ActiveMQ是最常用、特性最丰富的消息中间件，通常用于消息异步通信、削峰解耦等多种场景，是JMS规范的实现者之一。功能丰富到什么程度呢？支持大部分消息协议，而且支持XA。
它也是比较古老的消息队列，虽然最近新版本改名为Artemis，也不能去掉它身上沧桑的味道。就这么一个重量级的东西，在很多公司尾大不掉，具体架构设计让我为你娓娓道来。或许你应该从人性上，而不是技术上，来考虑一下它的存在性。
以下是正文。
1、架构设计概要
ActiveMQ提供两种可供实施的架构模型：“M-S”和“network bridge”；其中“M-S”是HA方案，“网络转发桥”用于实现“分布式队列”。
1.1、M-S
Master-Slave模型下，通常需要2 个ActiveMQ实例，任何时候只有一个实例为Master，向Client提供”生产”、“消费”服务，Slaves用于做backup或者等待Failover时角色接管。
M-S模型是最通用的架构模型，它提供了“高可用”特性，当Master失效后，Slaves之一提升为master继续提供服务，且Failover之后消息仍然可以恢复。（根据底层存储不同，有可能会有消息的丢失）。
有以下两方面要点：
第一，M-S架构中，涉及到选举问题，选举的首要条件就是需要有“排它锁”的支持。排它锁，可以有共享文件锁、JDBC数据库排它锁、JDBC锁租约、zookeeper分布式锁等方式实现。这取决你的底层存储的机制。
第二，M-S架构中，消息存储的机制有多种，“共享文件存储”、“JDBC”存储、“非共享存储”等。不同存储机制，各有优缺点。在使用的时候一定要权衡。
1.2、网络转发桥（network bridge）
无论如何，一组M-S所能承载的消息量、Client并发级别总是有限的，当我们的消息规模达到单机的上限时，就应该使用基于集群的方式，将消息、Client进行分布式和负载均衡。
ActiveMQ提供了“网络转发桥”模式，核心思想是：
1、集群中多个broker之间，通过“连接”互相通信，并将消息在多个Broker之间转发和存储，提供存储层面的“负载均衡”。
2、根据Client的并发情况，对Client进行动态平衡，最终实现支持大规模生产者、消费者。
这和Kafka的核心思想是相似的。
2、M-S架构设计详解
2.1、非共享存储模式
集群中有2 个ActiveMQ实例，每个实例单独存储数据，Master将消息保存在本地后，并将消息以异步的方式转发给Slaves。
Master和slaves独立部署，各自负责自己的存储，Master与slaves之间通过“network connector”连接，通常是Master单向与slaves建立连接。master上接收到的消息将会全量转发给slaves。
有下面几个要点：
1）任何时候只有Master向Clients提供服务，slaves仅作backup。古老的影子节点方式。 2）slaves上存储的消息，有短暂的延迟。 3）master永远是master，当master失效时，我们不能随意进行角色切换，最佳实施方式就是重启master，只有当master物理失效时才会考虑将slave提升为master。（这个真是弱爆了） 4）当slaves需要提升为master时，应该确保此slaves的消息是最新的。 5）如果slaves离线，那么在重启slaves之前，还应该将master的数据手动同步给slaves。否则slave离线期间的数据，将不会在slaves上复现。 6）Client端不支持failover协议；即Client只会与master建立连接。
这种架构，是最原始的架构，易于实时，但是问题比较严重，缺乏Failover机制，消息的可靠性我们无法完全保障，因为master与slaves角色切换没有仲裁者、或者说缺少分布式排它锁机制。在Production环境中，不建议采用，如果你能容忍failover期间SLA水平降级的话，也可以作为备选。
2.2、共享文件存储
即采用SAN（GFS）技术，基于网络的全局共享文件系统模式（真是一个名次制造机器），这种架构简单易用，但是可架构、可设计的能力较弱，在Production环境下酌情采用。
SAN存储，可以参考GFS。其中master和slaves配置保持一致，每个broker都需要有唯一的brokerName；broker实例在启动时首先通过SAN获取文件系统的排它锁，获取lock的实例将成为master，其他brokers将等待lock、并间歇性的尝试获取锁，slaves不提供Clients服务；因为brokers将数据写入GFS，所以在failover之后，新的master获取的数据视图仍然与原master保持一致，毕竟GFS是全局的共享文件系统。
我们通常使用kahaDB作为存储引擎，即使用日志文件方式；kahaDB的存储效率非常的高，TPS可以高达2W左右，是一种高效的、数据恢复能力强的存储机制。
这种架构模式下，支持failover，当master失效后，Clients能够通过failover协议与新的master重连，服务中断时间很短。因为基于GFS存储，所以数据总是保存在远端共享存储区域，所以不存在数据丢失的问题。
唯一的问题，就是GFS（SAN）的稳定性问题。这一点需要确定，SAN区域中的节点之间网络通信必须稳定且高效。（自己搭建比如NFS服务，或者基于AWS EFS）。
