为了更全面地了解 Pulsar 和 Kafka，我们“复现”了 Confluent 对 Pulsar 和 Kafka 基准测试。重复这一基准测试的原因有两个，一是 Confluent 的测试方法存在一些问题；二是 Confluent 的测试范围和测试场景不够全面。为了更准确地对比 Pulsar 和 Kafka，我们在测试中不仅修复了 Confluent 测试中的问题，还扩大了测试范围，纳入更多性能衡量标准，模拟更多实际场景。

和 Confluent 的测试相比，我们的测试主要有三项改进：

• 包含 Pulsar 和 Kafka 支持的所有持久性级别。在同等持久性级别下，对比二者的吞吐量和延迟。
• 引入影响性能的其他因素和测试条件，如分区数量、订阅数量、客户端数量等。
• 测试的混合负载同时包含写入、追赶读和追尾读，模拟实际使用场景。

本节将详述测试结果和结论。

最大吞吐量测试

测试目标：观测在处理发布和追尾读工作负载时 Pulsar 和 Kafka 可实现的最大吞吐量。

测试设置：通过调整分区数量，观测分区数量对吞吐量的影响。

测试策略：

• 将所有消息都复制三次，确保容错；
• 改变 ack 数量，测试在不同持久性保证下，Pulsar 和 Kafka 的最大吞吐量；
• 启用 Pulsar 和 Kafka 的批处理，为不超过 10 ms 的响应延迟设置最大批处理为 1 MB 数据；
• 改变分区数量（1、100、2000 个分区），分别测试最大吞吐量；
• 当分区数量为 100 和 2000 时，使用 2 个 producer 和 2 个 consumer；
• 当分区数量为 1 时，改变 producer 和 consumer 的数量，观测吞吐量变化；
• 消息大小为 1 KB；
• 在所有测试场景中，改变持久性级别，观测最大吞吐量。

测试结果：

#1 100 个分区，1 个订阅，2 个生产者/2 个消费者

分区数量为 100，改变持久性保证，分别观测 Pulsar 和 Kafka 的最大吞吐量。在 Pulsar 和 Kafka 中，都使用 1 个订阅、2 个生产者和 2 个消费者。测试结果如下。

• 在 1 级持久性保证（同步复制持久性，异步本地持久性）下，Pulsar 的最大吞吐量约为 300 MB/s，达到日志磁盘带宽物理极限。Kafka 的最大吞吐量约为 420 MB/s。值得注意的是，在持久性为 1 级时，Pulsar 配置一个磁盘为日志磁盘进行写入，另一个磁盘为 ledger 磁盘进行读取；而 Kafka 同时使用两个磁盘进行写入和读取。尽管 Pulsar 的设置能够提供更好的 I/O 隔离，但单个磁盘最大带宽（〜300 MB/s）会限制吞吐量。
• 将持久性（同步复制持久性和异步本地持久性）配置为 2 级时，Pulsar 和 Kafka 的最大吞吐量均可达到约 600 MB/s 。两个系统都达到了磁盘带宽的物理极限。

图 1 为 100 个分区，同步本地持久性下，Pulsar 和 Kafka 的最大吞吐量。

图1· 有 100 个分区时，Pulsar 和 Kafka 的最大吞吐量(同步本地持久性)

图 2 为 100 个分区，异步本地持久性下，Pulsar 和 Kafka 的最大吞吐量。

图2· 100 个分区时，Pulsar 和 Kafka 的最大吞吐量（异步本地持久性）

#2 2000 个分区，1 个订阅，2 个生产者/2 个消费者

分区数量从 100 增加到 2000，持久性保证不变（acks = 2），分别观测 Pulsar 和 Kafka 的最大吞吐量。在 Pulsar 和 Kafka 中，都使用 1 个订阅、两个生产者和两个消费者。测试结果如下。

• 在 1 级持久性保证下，Pulsar 的最大吞吐量保持在约 300 MB/s，在 2 级持久性保证下则增加到约 600 MB/s；
• 单独为每条消息刷新数据时(kafka-ack-all-sync)，Kafka 的最大吞吐量从 600MB/s (100 个分区) 降到了 300MB/s 左右；
• 使用系统默认的持久性设置（kafka-ack-all-nosync）时，Kafka 的最大吞吐量从约500 MB/s（100 个分区）下降到约 300 MB/s。

