目录
概述
唯一ID(UniqueID,UID)是系统设计常遇到的问题。生成唯一ID的方法有很多，例如常用的方式是利用数据库产生唯一ID，其优点的是无论是单机还是分布式系统其生成的UID是全局不重复的，且UID是有序的，缺点是UID的生成依赖数据库。
下面主要讨论的是在一个分布式系统中，如何不依赖中心数据库生成有序的全局唯一的UID。
一、UUID
UUID (Universally Unique Identifier, 通用唯一识别码)，这是一个软件建构的标准，也是被开源软件基金会(Open Software Foundation, OSF)的组织应用在分布式计算环境(Distributed Computing Environment, DCE)领域的一部分。
UUID 的目的，是让分布式系统中的所有元素，都能有唯一的辨识资讯，而不需要透过中央控制端来做辨识资讯的指定。如此一来，每个人都可以建立不与其它人冲突的UUID。在这样的情况下，就不需考虑数据库建立时的名称重复问题。目前最广泛应用的UUID，即是微软的 Microsoft's Globally Unique Identifiers(GUIDs)
GUID（Globally Unique Identifier，全局唯一标识符）也称作UUID(Universally Unique IDentifier)。GUID是一种由算法生成的二进制长度为128位的数字标识符。GUID主要用于在拥有多个节点、多台计算机的网络或系统中。在理想情况下，任何计算机和计算机集群都不会生成两个相同的GUID。GUID的总数达到了2^128（3.4×10^38）个，所以随机生成两个相同GUID的可能性非常小，但并不为0。GUID一词有时也专指微软对UUID标准的实现。
UUID是指在一台机器上生成的UID，它保证对在同一时空中的所有机器都是唯一的。按照开放软件基金会(OSF)制定的标准计算，用到了以太网卡地址、纳秒级时间、芯片ID码和许多可能的数字，UUID由以下几部分的组合：
(1) 当前日期和时间，UUID的第一个部分与时间有关，如果你在生成一个UUID之后，过几秒又生成一个UUID，则第一个部分不同，其余相同。
(2) 时钟序列。
(3) 全局唯一的IEEE机器识别号，如果有网卡，从网卡MAC地址获得，没有网卡以其他方式获得。
UUID的唯一缺陷在于生成的结果是比较长的字符串，且是无序的。
UUID的格式为：xxxxxxxx-xxxx-xxxx-xxxxxxxxxxxxxxxx(8-4-4-16)，
标准的UUID格式为：xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxx(8-4-4-4-12)。
其中每个x是0-9或a-f范围内的一个十六进制数。
GUID则是采用标准的UUID格式：xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx(8-4-4-4-12)
其中每个 x 是 0-9 或 a-f 范围内的一个十六进制数。例如：6F9619FF-8B86-D011-B42D-00C04FC964FF 即为有效的GUID值。
在软件设计中，为了解决UUID无序的问题，NHibernate开源库在其主键生成中提供了Comb (combined guid/timestamp)算法。保留GUID的10个字节，用另6个字节表示GUID生成的时间(DateTime)。C#源码如下：
| // https://github.com/nhibernate/nhibernate-core/blob/master/src/NHibernate/Id/GuidCombGenerator.cs // using a strategy suggested Jimmy Nilsson's(使用Jimmy Nilsson建议的策略) // http://www.informit.com/articles/article.asp?p=25862 // http://www.informit.com public class GuidCombGenerator { private static readonly long BaseDateTicks = new DateTime(1900, 1, 1).Ticks;
/// <summary> /// Generate a new Guid using the comb algorithm. /// 使用comb算法生成一个新的Guid。 /// </summary> public Guid GenerateComb() { // 先生成GUID byte[] guidArray = Guid.NewGuid().ToByteArray();
DateTime now = DateTime.UtcNow;
// Get the days and milliseconds which will be used to build the byte string // 获取用于生成字节字符串的天数和毫秒数 TimeSpan days = new TimeSpan(now.Ticks - BaseDateTicks); TimeSpan msecs = now.TimeOfDay;
// Convert to a byte array // Note that SQL Server is accurate to 1/300th of a millisecond so we divide by 3.333333 // 转换为字节数组 // 注意，SQL Server精确到1/300毫秒，所以我们除以3.333333 byte[] daysArray = BitConverter.GetBytes(days.Days); byte[] msecsArray = BitConverter.GetBytes((long)(msecs.TotalMilliseconds / 3.333333));
// Reverse the bytes to match SQL Servers ordering // 反转字节以匹配SQL服务器顺序 Array.Reverse(daysArray); Array.Reverse(msecsArray);
// Copy the bytes into the guid // 将字节复制到GUID中 Array.Copy(daysArray, daysArray.Length - 2, guidArray, guidArray.Length - 6, 2); Array.Copy(msecsArray, msecsArray.Length - 4, guidArray, guidArray.Length - 4, 4);
// 返回有序的GUID return new Guid(guidArray); } } |
二、Snowflake
参考：https://blog.csdn.net/bjweimengshu/article/details/80162731
Snowflake是Twitter开源的分布式ID生成算法，结果是一个long型的ID。Snowflake由4部分组成：
符号位：占用1bit，其值始终是0，没有实际作用。
时间戳：占用41bit，精确到毫秒，总共可以容纳约70年的时间。
机器ID：占用10bit，其中高位5bit是数据中心ID(DataCenterID)；低位5bit是工作节点ID(WorkerID)(即机器ID(MachineID))，最多可以容纳1024个节点。
序列号: 占用12bit，这个值在同一毫秒同一节点上从0开始不断累加，最多可以累加到4095(即每个节点每毫秒可以产生4096个序列号))。
4个部分总共64位用long(System.Int64)型来表示：
由上可知，SnowFlake算法在同一毫秒内最多可以生成：
1024(机器ID) * 4096(序列号) = 4194304个全局唯一ID。
C#源码如下：
https://github.com/Coldairarrow/IdHelper
https://github.com/mschuler/UniqueIdGenerator
https://github.com/twitter-archive/snowflake/releases/tag/snowflake-2010
https://www.cnblogs.com/cider/p/11776088.html
https://www.cnblogs.com/wangquanyi/p/11328943.html
