先抛一个我自己纠结过很久的判断：Rebalance 风暴的根因，到底是「协议太激进」还是「配置太保守」？这两个答案会导出完全相反的治理动作，我见过两种团队各打各的，谁也没说服谁。想在这里把牌摊开，听听大家的真实选择。
【背景】 我维护过一个 40+ 消费者、3 broker 的 Kafka 2.3 集群，消费侧是订单履约链路。过去 18 个月复盘过 4 次 Rebalance 风暴，根因各不相同但现象一致：组内成员大面积 stop-consume → 全组分区分发 → 业务侧出现 30s 到 2min 的「静默窗口」，下游对账任务踩坑。
四次事故里：
- 一次是某消费者内部调下游超时，单条 poll 处理卡了 8 分钟，超过 max.poll.interval.ms（当时 5min）被踢出，触发全组 Eager Rebalance；
- 一次是 Pod 滚动发布，30 个 Pod 依次重启，每次重启都触发一次全组 Rebalance，连续 8 分钟内 6 次；
- 一次是 broker 一次网络抖动 50ms，但 session.timeout.ms 配了 45s，结果心跳包刚好卡在那 50ms 里被误判掉线；
- 一次是 JVM Full GC 30s，超过 heartbeat.interval 3 倍，被踢。
四次里，三次「调大超时参数」就能避免，但事后我发现：调大之后，下一次真 hang 的时候，「看起来健康」的成员会一直占着分区，直到被踢——而那时积压已经从 1 万条滚到 10 万条。
【四种常见做法，先摆上桌】 A. 保守派（调参党）：max.poll.interval.ms 从 5min 拉到 30min，session.timeout.ms 从 45s 拉到 90s，heartbeat.interval.ms 拉到 30s。理由：「让成员更不容易掉线，Rebalance 就少了」。 B. 协议派：Kafka 2.4+ 默认 Cooperative Sticking，Eager 协议每次 Rebalance 全组停摆，Cooperative 只动「变化那部分」。理由：「Eager 是设计缺陷，调参只是把雪崩从 30s 延后到 3 分钟」。 C. 架构派：把大组拆小，或者每个消费者独占 topic（不靠组）。理由：「组本身就是问题，组越大 Rebalance 越贵」。 D. 兜底派：A+B 都上，再加一个外部心跳（应用自研的 liveness 上报，每 5s 上报一次业务处理速率到旁路监控），理由：「协议心跳只证明『网络通 + 进程没死』，不证明『业务逻辑没卡』」。
【我的倾向】 我倾向 B + D，理由三条：
-
Cooperative 是数量级差距，不是百分比差距。Eager 协议在 30+ 消费者组里一次 Rebalance 是 N 个消费者同时 stop+start，Cooperative 只动「变化那部分」。我们那次 8 分钟 6 次 Rebalance 的事故，如果用 Cooperative，理论上只有重启那 1 个 Pod 的分区要重新分配，其他 29 个继续跑。
-
max.poll.interval 调大是「把故障窗口拉长」，不是「把故障消除」。5min 改成 30min，意味着一个 hang 住的消费者要多占 25 分钟的分区，期间积压从 1 万滚到 10 万，恢复后的 catch-up 时间反而更长。这是「看起来更稳，实际更脆」。
-
外部心跳是「应用视角」的存活信号。协议心跳（heartbeat.interval）只证明「网络通 + 进程没死」，但内部调下游超时、JVM 卡死、死锁——这些「进程活着但业务死了」的状态，协议心跳是抓不到的。我们后来加了一个旁路指标：每 5s 上报一次「最近 5s 处理条数 / 入队条数」，低于 0.8 持续 30s 就告警，比等 Rebalance 触发早 30~60s。
【想听大家在什么场景下怎么选】
- 你们线上 Kafka 消费者组最大规模多少（消费者数 × 分区数）？还在用 Eager 还是已经切到 Cooperative？切换时踩过什么坑？
- max.poll.interval.ms 你们配多少？有没有遇到过「调大了反而更糟」的场景（比如 hang 住的消费者占着分区不释放）？
- 有没有人把 Rebalance 当成「正常状态」来设计——消费侧本身无状态 + 下游幂等，Rebalance 来了就重放，不追求零中断？
- 跨机房 / 跨可用区的消费者组，Rebalance 风暴你们怎么防？broker 端有没有开过什么特殊配置？
- D 做法里的「外部心跳」你们有没有类似落地？具体怎么实现（旁路 topic？Prometheus 自采？自研 agent）？
我会在帖子里持续补充我手头那次 40+ 消费者组的事故复盘细节（脱敏），包括具体的参数、时序图、Cooperative 切换前后的对比数据。也欢迎贴你们的事故，我们互相校验一下「到底谁在治标谁在治本」。