为了了解 Kafka 吞吐量下降的原因，我们绘制了 Kafka 和 Pulsar 在每一持久性保证下的平均发布延迟图。图 3 表明，分区数量增加到 2000 时，Kafka 的平均发布延迟增加到 200 毫秒，P99 发布延迟增加到 1200 毫秒。

图3· 2000 个分区时，Pulsar 和 Kafka 的最大吞吐量

发布延迟通常会对吞吐量造成显著影响。但由于 Pulsar 客户端充分利用了 Netty 强大的异步网络框架，Pulsar 的吞吐量没有受到影响。而 Kafka 客户端使用同步实现，Kafka 的吞吐量的确受到影响。把 producer 数量增加一倍可以提高 Kafka 的吞吐量。如果生产者数量增加到 4 个，Kafka 的吞吐量能达到约 600 MB/s。

图 4：2000 个分区时，Pulsar 和 Kafka 的发布延迟

图4· 2000 个分区时，Pulsar 和 Kafka 的发布延迟

#3 1 个分区，1 个订阅，2 个生产者/2 个消费者

增加更多 broker 和分区有助于提高 Pulsar 和 Kafka 的吞吐量。为了更深入地了解这两个系统的效率，我们把分区数量设为 1，观测 Pulsar 和 Kafka 的最大吞吐量。在 Pulsar 和 Kafka 中，都使用 1 个订阅、2 个生产者和 2 个消费者。

测试结果如下：

• 在所有持久性级别，Pulsar 的最大吞吐量都达到了约 300 MB/s；
• 在异步复制持久性下，Kafka 的最大吞吐量达到了约 300 MB/s，但在同步复制持久性下只有约 160 MB/s。

图 5：在 1 个分区，同步本地持久性下，Pulsar 和 Kafka 的最大吞吐量

图5· 1 个分区时，Pulsar 和 Kafka 的最大吞吐量（同步本地持久性）

图 6：在 1 个分区，异步本地持久性下，Pulsar 和 Kafka 的最大吞吐量

图6· 1 个分区时，Pulsar 和 Kafka 的最大吞吐量（异步本地持久性）

#4 1 个分区，1 个订阅，1 个生产者/1 个消费者

分区数量为 1，订阅数量为 1（与上个测试相同），分别观测 Pulsar 和 Kafka 的最大吞吐量。在 Pulsar 和 Kafka 中，只使用 1 个生产者和 1 个消费者。

测试结果如下：

• 在所有持久性级别，Pulsar 的最大吞吐量都保持在约 300 MB/s；
• 在异步复制持久性下，Kafka 的最大吞吐量从约 300 MB/s（测试#3中）下降到约 230 MB/s；
• 在同步复制持久性下，Kafka 的吞吐量从约 160 MB/s（测试#3中）下降到约 100 MB/s。

图 7 为在同步本地持久性，一个分区、一个生产者和一个消费者的情况下，Pulsar 和 Kafka 的最大吞吐量

图7· 一个分区、一个生产者和一个消费者时，Pulsar 和 Kafka 的最大吞吐量(同步本地持久性)

为了了解 Kafka 吞吐量下降的原因，我们绘制了 Kafka 和 Pulsar 在不同持久性保证下的平均发布延迟图（图8）和端到端延迟图（图9）。从下图中可以看到，即使只有一个分区，Kafka 的发布延迟和端到端延迟也从几毫秒上升到了几百毫秒。减少生产者和消费者数量会对 Kafka 吞吐量造成显著影响。相比之下，Pulsar 的延迟始终保持在几毫秒。

图8· 一个分区、一个生产者和一个消费者时，Pulsar 和 Kafka 的发布延迟(同步持久性)

图9· 一个分区、一个生产者和一个消费者时，Pulsar 和 Kafka 的端到端延迟（同步持久性）

发布和端到端延迟测试

测试目标：观测在处理发布和追尾读工作负载时 Pulsar 和 Kafka 可实现的最低延迟。

测试设置：通过调整订阅数量和分区数量，观测订阅数量和分区数量对发布延迟和端到端延迟的影响。

测试策略：

• 将所有消息都复制三次，确保容错；
• 改变 ack 数量，测试在不同持久性保证下，Pulsar 和 Kafka 吞吐量的差异；
• 改变订阅数量（从 1 到 10），分别测试延迟；
• 改变分区数量（从 100 到 10000），分别测试延迟；
• 消息大小为 1KB；
• 生产者以 200000/s（约 200MB/s）的固定速度发送消息，追尾读消费者在生产者持续发送消息时处理消息。