这不过是把一个问题转移到另外一个组件上而已。
2.3、基于JDBC共享存储
我们可以将支持JDBC的数据库作为共享存储层，即master将数据写入数据库，本地不保存任何数据，在failover期间，slave提升为master之后，新master即可从数据库中读取数据，这也意味着在整个周期中，master与slaves的数据视图是一致的（同SAN架构），所以数据的恢复能力和一致性是可以保障的，也不存在数据丢失的情况（在存储层）。
但是JDBC存储机制，性能实在是太低，与kahaDB这种基于日志存储层相比，性能相差近10倍左右。
Oh my god。不过在一些低并发，纯粹解耦的场景是可以的。用在高并发互联网就是找死（互联网不一定意味着就是高并发的）。
如果你的业务需求，表明数据丢失是难以容忍的、且SLA水平很高很高，那么JDBC或许是你最好的选择。
既然JDBC数据库为最终存储层，那么我们很多时候需要关注数据库的可用性问题，比如数据库基于M-S模式等；如果数据库失效，将导致ActiveMQ集群不可用。
JDBC存储面临最大的问题就是“TPS”（吞吐能力），确实比kahaDB低数倍，如果你的业务存在高峰，“削峰”的策略可以首先将消息写入本地文件（然后异步同步给AcitveMQ Broker）。
这个时候我总是有个疑问。直接使用数据库就好了，您废这么大劲上个ActiveMQ又是何苦呢。可能是为了设计而设计吧。
3、network bridges模式架构
这种架构模式，主要是应对大规模Clients、高密度的消息增量的场景；它将以集群的模式，承载较大数据量的应用。
它有下面的要求和特点。
1）有大量Producers、Consumers客户端接入。只所以如此，或许是因为消息通道（Topic，Queue）在水平扩张的方向上，已经没有太大的拆分可能性。所以一股脑挤在一块。
2）或许消息的增量，是很庞大的，特别是一些“非持久化消息”。我们寄希望于构建“分布式队列”架构。也就是其他系统解决不了的问题，希望消息队列能够缓冲一下。
3）因为集群规模较大，我们可能允许集群某些节点短暂的离线，但数据恢复机制仍然需要提供，总体而言，集群仍然提供较高的可用性。
4）集群支持Clients的负载均衡，比如有多个producers时，这些producers会被动态的在多个brokers之间平衡。否则分配不均就会造成风险。
5）支持failover，即当某个broker失效时，Clients可以与其他brokers重连；当集群中有的新的brokers加入时，集群的拓扑也可以动态的通知给Clients。这个是运维人员最喜欢的，谁也不想大半夜起床捣鼓机器。
集群有多个子Groups构成，每个Group为M-S模式、共享存储；多个Groups之间基于“network Connector”建立连接（masterslave协议），通常为双向连接，所有的Groups之间彼此相连，Groups之间形成“订阅”关系，比如G2在逻辑上为G1的订阅者（订阅的策略是根据各个Broker上消费者的Destination列表进行分类），消息的转发原理也是基于此。
对于Client而言，仍然支持failover，failover协议中可以包含集群中“多数派”的节点地址。
对于Topic订阅者的消息，将会在所有Group中复制存储；对于Queue的消息，将会在brokers之间转发，并最终到达Consumer所在的节点。
Producers和Consumers可以与任何Group中的Master建立连接并进行消息通信，当Brokers集群拓扑变化时、Producers或Consumers的个数变化时，将会动态平衡Clients的连接位置。Brokers之间通过“advisory”机制来同步Clients的连接信息，比如新的Consumers加入，Broker将会发送advisory消息（内部的通道）通知其他brokers。
集群模式提供了较好的可用性担保能力，在某些特性上或许需要权衡，比如Queue消息的有序性将会打破，因为同一个Queue的多个Consumer可能位于不同的Group上，如果某个Group实现，那么保存在其上的消息只有当其恢复后才能对Clients可见。
4、性能评估
综上所述，在Production环境中，我们能够真正意义上采用的架构，只有三种：
1）基于JDBC的共享数据库模式：HA架构，单一Group，Group中包含一个master和任意多个slaves；所有Brokers之间通过远端共享数据库存取数据。对客户端而言支持Failover协议。
2）基于Network Bridge构建分布式消息集群：Cluster架构，集群中有多个Group，每个Group均为M-S架构、基于共享存储；对于Clients而言，支持负载均衡和Failover；消息从Producer出发，到达Broker节点，Broker根据“集群中Consumers分布”，将消息转发给Consumers所在的Broker上，实现消息的按需流动。
