ThingsBoard CE Kafka集群配置优化指南
2025-05-12 12:50:00作者:仰钰奇
概述
在ThingsBoard CE 3.8.1单机版部署中,使用Kafka作为消息队列时,为了提升系统处理能力和高可用性,将单节点Kafka迁移到3节点集群是一个常见的优化方案。本文将详细介绍如何配置ThingsBoard CE与Kafka集群的集成参数,确保系统能够处理更高负载并实现数据冗余。
配置参数详解
基础配置
首先需要设置基本的Kafka连接参数:
export TB_QUEUE_TYPE=kafka
export TB_KAFKA_SERVERS=localhost:9092,localhost:9093,localhost:9094
TB_QUEUE_TYPE指定使用Kafka作为消息队列,TB_KAFKA_SERVERS列出了所有Kafka节点的地址和端口。
性能调优参数
export TB_QUEUE_KAFKA_MAX_POLL_RECORDS=256
export TB_KAFKA_ACKS=1
export TB_KAFKA_COMPRESSION_TYPE=gzip
export TB_KAFKA_BATCH_SIZE=65536
export TB_KAFKA_LINGER_MS=1
这些参数优化了Kafka的生产者和消费者性能:
MAX_POLL_RECORDS控制每次poll操作获取的最大记录数ACKS=1确保领导者broker确认收到消息COMPRESSION_TYPE启用gzip压缩减少网络传输量BATCH_SIZE和LINGER_MS优化批量发送性能
集群高可用配置
export TB_QUEUE_KAFKA_REPLICATION_FACTOR=3
设置REPLICATION_FACTOR=3确保每个分区的数据在集群中有3个副本,可以容忍单个broker故障。
主题配置
ThingsBoard使用多个Kafka主题处理不同类型的消息,每个主题可以独立配置:
export TB_QUEUE_KAFKA_RE_TOPIC_PROPERTIES="retention.ms:604800000;segment.bytes:26214400;retention.bytes:1073741824;partitions:1;min.insync.replicas:1"
export TB_QUEUE_KAFKA_CORE_TOPIC_PROPERTIES="retention.ms:604800000;segment.bytes:26214400;retention.bytes:1073741824;partitions:1;min.insync.replicas:1"
export TB_QUEUE_KAFKA_TA_TOPIC_PROPERTIES="retention.ms:604800000;segment.bytes:26214400;retention.bytes:1073741824;partitions:10;min.insync.replicas:1"
主要配置项说明:
retention.ms: 消息保留时间(毫秒),604800000=7天segment.bytes: 单个日志段大小(字节),26214400=25MBretention.bytes: 主题最大保留数据量,1073741824=1GBpartitions: 分区数量,根据消息类型设置1或10min.insync.replicas: 最小同步副本数,通常设置为1
实施建议
- 在修改配置前,建议备份现有Kafka数据
- 修改配置后重启ThingsBoard服务,系统会自动创建新主题
- 对于高吞吐量场景,可以适当增加分区数量
- 根据实际硬件资源调整segment大小和保留策略
注意事项
- 确保Kafka集群所有节点正常运行
- 监控Kafka集群性能指标,必要时调整参数
- 对于生产环境,建议
min.insync.replicas设置为2以提高数据安全性
通过以上配置,ThingsBoard CE可以充分利用Kafka集群的高吞吐量和高可用特性,满足企业级物联网平台的需求。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
211
暂无简介
Dart
632
143
React Native鸿蒙化仓库
JavaScript
243
316
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
481
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
271
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
212