各项测试结果如下。

#1 100 个分区, 1 个订阅

我们从 100 个分区、1 个订阅开始，在所有不同持久性保证下，对 Pulsar 和 Kafka 能实现的最低延迟进行了基准测试。

测试证明，在所有持久性级别上，Pulsar 的发布延迟和端到端延迟都比 Kafka 低，是 Kafka 的 1/5 到 1/2。

发布延迟 - 同步本地持久性

使用两种复制持久性设置（分别为 ack-1 和 ack-2）和同步本地持久性时，Pulsar 和 Kafka 发布延迟的差异如图 10。表 2 为每种情况下的精确延迟数值。在异步复制持久性（ack-1）下，Pulsar P99 延迟是 Kafka 的 1/3; 在同步复制持久性（ack-2）下是 Kafka 的 1/5。

图10· Pulsar 和 Kafka 的发布延迟(数据同步)

表2· Pulsar 和 Kafka 的实际发布延迟测试结果（数据同步）

	Average	P50	P90	P99	P999
pulsar-ack-1	3.23	3.21	4.23	4.73	5.89
pulsar-ack-2	3.64	3.42	4.47	10.37	32.74
kafka-ack-1	2.54	1.99	3.78	11.37	18.71
kafka-ack-all	9.84	5.71	19.7	58.83	164.20

为了更深入地了解延迟如何随时间变化，我们绘制了 Pulsar 和 Kafka 采取不同复制持久性设置时的 P99 延迟图。如图 11 所示，Pulsar 的延迟比较稳定（约 5 毫秒），但 Kafka 的延迟波动较大。对于关键任务服务（mission-critical services）来说，稳定、持续的低延迟至关重要。

图11· Pulsar 和 Kafka 的 P99 延迟

端到端延迟--同步本地持久性

使用两种复制持久性设置（分别为 ack-1和 ack-2）和同步本地持久性时，Pulsar 和 Kafka 端到端延迟的差异如图 12。表 3 为每种情况下的精确延迟数值。在异步复制持久性（ack-1）下，Pulsar P99 端到端延迟是 Kafka 的 1/3，在同步复制持久性（ack-2）下是 Kafka 的 1/5。

图12· 1 个订阅时，Pulsar 和 Kafka 的端到端延迟（数据同步）

表3· 1 个订阅时，Pulsar 和 Kafka 的实际端到端延迟测试结果(数据同步)

	Average	P50	P90	P99	P999
pulsar-ack-1	4.32	4.41	5.35	5.86	7.65
pulsar-ack-2	4.72	4.65	5.60	11.64	33.90
kafka-ack-1	6.23	4.91	9.08	18.75	91.74
kafka-ack-all	12.89	7.53	23.07	64.62	169.83

发布延迟 - 异步本地持久性

使用两种复制持久性设置（分别为 ack-1 和 ack-2）和异步本地持久性时，Pulsar 和 Kafka 发布延迟的差异如图 13。表 4 为每种情况下的精确延迟数值。在异步复制持久性（ack-1）下，Kafka 性能更优，但 Pulsar P99 发布延迟更稳定（低于 5 毫秒），增加复制持久性保证（从 ack-1 到 ack-2）并未影响延迟。在同步复制持久性（ack-2）下，Kafka P99 发布延迟是 Pulsar 的 2 倍。

图13· Pulsar 和 Kafka 的发布延迟(无数据同步)

表4· Pulsar 和 Kafka 的实际发布延迟测试结果（无数据同步）

	Average	P50	P90	P99	P999
pulsar-ack-1	2.81	2.79	3.8	4.21	5.45
pulsar-ack-2	2.99	2.97	3.96	4.47	6.19
kafka-ack-1	1.74	1.62	2.60	3.06	9.91
kafka-ack-all	3.01	2.77	3.97	8.47	15.57

为了更深入地了解发布延迟如何随时间变化，我们绘制了 Pulsar 和 Kafka 在不同复制持久性设置下的 P99 发布延迟图。如图 14 所示，Pulsar 的延迟始终保持在较低的水平（低于 5 毫秒），而 Kafka 的延迟始终是 Pulsar 的 2 倍。