3）基于Network Bridge的简化改造：与2）类似，但是每个“Group”只有一个Broker节点，此Broker基于kahaDB本地文件存储，即相对于2）Group缺少了HA特性；当Broker节点失效时，其上的消息将不可见、直到Broker恢复正常。这种简化版的架构模式，通过增加机器的数量、细分消息的分布，来降低数据影响故障影响的规模，因为其基于kahaDB本地日志存储，所以性能很高。
4.1、共享JDBC测试结果
生产端配置。
代码语言：javascript复制Producer端（压力输出机器）：数量：4台
硬件配置：16Core、32G，云主机
软件配置：JDK 1.8,JVM 24G
并发与线程：32并发线程，连接池为128，发送文本消息，每个消息128个字符实体。消息：持久化，Queue，非事务Broker端配置。
代码语言：javascript复制Broker端（压力承载）
数量：2台
硬件配置：16Core、32G，云主机
软件配置：JDK 1.8,JVM 24G
架构模式：M-S模式，开启异步转发、关闭FlowControl，数据库连接池为1024存储层配置。
代码语言：javascript复制数据库（存储层）
数量：2台
硬件配置：16Core、32G，SSD（IOPS 3000）,云主机
架构模式：M-S
数据库：MySQL测试结果： 1、消息生产效率：1500 TPS 2、Broker负载情况：CPU 30%,内存使用率11% 3、MySQL负载情况：CPU 46%,IO_WAIT 25%
结论： 1、基于共享JDBC存储架构，性能确实较低。 2、影响性能的关键点，就是数据库的并发IO能力，当TPS在1800左右时，数据库的磁盘（包括slave同步IO）已经出现较高的IO_WAIT。 3、通过升级磁盘、增加IOPS，可以有效提升TPS指标，建议同时提高CPU的个数。
打算采用数据库来实现HA的同学们，你们看到这操蛋的TPS了么？
4.2、基于非共享文件存储的测试结果
测试单个ActiveMQ，基于kahaDB存储，kahaDB分为两种数据刷盘模式：
1）逐条消息刷盘 2）每隔一秒刷盘
代码语言：javascript复制<persistenceAdapter>
<kahaDB directory="${activemq.data}/kahadb" journalDiskSyncStrategy="periodic" journalDiskSyncInterval="2000"/> </persistenceAdapter>压力测试环境与1）保持一致，只是ActiveMQ的机器的磁盘更换为：SSD (600 IOPS)。
测试结果：
1）逐条刷新磁盘 TPS:660 Broker IO_WAIT:19%
2）每隔一秒刷新磁盘 TPS:9800 Broker IO_WAIT:1.6% （原则上优化磁盘和IOPS等，应该还能提升）
由此可见，基于日志文件的存储性能比JDBC高了接近5倍，其中逐条刷盘策略，消息的可靠性是最高的，但是性能却低于JDBC。如果基于“每隔一秒刷盘”策略，在极端情况下，可能导致最近一秒的数据丢失。
还不错，但离着kafka这样的MQ还远着呢。
4.3、基于转发桥的测试结果
基于转发桥的架构，实施成本较高，维护成本较高，架构复杂度也相对较大。本人根据实践经验，不推荐使用此模式。如果你希望尝试，也无妨，毕竟它是ActiveMQ官方推荐的“分布式队列实现机制”，从原理上它可以支持较大规模的消息存储。
但是，我有更轻量级的，干么用你呢？
4.4、最佳实践
所以本最佳实践是在以上测试的基础上得来的。
如果我们最终不得不面对“海量消息”的存储，在按照业务进行队列拆分之后，仍然需要面临某个单纯业务的消息量是“单个M-S架构”无法满足的。而我们又不愿意承担Cluster模式复杂度所带来的潜在问题，此时，可以采用比较通用的“逻辑分布式”机制。
1）构建多个M-S组，但是每个Group之间在物理上没有关联，即它们之间互不通信，且不共享存储。
2）在Producer的客户端，增加“router”层， 即开发一个Client Wrapper，此wrapper提供了Producer常用的接口，且持有多个M-S组的ConnectionFactory，在通过底层通道发送消息之前，根据message中的某个property、或者指定的KEY，进行hash计算，进而选择相应的连接（或者Spring的包装类），然后发送消息。这有点类似于基于客户端的数据库读写分离的策略。
3）对于Consumers，则只需要配置多个ConnectionFactory即可。
4）经过上述实践，将消息sharding到多个M-S组，解决了消息发送效率的问题，且逻辑集群可以进行较大规模的扩展。而且对Client是透明的。
5）如果你不想开发shard-router层面，我们仍然可以基于failover协议来实现“逻辑分布式”的消息散列存储，此时需要在failover协议中指明所有Groups的brokers节点列表，且randomize=true。这种用法，可以实现消息在多个Group上存储，唯一遗憾的地方时，因为缺乏“自动负载均衡策略”，可能导致消息分布不均。
配置如下：
代码语言：javascript复制failover:(tcp://G1.master,tcp://G1.slave,tcp://G2.master,tcp://G2.slave)?randomize=true
//randomize必须为true
