目录
1. 问题
为什么需要分布式全局唯一ID以及分布式ID的业务需求？
在复杂分布式系统中，往往需要对大量的数据和消息进行唯一标识。
如在美团点评的今日、支付、餐饮、酒店；
猫眼电影等产品的系统数据中日渐增长，对数据分库分表后需要有一个唯一ID来标识一条数据或消息
特别一点的如订单、骑手、优惠券也需要有唯一ID做标识。
此时一个能够生成全局唯一ID的系统是非常重要的。
2.ID生成规则部分硬性要求
即软件要求
- 全局唯一
不能出现重复的ID号，既然是唯一标识，这是基本的要求 - 趋势递增
在MySQL的InnoDB引擎中使用的是聚集索引，由于多数的RDBMS使用Btree的数据结构来存储索引数据，在主键的选择上我们应该尽量使用有序的主键保证写入性能 - 单调递增
保证下一个ID一定大于上一个ID，例如事务版本号、IM增量消息、排序等特殊需求 - 信息安全
如果ID是连续的，恶意用户的扒取工作就非常容易做了，直接按照顺序下载指定的URL即可
如果是订单号就更危险了，竞争对手可以知道我们一条的单量
所以在一些应用场景下，需要ID无规则不规则，让竞争对手不好猜。 - 含时间戳
快速了解ID的生成时间
3.ID号生成系统的可用性要求
即硬件要求
高可用
发一个获取分布式ID的请求，服务器就要保证99.999%的情况下给我创建一个唯一的分布式ID
低延迟
发一个请获取分布式ID的请求，服务器要快，极速
高QPS
假如并发一口气10万个创建分布式ID请求同时过来，服务器要顶得住并且成功创建10万个分布式ID
4.一般通用方案
4.1UUID
是什么
UUID（Universally Unique Identifier）的标准式包含32个16进制数字，以连字号分为五段，形式为a-b-c-d-e的36个字符
例子： de999f9a-baed-47c4-b06f-aaf3ac81a363
性能非常高，本地生成，没有网络消耗
如果只是考虑唯一性是可以的，但是它入数据库性能差
为什么无序的UUID会导致入库性能差？
- 无序，无法预测他的生成顺序，不能生产递增有序的数字
首先分布式id一般都会作为主键，但是安装mysql官方推荐主键要尽量越短越好，UUID每一个都很长，所以不推荐 - 主键，ID作为主键时在特定的环境会存在一些问题
比如做DB主键的场景下，UUID就i非常不适用MySQL官方有明确的建议，主键尽量越短越好36个字符长度的UUID不符合要求 - 索引，B+树索引的分裂
既然分布式id是主键，然后主键包含索引的，mysql的索引是通过b+树来实现的，每一次UUID数据的插入，为了查询的优化，都会对索引底层的b+树进行修改，因为UUID数据是无序的，所以每一次UUID数据的插入都会对主键底层的b+树进行很大的修改，这一点很不好。插入完全无序，不但会导致一些中间节点产生分裂，也会白白创造出很多不饱和的节点，这样大大降低了数据库插入的性能。
4. 数据库自增主键
单机
在分布式里面，数据库自增ID的机制主要原理是：数据库自增ID和mysql数据库的replace into实现的。
这里的replace into和insert功能类似
不同点在于：replace into首先尝试插入数据库列表中，如果发现表中已经有此行数据（根据主键或唯一索引判断）则先删除，再插入，否则直接插入新数据。
REPLACE INTO的含义是插入一条记录，如果表中唯一索引的值遇到冲突，则替换老数据
CREATE TABLE t_test(
id BIGINT(20) UNSIGNED NOT NULL AUTO_INCREMENT PRIMARY KEY,
stub CHAR(1) NOT NULL DEFAULT '',
UNIQUE KEY stub(stub)
)
SELECT * FROM t_test;
REPLACE INTO t_test(stub) VALUES('b');
SELECT LAST_INSERT_ID();
第一次执行REPLACE INTO
第二次执行REPLACE INTO
uuid：只有唯一性，趋势递增
mysql：唯一性，递增
集群分布式
数据库的自增ID机制适合作分布式ID吗？不适合
- 系统的水平扩展比较困难，比如定义好了步长和机器台数之后，如果要添加机器该怎么做？
假设现在只有一台机器，发号为1，2，3，4，5（步长是1），这个时候需要扩容机器一台。可以这样做：把第二台机器的初始值设置的比第一台机器超过很多，貌似还好，现在想象一下如果我们线上有100台机器，这个时候需要扩容该怎么做？简直是噩梦，所以系统水平扩展方案复杂难以实现。 - 数据库压力还是很大，每次获取ID都要读写一次数据库，非常影响性能，不符合分布式ID里面的低延迟和高QPS的规则（在高并发下，如果都去数据库获取id，那是非常影响性能的）
5. 基于Redis生成全局id策略
- 因为Redis是单线程的天生保证原子性，可以使用原子操作INCR和INCRBY来实现
- 集群分布式
注意：在Redis集群情况下，同样和MySQL一样需要设置不同的增长步长，同时key一定要设置有效期
可以使用Redis集群来获取更高的吞吐量。
假如一个集群中有5台Redis，可以初始化每台Redis的值分别是1，2，3，4，5，然后步长都是5。
各个Redis的生成ID为：
A.1,6,11,16,21
B.2,7,12,17,22
C.3,8,13,18,23
D.4,9,14,19,24
E.5,10,15,20,25
6. snowflake
Twitter的分布式自增ID算法snowflake（雪花算法）
6.1 概述
twitter的snowflake解决了这种需求，最初Twitter把存储系统从MySQL迁移到Cassandra（由Facebook开发一套分布式NoSQL数据库系统）因为Cassandra没有顺序ID生成机制，所以开发了这样一套全局唯一ID生成服务
Twitter的分布式雪花算法SnowFlake，经测试snowflake每秒能够产生26万个自增可排序的ID
- twitter的SnowFlake生成能够按照时间有序生成
- SnowFlake算法生成id的结果是一个64bit大小的正数，为一个Long型（转换成字符串后的长度最后19）.
