1）storm的worker调度策略非常复杂，一台机器上的多个worker由操作系统调度，worker中的每个executor会映射两个线程，这些线程的调度就使用jvm预先设定的基于优先级的调度策略，而每个线程需要运行多个task，excutor有需要根据输入数据运行合适的task。这个多层次的调度规则非常复杂，根本搞不清目前到底是那个task在被调度执行。

2）每个worker可能运行完全不同的task，比如：一个kafka spout，一个做关联的bolt，和一个把输出数据写入KV系统的bolt可能运行在一个JVM中，这种情况下根本无法优化某个task的问题，如果有问题只能重启topology，而重启之后这几个task又不见得会分配到同一个worker中，导致问题很难定位。

3）同一个worker中的不同task的日志会打印在同一个文件中，导致某个task的错误日志非常难以查找。更有甚着，如果某个task有问题可能导致真个worker进程崩掉，导致其他task也不能正常工作了，也就是说局部的错误会被放大。

4）在资源分配方面，storm任务每个worker都是对等的，这个假设经常会造成资源浪费，例如3个spouts和1个bolt ， 加入每个spout和bolt各自要5G和10G内存 ， 这样的话 ， topoogy必须为每个worker预留15G的内存来跑一个spout和一个bolt ， 假如用户设置worker数为2 ， 那么两个worker就要总共预留30G内存 ， 但是实际上只要 3*5 + 1 *10 = 25G内存 ， 这样就白费了5G。这个问题当worker中的组建变得越来越多，越来越复杂的时候回变得更加糟糕。在tiwtter使用高级别抽线的DSL summingbird（杨晓青注：summingbird是tiwtter开源的类似pig的同一套代码可以同时在hadoop和storm平台运行的DSL）的时候这种问题经常出现。

5）随着worker JVM heap的变大，当使用jstack或者heap dump对worker进行问题定位的时候，经常会导致worker的hearbeat超时，导致supervisor将worker kill掉并重启。这个导致问题非常难以定位。

6）storm的worker使用一些线程和队列进行tuple的发送和接受，一个全局的接受线程负责接收上游数据，一个全局的发送线程负责数据发送，然后每个executor有一个logic thread执行用户代码，一个本地的send thread来做logic thread与全局的发送线程之间做数据通信，每个tuple进入一个worker到出来需要经过4个线程转发。

storm nimus的一些问题

nimbus负责很多功能，包括：任务调度，任务监控，分发jar，而且作为metric信息的server进行一些metric信息的统计。当topology变多的时候，nimbus会成为瓶颈。

1）nimbus的调度器不支持worker细粒度的资源隔离，不同topology的worker会运行到同一个屋里机器，可能会互相影响，如果每个机器上运行一个worker又太浪费资源了，及时使用storm on yarn的模式也解决不了这个问题。

2）storm使用zk作为存储所有的心跳信息，以及任务的分配信息，当topology变多的时候zk会成为瓶颈。（杨晓青注：在阿里巴巴的经验，机器到300台，excutor到达10w的时候会出现zk性能问题）

3）nimbus单点故障，不是HA

 缺少背压机制：

storm没有背压机制，如果某个元组无法处理输入的data/tuple，发送者会简单的丢弃这些tuple，虽然这是个fail-fast的设计，而且很简单，不过会带来如下弊端：

1）当通知机制关闭的时候，会有很多的tuple被丢弃掉，而且很难看到这些丢弃的过程。

2）上游的计算随着中间tuple的丢弃而丢失

3）系统的行为非常难以预测

效率

在生产环境，很多实例的性能无法预测，他们可能发生tuple失败，重发，数据的到达速率超过元组处理速率等，这些影响性能问题基本都是由以下原因：

不合适的重发—-整个tuple 树的任何地方出错都会导致整个tuple树的失败，针对这个失败系统只是做了简答的从源头重发。

长时间的GC—-当worker占用很多内容时，JVM GC的时候时间会比较长，但只高延时和很多tuple失败重发。

队列竞争—-一些情况下在transfer queue上会有很多竞争，特别是一个worker中跑很多executor的时候。

为了避免这些问题，我们经常得多分配资源，带来更多的资源消耗。

例如，在一个简单的三阶段的storm topology大概需要600个占用率在20%到30%的cpu核，为了更好的理解cpu时间的消耗，我们写了一个简单的程序接收所有的tuple并且使用thrift进行反序列化，这个过程消耗了25个使用率在90%的cpu核，也就是说需要使用率在30%的核75个，只有600个核的1/8.

即使在最差的情况下，及时进行count计算和数据移动的消耗和读取数据并进行反序列化的消耗一样，那也只需要150个核。

（未完待续）