开源的数据流技术，该选择Redpanda还是Apache Kafka？_数据流_数据_集群

译者 | 陈峻

本文将比较Apache Kafka和Redpanda两种开源的数据流技术，在云原生实时处理能力上的不同，以及如何在项目中做出选择。

目前，Apache Kafka不但成为了数据流处理领域事实上的标准，而且带动了同类产品的出现。Redpanda就是其中之一。它是一种轻量级的且兼容C++的Kafka实现。下面，我将和您一起探讨Apache Kafka和Redpanda之间的差异，以及如何对Kafka生态系统、许可证和社区采用等方面产生的影响。

1、Apache Kafka的增长曲线

在Kafka的采用成熟度方面，大多数公司往往或多或少地经历了如下过程：

· 从一个或几个用例开始，快速证明其业务价值。

· 将第一个应用程序部署到生产环境中，并全天候（24/7）地运行。

· 充分利用来自各个领域、业务和技术部门的数据流。

· 迁移到分布式数据中心的中枢系统。

下图展示了使用Maven下载Kafka Java客户端库的用户月活数的增长曲线：

资料来源：Sonatype

显然，各种数据流的潜在用例和商业价值，是Kafka被采用的曲线能够持续增长的主要动因。而下图则展示了各个行业凭借着Kafka的低延迟、可扩展性、可靠性、以及真正的解耦性等特点，在不同的业务场景中创造的丰富数据价值。

展开全文

2、Redpanda：兼容Kafka的数据流

前面是对Kafka的现状介绍。下面，让我们来看看Kafka领域的新玩家：Redpanda。

作为一个数据流平台，Redpanda在其网站给出了如下市场定位和产品策略介绍：

去Java：它是一种既无需JVM，又摆脱了ZooKeeper的基础设施。

采用C++设计：此类设计旨在提供比Apache Kafka更好的性能。

单一的二进制架构：它并不依赖于其他任何库或节点。

自我管理和自我修复：它是一种可用于内部和云端部署的、简单且可扩展的架构。

与Kafka兼容：它针对现有应用程序、工具、以及集成的Kafka协议，提供了开箱即用的支持。

3、如何为您的项目选择合适的Kafka实现

我们往往需要从业务案例的需求出发，进行评估与定义。例如：正常运行时间、SLA、灾难恢复策略、企业支持、运营工具、托管式云服务、消息传递、数据获取、以及数据集成等功能与应用。下面，我们将对开源项目Apache Kafka和Redpanda（对Kafka协议的重新实现）进行比较，以便您根据实际需求，来予以评估和选择。

由于Redpanda和Apache Kafka的高级主张是相同的，因此我们首先来看两者的相同之处：

以数据流的方式持续、实时地处理大体量的数据。

使用分布式存储层去分离应用程序和域。

能够与各种数据源和数据接收器（data sink）相集成。

利用流式处理来关联数据，并能实时采取行动。

既能提供自我管理的操作，又可以使用完全托管的云产品。

下面，我们来深入了解Redpanda的各项特点。

4、部署选项：自我管理与云服务

如今，业务对于数据流的需求可谓比比皆是。虽然各行各业纷纷采用了云优先的战略，但是鉴于成本、延迟、以及安全要求，某些工作负载必须留在边缘处。对此，您除了自行配置Redpanda之外，还可以购买“Redpanda作为产品”，将其部署到自己的环境中。也就是说，您既可以使用Kubernetes（通常由供应商的外部控制层面提供支持），又可以利用云服务（由供应商完全实施管理）将其部署为环境中的数据层面，而非自行托管Redpanda。

Redpanda的这种不同部署选项，有点类似于Apache Kafka的Confluent部署选项。不过，其唯一缺陷是Redpanda并未提供关于云服务和企业级SLA的官方文档。

5、自带集群 (BYOC)

除了自行管理数据流集群和利用完全托管式的云服务之外，其实我们还有第三种选择：自带集群 (Bring Your Own Cluster，BYOC)。这种替代方案允许最终用户在自己的基础设施（如数据中心或云端的VPC）中，部署由供应商实施部分管理的解决方案。正如Redpanda的宣传口号说的那样：“Redpanda集群可以驻留在您的云服务处，并完全由Redpanda来打理。据此，您的数据将永远不会离开您的环境。”当然，这背后也潜藏着一些问题：