- 分布式系统内不会产生ID碰撞（由datacenter和workerId作区分）并且效率高。
分布式系统中，有一些需要使用全局唯一ID的场景，生成ID的基本要求
- 在分布式环境下必须全局且唯一。
- 一般都需要单调递增，因为一般唯一ID都会存到数据库，而Innodb的特性就是将内存存储在主键索引树上的叶子节点，而且是从左往右，递增的，所以考虑到数据库性能，一般生成的id也最好是单调递增。为了防止ID冲突可以使用36位的UUID，但是UUID有一些缺点，就是相对较长，另外UUID一般是无序的。
- 可能还会需要无规则，因为如果使用唯一ID作为订单号，为了不能让别人知道一天的订单量是多少，就需要用到这个规则。
6.2 结构
号段解析：
1bit.
不用，因为二进制中最高位是符号位，1表示负数，0表示正数。
生成的id一般都是用整数，所以最高位固定为0。
41bit——时间戳，用来记录时间戳，毫秒级。
- 41位可以表示241-1个数字
- 如果只用来表示正整数（计算机中正数包含0），可以表示的数值范围是：0到241-1，
减1是因为可表示的数值范围是从0开始算的，而不是1 - 也就是说41位可以表示241-1个毫秒的值，转化成单位年制是（241-1）/（1000606024365）=69年
10bit——工作机器id，用来记录工作机器id
- 可以部署在210=1024个节点，包括5位datacenterId和5位workerId
- 5位（bit）可以表示的最大整数时25-1=31,即可用0，1，2，3，……31这32个数字，来表示不同的datecenterId或workerId
12bit——序列号，序列号用来记录同毫秒内产生的不同id
- 12位（bit）可以表示的最大正整数是212-1=4095，即可以用0，1，2，3，……4095这4096个数字，用来表示同一机器、同一时间戳（毫秒）内产生的4096个ID序号
SnowFlake可以保证：
所有生成的id按时间趋势递增
整个分布式系统内不会产生重复id（因为datacenterId和workerId来做区分）
6.3 源码
/**
* twitter的snowflake算法 -- java实现
*
* @author beyond
* @date 2016/11/26
*/
public class SnowFlake {
/**
* 起始的时间戳
*/
private final static long START_STMP = 1480166465631L;
/**
* 每一部分占用的位数
*/
private final static long SEQUENCE_BIT = 12; //序列号占用的位数
private final static long MACHINE_BIT = 5; //机器标识占用的位数
private final static long DATACENTER_BIT = 5;//数据中心占用的位数
/**
* 每一部分的最大值
*/
private final static long MAX_DATACENTER_NUM = -1L ^ (-1L << DATACENTER_BIT);
private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT);
private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT);
/**
* 每一部分向左的位移
*/
private final static long MACHINE_LEFT = SEQUENCE_BIT;
private final static long DATACENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT;
private final static long TIMESTMP_LEFT = DATACENTER_LEFT + DATACENTER_BIT;
private long datacenterId; //数据中心
private long machineId; //机器标识
private long sequence = 0L; //序列号
private long lastStmp = -1L;//上一次时间戳
public SnowFlake(long datacenterId, long machineId) {
if (datacenterId > MAX_DATACENTER_NUM || datacenterId < 0) {
throw new IllegalArgumentException("datacenterId can't be greater than MAX_DATACENTER_NUM or less than 0");
}
if (machineId > MAX_MACHINE_NUM || machineId < 0) {
throw new IllegalArgumentException("machineId can't be greater than MAX_MACHINE_NUM or less than 0");
}
this.datacenterId = datacenterId;
this.machineId = machineId;
}
/**
* 产生下一个ID
*
* @return
*/
public synchronized long nextId() {
long currStmp = getNewstmp();
if (currStmp < lastStmp) {
throw new RuntimeException("Clock moved backwards. Refusing to generate id");
}
if (currStmp == lastStmp) {
//相同毫秒内，序列号自增
sequence = (sequence + 1) & MAX_SEQUENCE;
//同一毫秒的序列数已经达到最大
if (sequence == 0L) {
currStmp = getNextMill();
}
} else {
//不同毫秒内，序列号置为0
sequence = 0L;
}
lastStmp = currStmp;
return (currStmp - START_STMP) << TIMESTMP_LEFT //时间戳部分
| datacenterId << DATACENTER_LEFT //数据中心部分
| machineId << MACHINE_LEFT //机器标识部分
| sequence; //序列号部分
}
private long getNextMill() {
long mill = getNewstmp();
while (mill <= lastStmp) {
mill = getNewstmp();
}
return mill;
}
private long getNewstmp() {
return System.currentTimeMillis();
}
public static void main(String[] args) {