图14· 不同复制持久性设置下，Pulsar 和 Kafka 的 P99 发布延迟

端到端延迟--异步本地持久性

使用两种复制持久性设置（分别为 ack-1 和 ack-2）和异步本地持久性时，Pulsar 和 Kafka 端到端延迟的差异如图 15。表 5 为每种情况下的精确延迟数值。在所有情况下，Pulsar 的性能都优于 Kafka。Pulsar P99 端到端延迟保持稳定（约 5 毫秒），改变复制持久性设置对其并无影响。对于 ack-1，Kafka 的 P99 端到端延迟比 Pulsar 高；对于 ack-2，Kafka 的 P99 端到端延迟是 Pulsar 的 2 倍。

图15· 1 个订阅时，Pulsar 和 Kafka 的端到端延迟（无数据同步）

表5· 1 个订阅时，Pulsar 和 Kafka 的实际端到端延迟测试结果（无数据同步）

	Average	P50	P90	P99	P999
pulsar-ack-1	3.96	3.99	4.90	5.33	7.93
pulsar-ack-2	4.06	4.17	5.08	5.55	8.52
kafka-ack-1	4.26	4.10	5.39	6.94	17.24
kafka-ack-all	4.22	3.96	5.19	10.43	18.95

#2 100 个分区, 10 个订阅

了解 Pulsar 和 Kafka 只有一个订阅时的性能后，我们想知道更改订阅数量会如何影响发布延迟和端到端延迟。于是我们把订阅数量从 1 增加到 10，并为每个订阅分配了 2 个消费者。

从如下数据中可以看出，我们的测试结果表明：

• Pulsar P99 发布延迟和端到端延迟保持在 5 到 10 毫秒之间。
• 增加订阅数量会对 Kafka 的 P99 发布和端到端延迟产生巨大影响，导致延迟增加到几秒。

发布延迟 - 同步本地持久性

使用两种复制持久性设置（分别为 ack-1和 ack-2）和同步本地持久性时，Pulsar 和 Kafka 发布延迟的差异如图 16。表 7 为每种情况下的精确延迟数值。在异步复制持久性（ack-1）下，Pulsar P99 发布延迟仍然是 Kafka 的 1/3。但在同步复制持久性（ack-2）下，Pulsar 的发布延迟是 Kafka 的 1/160（1 个订阅时，Pulsar 的发布延迟是 Kafka 的 1/5）。

图16· 10 个订阅时，Pulsar 和 Kafka 的发布延迟（数据同步）

表7· 10 个订阅时，Pulsar 和 Kafka 的实际发布延迟测试结果（数据同步）

	Average	P50	P90	P99	P999
pulsar-ack-1	3.24	3.20	4.26	4.89	10.31
pulsar-ack-2	3.67	3.47	4.56	9.94	31.31
kafka-ack-1	3.14	2.39	4.39	15.07	61.29
kafka-ack-all	290.51	176.82	724.26	1593.46	2686.41

端到端延迟--同步本地持久性

使用两种复制持久性设置（分别为 ack-1和 ack-2）和同步本地持久性时，Pulsar 和 Kafka 端到端延迟的差异如图 17。表 8 为每种情况下的精确延迟数值。在异步复制持久性（ack-1）下，Pulsar P99 延迟是 Kafka 的 1/20，在同步复制持久性（ack-2）下是 Kafka 的 1/110 。

图17· 10 个订阅时，Pulsar 和 Kafka 的端到端延迟（数据同步）

表8· 10 个订阅时，Pulsar 和 Kafka 的实际端到端延迟测试结果(数据同步)

	Average	P50	P90	P99	P999
pulsar-ack-1	4.79	4.83	6.03	7.12	15.36
pulsar-ack-2	5.34	5.12	6.43	14.65	39.90
kafka-ack-1	11.36	6.65	17.12	145.10	914.19
kafka-ack-all	296.45	171.32	731.67	1599.79	2696.63

发布延迟 - 异步本地持久性

使用两种复制持久性设置（分别为 ack-1 和 ack-2）和异步本地持久性时，Pulsar 和 Kafka 发布延迟的差异如图 18。表 9 为每种情况下的精确延迟数值。Pulsar 的性能显著优于 Kafka。Pulsar 的平均发布延迟约为 3 毫秒，P99 延迟在 5 毫秒以内。Kafka 在异步复制持久性（ack-1）下性能令人满意，但在同步复制持久性（ack-2）下性能差了很多。在同步复制持久性下，Kafka 的 P99 发布延迟是 Pulsar 的 270 倍。