供应商如何访问您的数据中心或VPC？

谁来决定何时、以及如何扩展集群？

何时、以及如何部署集群，以修复错误或升级版本？

谁来保证SLA？是供应商吗？

对于受监管的行业，如何支持安全控制和合规性？

如何知晓供应商在您的环境中的各项行为？

如何定制第三方风险评估？

鉴于上述原因，用户要么将责任交给SaaS产品，要么自行控制。而云服务供应商往往仅能在自己的环境中提供托管服务。

6、既是社区产品也是商业产品

Redpanda的销售方式看起来与Confluent销售数据流的方式如出一辙。它既提供可用于生产环境的免费社区版，又在其企业版增加了分层存储、自动化数据平衡、以及24/7的企业支持等功能。

下面，我们来深入探讨Redpanda与Apache Kafka之间的技术差异。

7、Kafka协议的兼容性

为了提供API的兼容性，Redpanda重新实现了Kafka协议。不过它终究不是Kafka，无法保证来自Kafka生态系统的其他组件（如：Kafka Connect、Kafka Streams、REST Proxy和Schema Registry）在与仅使用Kafka协议、及其自我实现的非Kafka方案集成时，具有相同的表现。毕竟，即使其API能够100%地兼容，一些底层的行为也会有所差异。当然，这并不总是劣势。例如，Redpanda会专注于使用C++来进行性能上的优化，而在某些性能和内存情况下，C++所提供的性能会优于Java和JVM。

目前，Apache Kafka已经包含了用于数据集成的Kafka Connect，以及用于流处理的Kafka Streams。类似于大多数与Kafka相兼容的项目，Redpanda在其产品中也剔除了一些关键的、但“无用”的部分。因此，即使它号称具有100%的协议兼容性，也并不意味着该产品会重新实现Apache Kafka项目中的所有内容。

8、低延迟与基准化

在项目之初，我们需要考虑性能方面的需求。这往往离不开通过使用Apache Kafka、Apache Pulsar和Redpanda，进行概念验证(proof of concept，POC)。注意，不要随意采用有关性能和吞吐量的“基准”。这些基准通常只是针对某个特定问题提供的配置参考。我的同事Jack Vanlightly曾用如下图表，诠释了基准测试的相关概念。您可以参考一下：

资料来源：Jack Vanlightly

您可能会在Redpanda的基准测试中发现：Kafka并非为高吞吐量的生产者（producer）构建的。这正是Redpanda在吞吐量方面优于Kafka的地方。毕竟，在1 GB/s的用例中，谁又会仅创建4个生产者的吞吐量级呢？可见，基准化并不能说明一切，我们往往需要自行测试与尝试。

9、软实时与硬实时

当我们在谈论实时性时，通常是指数据处理管道至少需要几毫秒的时间，进行端到端的传输。这实际上是一种软实时，也是Apache Kafka、Apache Pulsar、Redpanda、Azure Event Hubs、Apache Flink、以及Amazon Kinesis等平台的实现方式。那么，什么是硬实时呢？

硬实时需要的是零延迟且无峰值的确定性网络。其典型的场景包括：制造业、汽车、机器人、证券交易等领域的嵌入式系统、现场总线、以及PLC。您可以通过搜索关键词--时间敏感网络(Time-Sensitive Networking，TSN)，了解更多相关内容。可见，Kafka和Redpanda并不适用于此类OT（Operational Technology，运营技术），而适用于IT（Information Technology，信息技术）。在OT领域，我们往往需要采用由纯C或Rust构建的嵌入式软件。

10、无需ZooKeeper

除了采用C++而非JVM来实现之外，Redpanda的第二项独特之处在于：它不需要ZooKeeper和两个复杂的分布式系统。当然，Kafka如今凭借着KIP-500，也可以在没有ZooKeeper的情况下，被投入生产环境。

Redpanda的ZooKeeper-less数据流不仅对Kafka的可扩展性和可靠性有着巨大优势，而且操作十分简单。不过，新的ZooKeeper-less架构仍需要一些时间，才能投入生产环境，而且它仅受到新的Kafka集群的支持。虽然我们可以预见它会从今年开始，支持零停机和零数据丢失的迁移场景，但是作为成熟的软件产品，它有着严格的发布周期。

11、Redpanda的数据流

得益于C++的实现，Redpanda不但轻量级而且高效。这在有限的边缘硬件计算环境中非常实用。与基于JVM的Kafka引擎相比，您可以针对完整的端到端数据管道，使用Redpanda作为消息队列，以实现更高级的数据流用例。此外，Redpanda的延迟峰值比Apache Kafka更少。当然，在部署单个Kafka代理的边缘用例中，如果工业计算机 (IPC)在硬件上能够提供4到8 GB的内存，那么我们就可以围绕着Kafka和其他技术，去部署整个数据流平台。

