악이 어려움
계속되는 데이터의 가공으로 인해 데이터가 파편화 → 데이터 거버넌스를 지키기 어려움
거버넌스: 빅데이터에 대한 체계적인 관리와 통제(프라이버시, 품질, 데이터 생명주기 ..)
위 단점들을 해소하고자 나온 아키텍처
람다 아키텍처는 세 가지 레이어로 나뉜다.
배치 레이어
배치 데이터를 모아서 특정 시간, 타이밍마다 일괄 처리
스파크 잡과 같은 대규모 배치 잡이 돌아가는 레이어
서빙 레이어
가공된 데이터를 데이터 사용자, 서비스 애플리케이션이 사용할 수 있도록 데이터가 저장된 공간
하둡이 대표적인 서빙 레이어 시스템
대량의 데이터를 안정적으로 저장
스피드 레이어
서비스에서 생성되는 원천 데이터를 실시간으로 분석하는 용도
배치 데이터에 비해 낮은 지연
카프카 같은 이벤트 스트리밍 플랫폼 위치한 레이어
⚠️ 한계점
데이터를 배치 처리하는 레이어와 실시간 처리하는 레이어를 분리한 방식은 데이터 처리 방식을 명확히 나눌 수 있었지만 레이어가 결국 두 개로 나뉘기 때문에 생기는 단점이 존재
데이터 분석, 처리에 필요한 로직이 두 벌로 각각의 레이어에 따로 존재해야 함
배치 데이터와 실시간 데이터를 융합하여 처리할 때는 다소 유연하지 못한 파이프라인을 생성해야 함
두 번의 배포와 디버깅과 로깅, 모니터링도 각각 수행이 필요
람다 아키텍처의 단점을 해소하기 위해 제이 크렙스가 제안
람다 아키텍처의 단점으로 부각되었던 이슈(로직의 파편화, 디버깅/배포/운영 분리)를 제거하기 위해 배치 레이어를 제거하는 방안을 고려
스피드 레이어에서 모든 데이터를 처리할 수 있으므로 더욱 효율적으로 개발/운영을 진행
카파 아키텍처에서 서빙 레이어를 제거한 아키텍처
스피드 레이어로 사용되는 카프카에 분석과 프로세싱을 완료한 대용량의 데이터를 오랜 기간 저장하고 사용할 수 있다면 서빙 레이어는 제거되어도 된다는 가정으로 접근
기존에 사용하던 하둡을 카프카로 대체
카프카를 스트리밍 데이터 레이크로 사용하기 위해 개선해야 하는 부분
1️⃣ 스트리밍 데이터를 배치 데이터로 자유롭게 접근이 가능해야 한다.
스트리밍 데이터는 타임스탬프 기준으로 쿼리를 돌려 배치 형태로 데이터를 일부 뽑아낼 수 있지만 카프카로는 한계가 존재
카프카 스트림즈의 KTable, GlobalKTable로 구체화된 뷰를 통해 조회는 할 수 있지만, 스프림즈를 사용할 때만 가능한 부분
확장성을 고려하면 아직 많은 개선이 필요
2️⃣ 자주 접근하지 않는 데이터를 비싼 자원에 유지할 필요가 없다는 점.
카프카 클러스터에서 자주 접근하지 않는 데이터는 오브젝트 스토리지와 같이 저렴하면서도 안전한 저장소에 옮겨 저장하고, 자주 사용하는 데이터만 브로커에서 사용하는 구분 작업이 필요
데이터파이프라인 처리를 위해 redis, rabbitMQ 등 여러 애플리케이션들을 조합해서 사용해야 했다.
이런 애플리케이션 각각의 특징이 뚜렷하다보니 데이터 처리에 있어 파편화도 심각
파편화는 결국 유지보수의 어려움으로 직결되었고, 유지보수의 어려움은 비즈니스 성장에 영향
이러한 걸림돌을 타파하기 위해 만들어진 것이
카프카
카프카는 데이터 처리를 각각 여러 애플리케이션에서 처리하는 것이 아니라 중앙의 한 곳에서 처리할 수 있도록 중앙집중화한 것
카프카를 통해 웹사이트, 애플리케이션, 센서 등에서 취합한 데이터 스트림을 한 곳에서 실시간으로 관리
카프카는 대용량 데이터를 수집하고, 사용자들이 실시간 스트림으로 소비할 수 있게 만들어주는 일종의 중추 신경으로 작동
카프카가 많이 사용되고 있는 특징
1️⃣ High throughput message capacity
짧은 시간 내에 엄청난 양의 데이터를 컨슈머까지 전달
파티션을 통한 분산처리가 가능하므로 데이터 양이 많아질수록 컨슈머 개수를 늘려 병렬 처리가 가능
병렬 처리를 통해 데이터를 더욱 빠르게 처리
2️⃣ Scalability and Fault tolerant
카프카는 뛰어난 확장성
이미 사용되고 있는 카프카 브로커가 있더라도 신규 브로커 서버를 추가해서 수평 확장이 가능
여러 브로커 중 몇 대가 죽더라도 이미 replica로 복제된 데이터는 안전하게 보관되어 복구하여 처리 가능
3️⃣ Undeleted log
카프카 토픽에 들어간 데이터는 컨슈머가 데이터를 가지고 가더라도 데이터가 사라지지 않음
만일 다른 플랫폼에서 이러한 처리를 하려고 했다면 복잡한 방식이 필요
카프카에서는 컨슈머의 그룹 아이디만 다르다면 동일한 데이터도 각각 다른 형태로 처리
아파치 카프카의 생태계는 꾸준히 발전
기본 개념인 컨슈머, 프로듀서 뿐만 아니라
카프카 스트림, 커넥터, ksqldb, avro, rest proxy 등
카프카에 적합한 여러 요소가 지속적으로 개발되고 발전
또한, fluentd, telegraf 등 여러 서드파티들에서도 카프카와의 연동을 정식으로 지원