图18· 10 个订阅时，Pulsar 和 Kafka 的发布延迟（无数据同步）

表9· 10 个订阅时，Pulsar 和 Kafka 的实际发布延迟测试结果(无数据同步)

	Average	P50	P90	P99	P999
pulsar-ack-1	2.86	2.82	3.86	4.46	11.18
pulsar-ack-2	3.05	3.00	4.03	4.73	10.39
kafka-ack-1	2.11	1.89	3.02	6.35	14.74
kafka-ack-all	158.04	17.63	526.91	1281.25	1956.71

端到端延迟--异步本地持久性

使用两种复制持久性设置（分别为 ack-1 和 ack-2）和异步本地持久性时，Pulsar 和 Kafka 端到端延迟的差异如图 19。表 10 为不同情况下的精确延迟数值。在所有情况下，Pulsar 的性能始终优于 Kafka。Pulsar 的端到端延迟始终保持在 4～7 毫秒之间，改变复制持久性设置对其并无影响。对于 ack-1，Kafka 的 P99 端到端延迟是 Pulsar 的 13 倍；对于ack-2，则是 187 倍。

图19· 10 个订阅时，Pulsar 和 Kafka 的端到端延迟（无数据同步）

表10· 10 个订阅时，实际端到端延迟测试结果(无数据同步)

	Average	P50	P90	P99	P999
pulsar-ack-1	4.51	4.47	5.60	6.84	15.77
pulsar-ack-2	4.61	4.61	5.76	6.94	14.21
kafka-ack-1	8.01	5.90	9.38	89.80	532.68
kafka-ack-all	212.77	87.72	537.85	1295.78	1971.03

#3 100, 5000, 8000, 10000 个分区

了解更改订阅数量会如何影响 Pulsar 和 Kafka 的发布延迟后，我们想更改分区数量，看看会产生什么效果。于是，我们把分区数量从 100 个累加到 10000 个，观察发生了什么变化。

测试结果表明：

• 分区数量增加时，Pulsar P99 发布延迟稳定在 5 毫秒内。
• Kafka 的 P99 发布延迟受分区数量累加影响很大，延迟上升到几秒。
• 分区数量超过 5000 后，Kafka 的消费者就跟不上发布吞吐量了。

Ack = 1，同步本地持久性

使用同步本地持久性和异步复制持久性 (ack = 1) 更改分区数量时，Pulsar 和 Kafka 发布和端到端延迟的差异分别如图 20 和图 21。

图20· 分区数量不同，ACK=1 时的发布延迟（数据同步）

图21· 分区数量不同，ACK=1 时的端到端延迟(数据同步)

表 12 显示了分区数量不同，ACK=1 时的实际发布延迟测试结果。表 13 显示了分区数量不同，ACK=1 时的实际端到端延迟测试结果。

表12· 分区数量不同，ACK=1 时的实际发布延迟测试结果（数据同步）

	Average	P50	P90	P99	P999
kafka-100	2.54	1.99	3.78	11.37	18.71
kafka-5000	3.50	4.41	9.21	29.26	44.39
kafka-8000	8.37	5.11	20.18	40.70	69.72
kafka-10000	11.14	6.57	26.81	52.24	82.07
pulsar-100	3.23	3.21	4.23	4.73	5.89
pulsar-5000	3.35	3.30	4.34	5.03	13.96
pulsar-8000	3.67	3.67	4.89	5.61	16.07
pulsar-10000	3.42	3.37	4.48	5.36	19.20

表13· 分区数量不同，ACK=1 时的实际端到端延迟测试结果（数据同步）

	Average	P50	P90	P99	P999
kafka-100	6.23	4.91	9.08	18.75	91.74
pulsar-100	4.32	4.41	5.35	5.86	7.65
pulsar-5000	4.52	4.53	5.55	6.26	17.78
pulsar-8000	4.89	4.99	6.11	6.86	23.83
pulsar-10000	4.49	4.62	5.70	6.67	27.25

图 22 给出了分区数量不同，ACK=1 时 Pulsar 端到端的延迟。图 23 给出了分区数量不同，ACK=1 时 Kafka 端到端的延迟。

图22· 分区数量不同，ACK=1 时 Pulsar 的端到端延迟（数据同步）

图23· 分区数量不同，ACK=1 时 Kafka 的端到端延迟(数据同步)

