（全局唯一ID的解决方案有很多种，这里主要是介绍和学习Snowflake算法）
什么是雪花算法（Snowflake）
雪花算法（Snowflake Algorithm）是由Twitter公司在2010年左右提出的一种分布式ID生成算法，主要用于生成全局唯一且趋势递增的ID。这种算法生成的ID是一个64位的长整型数字，具有很高的性能与扩展性，特别适合于分布式环境下的主键生成场景，比如数据库表主键、消息队列的Message ID等。
实现原理
Snowflake算法的原理主要体现在它生成64位ID的结构上，主要划分为如下几个部分：
0 | 00000000000000000000000000000000000000000 | 00000 | 00000 | 000000000000
- 1bit-符号位：
第1位通常固定为0，表示生成的ID都是正数。
- 41bit-时间戳部分：
从第2位到第42位（共41位）存储时间戳信息，精确到毫秒级别。时间戳可以是自定义的一个起始时间点（如Twitter使用的是2010-11-04的某一时刻），这样可以通过比较ID中的时间戳部分来判断事件发生的先后顺序。41位的时间截，可以使用69年，年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69。
- 10bit-工作机器ID(5bit数据中心ID+5bit机器ID)：
从第43位到第52位（共10位）存储工作机器ID或者数据中心ID。这部分可以进一步细分为两部分，例如前5位标识数据中心ID，后5位标识工作节点ID。这样可以支持32(0~31)个数据中心以及每个数据中心内部的32(0~31)个工作节点，足够覆盖大规模分布式系统的节点标识。
- 12bit-序列号部分：
从第53位到第64位（共12位）存储同一节点同一毫秒内生成的序列号，这意味着同一个节点在同毫秒内可以生成最多4096个不同的ID（2^12）。
当生成ID时，首先获取当前时间戳，然后加上工作节点ID以及序列号。如果在同一毫秒内有新的请求，则序列号加1。若序列号达到最大值，则等待下一毫秒再进行分配，从而确保在同一节点内生成的ID是唯一的
雪花算法的优缺点
优点：
-
全局唯一性：雪花算法生成的ID是全局唯一的，这在分布式系统中非常重要，可以避免因ID冲突而导致的数据不一致问题。
-
递增有序：由于ID中包含时间戳部分，所以生成的ID是递增有序的。这有助于数据库插入性能的优化，因为有序的ID可以减少数据库的页分裂，提高写入效率。
-
灵活性：雪花算法允许自定义配置工作机器ID和数据中心ID的位数，可以根据实际部署环境调整这些配置，以支持不同规模的分布式系统。
-
高效性：算法本身实现简单，生成ID的速度快，能够满足高并发场景下的需求。
缺点：
-
时钟依赖：雪花算法依赖于系统时钟来生成时间戳部分。如果系统时钟出现回拨或漂移，可能会导致生成的ID不唯一或有序性受到破坏。虽然可以通过一些机制来处理时钟回拨问题，但时钟漂移仍然是一个潜在的风险。
-
机器ID冲突：如果部署的工作节点数量超过了算法中定义的机器ID位数所能表示的范围，就会发生机器ID冲突。这需要在设计系统时预先规划好机器ID的分配和管理。
-
缺乏安全性：雪花算法生成的ID本身并不包含加密或签名信息，因此容易受到恶意篡改。如果ID的安全性要求较高，需要在生成ID后添加额外的加密或签名措施。
-
扩展性限制：由于雪花算法的ID结构是固定的，因此在某些情况下可能会受到扩展性的限制。例如，如果未来需要添加更多的元数据到ID中，或者需要支持更大的分布式系统规模，可能需要重新设计ID生成算法。
因此，为了更全面地解决雪花算法的缺陷问题，可能需要采取额外的措施，例如：
-
增强时钟同步：使用NTP（Network Time Protocol）或其他时钟同步机制来确保各个节点之间的时钟尽可能准确同步。
-
增加机器ID的灵活性：设计一种更灵活的方式来分配和管理机器ID，以便支持更多的工作节点和数据中心。
-
安全性考虑：对生成的ID进行加密或签名，以防止恶意篡改。
综上所述，雪花算法在分布式系统中具有广泛的应用价值，其全局唯一性和递增有序性使得它成为生成唯一ID的优选方案之一。然而，在使用雪花算法时也需要注意其潜在的缺点，并根据实际需求进行配置和优化。
Snowflake算法生成ID的Java代码示例
以下是Snowflake算法的一个java简化版实现：
public class SnowflakeIdWorker {
// 起始的时间戳（自定义，例如系统上线时间）
private final long twepoch = 1288834974657L;
// 机器id所占的位数
private final long workerIdBits = 5L;
// 数据标识id所占的位数
private final long datacenterIdBits = 5L;
// 最大机器ID
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
// 最大数据标识ID
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
// 序列在id中占的位数
private final long sequenceBits = 12L;
// 机器ID左移12位
private final long workerIdShift = sequenceBits;
// 数据标识id左移17位(12+5)
private final long datacenterIdShift = sequenceBits + workerIdBits;
// 时间截左移22位(5+5+12)
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
// 序列的掩码，这里为4095 (0b111111111111=4095)
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
// 上次生成ID的时间截
private long lastTimestamp = -1L;
// 序列号
private long sequence = 0L;
// 工作机器ID
private final long workerId;
// 数据中心ID
private final long datacenterId;
public SnowflakeIdWorker(long workerId, long datacenterId) {
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
}
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
// 生成ID
public synchronized long nextId() {
long timestamp = timeGen();
// 如果当前时间小于上一次ID生成的时间戳，说明系统时钟回退，抛出异常
if (timestamp < lastTimestamp) {
throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
// 如果时间戳相同，则序列号自增
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
// 序列号溢出，等待下一毫秒
if (sequence == 0) {
timestamp = tilNextMillis(lastTimestamp);
}
} else {
// 时间戳改变，序列号重置为0
sequence = 0L;
}
// 更新最后的时间戳
lastTimestamp = timestamp;
// 移位并通过或运算拼到一起组成64位的ID
return ((timestamp - twepoch) << timestampLeftShift) |
(datacenterId << datacenterIdShift) |
(workerId << workerIdShift) |
sequence;
}
// 获取当前时间戳
protected long timeGen() {
return System.currentTimeMillis();
}
// 等待下一个毫秒
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
public static void main(String[] args) {
SnowflakeIdWorker idWorker = new SnowflakeIdWorker(1, 1);
for (int i = 0; i < 5; i++) {
long id = idWorker.nextId();
System.out.println(Long.toBinaryString(id));
System.out.println(id);
}
}
}代码输出：
这段代码实现了雪花算法的核心逻辑。在nextId()方法中，它首先获取当前时间戳，然后检查时间戳是否小于上一次生成ID时的时间戳，如果是，则抛出异常，因为这意味着系统时钟回退，可能会导致ID生成出现混乱。如果时间戳相同，则序列号自增，并检查是否溢出，如果溢出则等待下一个毫秒。如果时间戳不同，则重置序列号。最后，将时间戳、数据中心ID、机器ID和序列号按照各自的偏移量左移，然后进行位或运算，组合成一个64位的ID。
（注：关于数据中心ID、机器ID，根据实际情况来进行配置。）
1728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
