Kafka集群故障恢复依赖其高可用机制，核心流程如下：

1. 故障检测：通过心跳机制（ZooKeeper/KRaft）检测Broker失联。
2. Leader选举：Controller从ISR（同步副本集合）中选择新Leader，优先选broker.id最小的副本，确保数据一致性。
3. 元数据更新：Controller广播新Leader信息，所有Broker更新本地路由表，客户端自动重连。
4. 副本同步：故障Broker重启后，从新Leader拉取数据，追平后重新加入ISR。

关键操作与工具：

• 手动恢复分区：若ISR为空，需通过kafka-reassign-partitions.sh重新分配副本。
• 监控指标：重点关注UnderReplicatedPartitions（未同步分区数）、IsrShrinksPerSec（ISR收缩频率），使用Prometheus+Grafana实时监控。

预防措施：

• 配置replication.factor≥3、min.insync.replicas=2，避免单点故障。
• 将Broker分布在不同机架/可用区，降低物理故障影响。
• 禁用unclean.leader.election.enable，防止非同步副本成为Leader导致数据丢失。

参考来源：