从以上图表可以看出：

• Pulsar P99 发布延迟稳定在 5 毫秒左右，更改分区数量对其并无影响。
• Pulsar P99 端到端延迟稳定在 6 毫秒左右，更改分区数量对其并无影响。
• Kafka 的 P99 发布延迟随着分区数量增加而逐渐拉长，在 10000 个分区时，其延迟增加了 5 倍（与 100 个分区时相比），比 Pulsar 的延迟高出 10 倍。
• Kafka 的 P99 端到端延迟随着分区数量增加而逐渐拉长，在 10000 个分区时，其延迟高出 10000 倍（与 100 个分区时相比），增加到 180 秒，是 Pulsar 的 280000 倍。

Ack = 2，同步本地持久性

使用同步本地持久性和同步复制持久性（ack = 2）更改分区数量时，Pulsar 和 Kafka 发布延迟的差异如图 24。表 14 为每种情况下的精切延迟数值。

图24· 分区数量不同，ack=2/all 时的发布延迟（数据同步）

表14· 分区数量不同， ack=2/all 时的实际发布延迟测试结果（数据同步）

	Average	P50	P90	P99	P999
kafka-100	9.84	5.71	19.7	58.83	164.20
kafka-5000	154.50	36.86	468.75	1259.82	2017.15
kafka-8000	283.50	124.82	784.69	1742.27	2729.79
kafka-10000	259.50	96.15	731.85	1718.09	2684.28
pulsar-100	3.64	3.42	4.47	10.37	32.74
pulsar-5000	3.84	3.57	4.69	12.81	42.83
pulsar-8000	4.15	3.97	5.23	11.90	42.19
pulsar-10000	4.04	3.71	5.03	13.54	46.73

图 25 和图 26 分别显示了更改分区数量如何影响 Pulsar 和 Kafka 端到端的延迟。

图25· 分区数量不同，ack=2 时 Pulsar 的端到端延迟（数据同步）

图26· 分区数量不同，ack=2 时 Kafka 的端到端延迟（数据同步）

从以上图表可以看出：

• Pulsar P99 发布延迟稳定在约 10 毫秒，增加分区数量对其并无影响。
• 随着分区数量增加，Kafka 的 P99 发布延迟逐渐拉长；有 10000 个分区时，其延迟是 100 个分区的 30 倍，增加到 1.7 秒，是 Pulsar 的 126 倍。
• Pulsar P99 端到端延迟稳定在约 10 毫秒，增加分区数量仅对 Pulsar P99 端到端延迟产生轻微影响。但即使有 10000 个分区，延迟仍相对较低，约为 50 毫秒。
• 随着分区数量增加，Kafka 的 P99 端到端延迟逐渐拉长。有 10000 个分区时，Kafka P99 端到端延迟增加到 200 秒，是 Pulsar 的 14771 倍。

Ack = 1, Async 本地持久性

使用异步本地持久性和异步复制持久性（ack = 1）更改分区数量时，Pulsar 和 Kafka 发布延迟的差异如图 27。表 15 为不同情况下的精切延迟数值。

图27· 分区数量不同，ack=1 时的发布延迟（无数据同步）

表15· 分区数量不同，ack=1 时的实际发布延迟测试结果（无数据同步）

	Average	P50	P90	P99	P999
kafka-100	1.74	1.62	2.60	3.06	9.91
kafka-5000	4.13	3.05	5.20	25.32	33.86
kafka-8000	6.84	4.32	16.51	34.19	46.34
kafka-10000	8.95	5.32	22.75	41.83	59.32
pulsar-100	2.86	2.79	3.8	4.21	5.45
pulsar-5000	2.98	2.95	3.89	4.51	7.85
pulsar-8000	3.26	3.27	4.50	5.14	15.21
pulsar-10000	3.06	2.97	4.15	5.23	19.47

图 28 和图 29 分别显示了更改分区数量如何影响 Pulsar 和 Kafka 端到端的延迟。

图28· 分区数量不同，ack=1 时，Pulsar 端到端的延迟（无数据同步）

图29· 分区数量不同，ack=1 时，Kafka 端到端的延迟(无数据同步)