| /// <summary> /// From: https://github.com/twitter/snowflake /// An object that generates IDs. /// This is broken into a separate class in case /// we ever want to support multiple worker threads /// per process /// </summary> public class IdWorker { private long workerId; private long datacenterId; private long sequence = 0L;
private static long twepoch = 1288834974657L;
private static long workerIdBits = 5L; private static long datacenterIdBits = 5L; private static long maxWorkerId = -1L ^ (-1L << (int)workerIdBits); private static long maxDatacenterId = -1L ^ (-1L << (int)datacenterIdBits); private static long sequenceBits = 12L;
private long workerIdShift = sequenceBits; private long datacenterIdShift = sequenceBits + workerIdBits; private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; private long sequenceMask = -1L ^ (-1L << (int)sequenceBits);
private long lastTimestamp = -1L; private static object syncRoot = new object();
public IdWorker(long workerId, long datacenterId) {
// sanity check for workerId if (workerId > maxWorkerId || workerId < 0) { throw new ArgumentException(string.Format("worker Id can't be greater than %d or less than 0", maxWorkerId)); } if (datacenterId > maxDatacenterId || datacenterId < 0) { throw new ArgumentException(string.Format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId)); } this.workerId = workerId; this.datacenterId = datacenterId; }
public long nextId() { lock (syncRoot) { long timestamp = timeGen();
if (timestamp < lastTimestamp) { throw new ApplicationException(string.Format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp)); }
if (lastTimestamp == timestamp) { sequence = (sequence + 1) & sequenceMask; if (sequence == 0) { timestamp = tilNextMillis(lastTimestamp); } } else { sequence = 0L; }
lastTimestamp = timestamp;
return ((timestamp - twepoch) << (int)timestampLeftShift) | (datacenterId << (int)datacenterIdShift) | (workerId << (int)workerIdShift) | sequence; } }
protected long tilNextMillis(long lastTimestamp) { long timestamp = timeGen(); while (timestamp <= lastTimestamp) { timestamp = timeGen(); } return timestamp; }
protected long timeGen() { return (long)(DateTime.UtcNow - new DateTime(1970, 1, 1, 0, 0, 0, DateTimeKind.Utc)).TotalMilliseconds; } } |
SnowFlake算法的优点：
1.生成ID时不依赖数据库，完全在内存生成，高性能高可用。
2.ID有序呈趋势递增，后续插入索引树的时候性能较好。
SnowFlake算法的缺点：
依赖于系统时钟的一致性，如果某台机器的系统时钟回拨，有可能造成ID冲突，或者ID乱序。
问题：
分析Snowflake算法，会发现时间戳部分用41bit来表达，总共能容纳的数值是:2^41-1=2199023255551，精确到毫秒，总共可以容纳约70年的时间：
年数=2199023255551/(365 * 24 * 3600 * 1000L) = 69年
显然为了能容纳70年内时间，在生成时间戳的时候，要选择一个有效的参照时间，在上例中时间戳以1970-01-01 00：00：00为参照，需要进行修正。
为了设计Snowflake算法，需要明白纳秒和秒的关系，如下所示：
| 1秒 = 1000毫秒，1毫秒 = 1000微妙，1微秒 = 1000纳秒。因此： 1秒 = 1000000000纳秒，1纳秒 = 0.000000001秒 1毫秒 = 1000000纳秒，1纳秒 = 0.000001毫秒
DateTime.Ticks：表示0001年1月1日午夜12:00:00以来所经历的100纳秒数。因此： 1秒 = 1000000000/100 = 10000000纳秒，1纳秒 = 0.0000001秒 1毫秒 = 1000000/100 = 10000纳秒，1纳秒 = 0.0001毫秒 |
现在我们将系统能表达的最大时间：9999-12-31 23：59：59转换成毫秒数：
| var ticks = new DateTime(9999, 12, 31, 23, 59, 59, DateTimeKind.Utc).Ticks; // 纳秒数 var mills = (long)((double)ticks * 0.0001d); // 转换成毫秒数 var bin1 = System.Convert.ToString(ticks, 2); // 将纳秒数转换成二进制 var bin2 = System.Convert.ToString(mills, 2); // 将毫秒数转换成二进制
// 输出： ticks = 3155378975990000000 mills = 315537897599000 bin1 = 10101111001010001010000111010111110011100111101010100110000000 (62位) bin2 = 00000000000001000111101111101011100100010011001011000000011000 (49位) |
这个例子告诉我们，如果想要让UID”有意义”，用纳秒数来表示显然是不行的，因为其64位的空间已经被其占完了，必须将其降级成毫秒数，且还要缩短年限，例如Snowflake算法采用70年。许多公司的UID算法都是在遵循SnowFlake算法的基础上进行的修改。
源码
源码参见： https://github.com/bzmework/FastCore
欢迎加入QQ群讨论交流：948127686。本群专注于.NET技术的研究和讨论。
错误之处在所难免，欢迎批评和指正！
733
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