12、跨集群的数据复制

如今，在各种应用中，拥有多个Kafka集群已是常态。针对不同国家、地区的灾难恢复、聚合、数据主权、以及从内部部署迁移到云端等用例，都需要多种类型的数据流集群。

通常，跨集群复制是Apache Kafka的一个组成部分。MirrorMaker 2（基于Kafka Connect）就能够支持此类用例。当然，来自Confluent Replicator或Cluster Linking等厂商的高级专有工具，会使得数据复制之类的用例更加便捷可靠，而不需要通过额外的基础设施，进行偏移同步等操作。

如下图所示，Kafka生态系统的数据流，非常适合作为去中心化数据网格的基础。此外，在数据复制方面，Redpanda同样可以使用Kafka的Mirrormaker。

13、Apache Kafka和Redpanda之间的非功能性差异

我们在Redpanda与Apache Kafka之间进行选择时，技术性评估往往占有主导性地位。不过，许可证、采用曲线、以及总拥有成本(total cost of ownership，TCO)等非功能性因素，对于数据流平台的成功建立，有时候同样至关重要。

1）许可证

由于Apache Kafka使用非常宽松的Apache许可证 2.0，因此每个人，包括云服务提供商在内，都可以使用该框架，来构建内部应用程序、商业产品和云服务。提交者（Committer）和贡献者（Contribution）可以来自不同的公司和个人。

而Redpanda是根据更严格的资源可用性许可证 (Source Available License，BSL) 发布的。其目的是阻止云服务提供商将Redpanda的成果作为服务随意向外提供。虽然其目的是好的，但是它限制了不同社区和供应商更广泛地采用。与Kafka等Apache项目相比，外部贡献者、提交者、以及其他供应商选择该技术的可能性要小得多。当然，这对于其采用曲线而言，也会造成重大的影响。

2）成熟度、社区和生态系统

Kafka有着完善的文档，庞大的专家社区，大量的工具支持。其操作也更为直接。目前，您可以选择包括：在线课程、书籍、聚会和研讨会等形式的本地和在线Kafka资源。

而Redpanda是一个全新的产品和实现，其引擎和操作行为有所不同。由于除了其供应商的基本内容，并无太多的文档，也尚无专家支持，因此请无比仔细检查Redpanda网站给出的功能列表。例如，Redpanda的RBAC（基于角色的访问控制）文档会说：“Redpanda控制台中的RBAC，仅管理控制台用户的访问，而不管理通过Kafka API交互的客户端。若要限制Kafka API的访问，您需要使用Kafka ACL。” 同时，请确保不要像若干年前使用Apache Pulsar的用户那样，陷入产品功能营销方面的误区。

3）总体拥有成本和商业价值

TCO不仅仅包括了产品或云服务的购置成本。众所周知，数据流平台既需要专职的工程师进行运维和集成，也需要昂贵的项目负责人、架构师、以及开发人员，去构建应用程序。

您可能经常听到Redpanda宣传：“C++可以更有效地利用CPU资源。”不过，问题在于Kafka其实很少受到CPU的限制，而更多地受限于I/O。可以说，由于Redpanda与Kafka具有相同的网络和磁盘要求，因此这意味着Redpanda在基础设施的TCO方面与Kafka的差异并不大。

14、何时该选择Redpanda

而非Apache Kafka？

在如下情况下，您可以优先评估和考虑Redpanda，而不是Apache Kafka。

由于您的运营团队无法处理和分析JVM日志，因此需要C++基础设施。不过，请注意，这只涉及消息传递的内核，而不是数据集成、数据处理或Kafka生态系统的其他功能。

细微的性能差异对您来说非常重要，当然您并不需要硬实时性。

在笔记本电脑和自动化测试环境中进行简单、轻量级的开发。

15、小结

本文从技术和非功能性两个角度，和您探讨了该如何在Apache Kafka和Redpanda之间做出选择。总的说来，如果您需要企业级的解决方案、完全托管的云服务、广泛的生态系统（如：各种连接器、以及数据处理能力），并且可以接受10毫秒的延迟、以及几个p99峰值的话，选择Apache Kafka可能要比Redpanda更稳妥一些。

原文链接：

译者介绍

陈峻 （Julian Chen），51CTO社区编辑，具有十多年的IT项目实施经验，善于对内外部资源与风险实施管控，专注传播网络与信息安全知识与经验。