从以上图表可以看出：

• Pulsar P99 发布延迟稳定在约 4～5 毫秒之间，增加分区数量对其并无影响。
• Kafka P99 发布延迟随着分区数量增加而逐渐拉长，有 10000 个分区时，延迟增加到 41 毫秒，是有 100 个分区时的 13 倍，是 Pulsar 的 8 倍。
• Pulsar P99 端到端延迟稳定在约 4～6 毫秒之间，增加分区数量仅对 Pulsar P99 端到端延迟产生轻微影响，但即使有 10000 个分区，它也保持在相对较低的水平（24 毫秒以内）。
• 随着分区数量增加，Kafka P99 端到端延迟逐渐拉长。有 10000 个分区时，Kafka P99 端到端延迟高达 180 秒，是 Pulsar 的 34416 倍。

Ack = 2，异步本地持久性

使用异步本地持久性和同步复制持久性 (ack = 2)更改分区数量时，Pulsar 和 Kafka 发布延迟的差异如图 30。表 16 为每种情况下的精确延迟数值。

图30· 分区数量不同，ack=all/2 的发布延迟（无数据同步）

表16· 分区数量不同，ack=all/2 的实际发布延迟测试结果（无数据同步）

	Average	P50	P90	P99	P999
kafka-100	3.01	2.77	3.97	8.47	15.57
kafka-5000	19.33	10.16	40.40	121.40	336.21
kafka-8000	138.19	42.52	385.86	1164.90	2008.28
kafka-10000	266.66	102.55	752.95	1717.83	2797.51
pulsar-100	2.99	2.97	3.96	4.47	6.19
pulsar-5000	3.13	3.10	4.17	4.98	9.45
pulsar-8000	3.44	3.44	4.64	5.36	12.92
pulsar-10000	3.32	3.24	4.39	6.18	23.10

图 31 和图 32 分别显示了更改分区数量如何影响 Pulsar 和 Kafka 端到端的延迟。

图31· 分区数量不同，ack=2 时 Pulsar 的端到端延迟（无数据同步）

图32· 分区数量不同，ack=2 时 Kafka 的端到端延迟（无数据同步）

从以上图表可以看出：

• Pulsar P99 发布延迟稳定在约 4～5 毫秒之间，增加分区数量对其并无影响。
• 随着分区数量增加，Kafka P99 发布延迟逐渐拉长，有 10000 个分区时，其延迟增加到 1.7 秒，是 100 个分区时的 202 倍，是 Pulsar 的 278 倍。
• Pulsar P99 端到端延迟稳定在约 4～6 毫秒之间，增加分区数量仅对其造成轻微影响，延迟仍保持在相对较低的水平（28 毫秒以内）。
• 随着分区数量增加，Kafka P99 端到端延迟逐渐拉长。有 10000 个分区时，Kafka P99 端到端延迟增加到 200 秒，是 Pulsar 的 32362 倍。

追赶读测试

测试目标：观测在处理仅包括追赶读工作负载时 Pulsar 和 Kafka 可实现的最大吞吐量。

测试策略：

• 将所有消息都复制三次，确保容错；
• 改变 ack 数量，测试在不同持久性保证下，Pulsar 和 Kafka 的吞吐量变化；
• 启用 Pulsar 和 Kafka 的批处理，为不超过 10 ms 的响应延迟设置最大批处理为 1 MB 数据；
• 在 100 个分区的情况下，对两个系统进行基准测试；
• 共运行四个客户端--两个生产者和两个消费者；
• 消息大小为 1 KB。

测试一开始，生产者开始以 200K/s 的固定速率发送消息。队列中积累了 512GB 数据后，消费者开始处理数据，首先从头读取累积数据，然后在数据到达时继续处理传入数据。在测试期间，生产者持续以相同速率发送消息。

我们评估了每个系统读取 512GB 累积数据的速度，在不同持久性设置下对 Kafka 和 Pulsar进行了比较。各项测试结果如下：

#1 启用 Pulsar 绕过 Journal 写入的异步本地持久性

本项测试中，我们在 Pulsar 和 Kafka 上使用了同等的异步本地持久性保证。我们启用了新的 Pulsar 绕过 Journal 写入，来匹配 Kafka 默认 fsync 设置中的本地持久性保证。

下图 33 给出了测试结果：

• 只处理追赶读时，Pulsar 的最大吞吐量达到了 370 万条信息/秒（3.5 GB/s）。
• Kafka 的最大吞吐量只达到 100 万条消息/秒（1GB/s）。
• Pulsar 处理追赶读的速度比 Kafka 快 75%。

