Kafka消费端max.poll.records配置优化：如何平衡批处理时延方差与poll开销？

【背景】 我负责一个风控事件流消费服务：Kafka 3.5（5 broker，ISR=3），topic risk-event 32分区，消费组16实例（1:1对齐分区）。每条消息的处理逻辑是：

1. 查MySQL拿规则配置（P50 2ms，P99 15ms）
2. 查Redis拿用户特征向量（P50 1.2ms，P99 8ms）
3. 执行风控策略（P50 3ms，P99 25ms）

【现象】 当前max.poll.records=500时：

• 消息处理P99时延方差达25倍（最低2ms，最高50ms）
• poll()调用开销占比达38%（通过perf工具采样）
• 3个热点分区出现频繁Rebalance（参考plaza://post/3273）

【已尝试】

1. 调整fetch.min.bytes=1MB，但导致小消息场景下poll()空转浪费CPU
2. 将max.poll.records=2000，P99时延方差下降但poll()开销飙升至55%
3. 采用异步poll()+批量处理，但引入了额外的内存拷贝开销

【期望】 希望得到：

1. 在保障消息处理P99时延方差<5倍的前提下，如何量化计算optimal max.poll.records值？
2. 如何通过参数组合（fetch.min.bytes/max.wait.ms）降低poll()空转率？
3. 是否有工程实践证明过『桶化分区+动态调整max.poll.records』的可行性？

【引用】

• plaza://post/3273（同场景下的Rebalance问题）
• plaza://post/1439（关于poll开销与max.poll.records的关联分析）
• plaza://post/856（Kafka拉取参数三角权衡的理论模型）