图33· Pulsar 和 Kafka 的追赶读吞吐量（绕过 Journal 写入）

#2 未启用 Pulsar 绕过 Journal 写入的异步本地持久性

本项测试中，我们在 Pulsar 和 Kafka 上使用了异步本地持久性保证，但并未启用 Pulsar 绕过 Journal 写入。

下图 34 给出了测试结果：

• 处理追赶读时，Pulsar 的最大吞吐量达到 180 万条信息/秒（1.7 GB/s）。
• Kafka 的最大吞吐量仅达到 100 万条消息/秒（1GB/s）。
• Pulsar 处理追赶读的速度是 Kafka 的两倍。

图34· Pulsar 和 Kafka 的追赶读吞吐量(数据同步)

#3 同步本地持久性

本项测试中，我们在同等同步本地持久性保证下对 Kafka 和 Pulsar 进行了比较。

下图 35 给出了测试结果：

• 只处理追赶读时，Pulsar 的最大吞吐量达到 180 万条/秒（1.7 GB/s）。
• Kafka 的最大吞吐量只达到 100 万条消息/秒（1GB/s）。
• Pulsar 处理追赶读的速度是 Kafka 的两倍。

图35· Pulsar 和 Kafka 的追赶读吞吐量(无数据同步)

混合工作负载测试

测试目标：评估追赶读对混合工作负载中的发布和追尾读的影响。

测试策略：

• 将所有消息都复制三次，确保容错；
• 启用 Pulsar 和 Kafka 的批处理，为不超过 10 ms 的响应延迟设置最大批处理为 1 MB 数据；
• 在 100 个分区的情况下，对两个系统进行基准测试；
• 在不同耐久性设置下对 Kafka 和 Pulsar 进行比较；
• 共运行四个客户端--两个生产者和两个消费者；
• 消息大小为 1 KB；

测试一开始，两个生产者均开始以 200K/s 的固定速率发送数据，两个消费者中有一个立即开始处理追尾读。队列中积累了 512GB 数据后，另一个（追赶读）消费者开始从头读取累积数据，然后在数据到达时继续处理传入数据。在测试期间，两个生产者持续以相同的速率发布，而追尾读消费者继续以相同的速率消费数据。

测试结果如下：

#1 启用 Pulsar 绕过 Journal 写入的异步本地持久性

本项测试中，我们在同等异步本地持久性保证下对 Kafka 和 Pulsar 进行了比较。我们启用了新的 Pulsar 绕过 Journal 写入，来匹配 Kafka 默认 fsync 设置的本地持久性保证。

下图 36 显示，追赶读对 Kafka 写入造成显著影响，但对 Pulsar 影响很小。Kafka 的 P99 发布延迟增加到 1-3 秒，而 Pulsar 的延迟则稳定在几毫秒到几十毫秒间。

图36· 追赶读对 Pulsar 和 Kafka 发布延迟的影响（绕过 Journal 写入）

#2 未启用 Pulsar 绕过 Journal 写入的异步本地持久性

本项测试中，我们在 Pulsar 和 Kafka 上使用了异步本地持久性保证，但未启用 Pulsar 绕过 Journal 写入。

下图 37 显示，追赶读对 Kafka 写入造成显著影响，但对 Pulsar 影响很小。Kafka 的 P99 发布延迟增加到 2-3 秒，而 Pulsar 的延迟则稳定在几毫秒到几十毫秒之间。

图37· 追赶读对 Pulsar 和 Kafka 发布延迟的影响(数据同步)

#3 同步本地持久性

本项测试中，我们在同等同步本地持久性保证下对 Kafka 和 Pulsar 进行了比较。

下图 38 显示，追赶读对 Kafka 写入造成显著影响，但对 Pulsar 影响很小。Kafka P99 发布延迟增加到约 1.2 至 1.4 秒，而 Pulsar 的延迟则稳定在几毫秒到几十毫秒之间。

图38· 追赶读对 Pulsar 和 Kafka 发布延迟的影响（无数据同步）

结论

基于基准测试结果，我们得出以下结论：

• 纠正配置和调优错误后，Pulsar 与 Kafka 在 Confluent 有限测试用例中实现的端到端延迟基本一致。
• 在同等持久性保证下，Pulsar 在模拟实际应用场景的工作负载上性能优于 Kafka。
• 以上测试中，改变了持久性保证设置、订阅、分区和客户端数量，结果表明 Pulsar 在延迟和 I/O 隔离方面均明显优于 Kafka。