SnowFlake snowFlake = new SnowFlake(2, 3);
for (int i = 0; i < (1 << 12); i++) {
System.out.println(snowFlake.nextId());
}
}
}
6.4 工程落地经验
6.4.1 糊涂工具包
6.4.2 springboot整合雪花算法
1.POM
<dependency>
<groupId>cn.hutool</groupId>
<artifactId>hutool-all</artifactId>
<version>5.8.11</version>
</dependency>
2.核心代码IdGeneratorSnowflake
1. 业务类
package com.asule.hutusnowflake.service;
/**
* 简要描述
*
* @Author: ASuLe
* @Date: 2023/1/24 13:42
* @Version: 1.0
* @Description: 文件作用详细描述....
*/
public interface OrderService {
String getIDBySnowFlake();
}
package com.asule.hutusnowflake.service.impl;
import com.asule.hutusnowflake.service.OrderService;
import com.asule.hutusnowflake.util.IdGeneratorSnowFlake;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
/**
* 简要描述
*
* @Author: ASuLe
* @Date: 2023/1/24 13:44
* @Version: 1.0
* @Description: 文件作用详细描述....
*/
@Service
public class OrderServiceImpl implements OrderService {
@Autowired
private IdGeneratorSnowFlake idGenerator;
@Override
public String getIDBySnowFlake() {
ExecutorService threadPool = Executors.newFixedThreadPool(5);
for (int i = 1; i <= 20; i++) {
threadPool.submit(()->{
System.out.println(idGenerator.snowflakeId());
});
}
threadPool.shutdown();
return "hello snowflake";
}
}
2. Controller
package com.asule.hutusnowflake.controller;
import com.asule.hutusnowflake.service.OrderService;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
/**
* 简要描述
*
* @Author: ASuLe
* @Date: 2023/1/24 13:42
* @Version: 1.0
* @Description: 文件作用详细描述....
*/
@RestController
public class OrderController {
@Autowired
private OrderService orderService;
@RequestMapping("/snowflake")
public String index(){
return orderService.getIDBySnowFlake();
}
}
3. util类
package com.asule.hutusnowflake.util;
import cn.hutool.core.lang.Snowflake;
import cn.hutool.core.net.NetUtil;
import cn.hutool.core.util.IdUtil;
import jakarta.annotation.PostConstruct;
import lombok.extern.slf4j.Slf4j;
import org.springframework.stereotype.Component;
/**
* 简要描述
*
* @Author: ASuLe
* @Date: 2023/1/24 13:45
* @Version: 1.0
* @Description: 文件作用详细描述....
*/
@Component
@Slf4j
public class IdGeneratorSnowFlake {
private long workerId = 0;
private long datacenterId = 1;
private Snowflake snowflake = IdUtil.getSnowflake(workerId, datacenterId);
//post构造完了开始执行，加载初始化工作
@PostConstruct
public void init() {
try {
workerId = NetUtil.ipv4ToLong(NetUtil.getLocalhostStr());
log.info("当前机器的workerId：{}" , workerId);
} catch (Exception e) {
e.printStackTrace();
log.warn("当前机器的workerId失败" , workerId);
workerId = NetUtil.getLocalhostStr().hashCode();
}
}
public synchronized long snowflakeId(){
return snowflake.nextId();
}
public synchronized long snowflakeId(long workerId,long datacenterId){
Snowflake snowflake = IdUtil.getSnowflake(workerId,datacenterId);
return snowflake.nextId();
}
public static void main(String[] args) {
System.out.println(new IdGeneratorSnowFlake().snowflakeId());
}
}
4. 启动类
package com.asule.hutusnowflake;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
@SpringBootApplication
public class HutuSnowFlakeApplication {
public static void main(String[] args) {
SpringApplication.run(HutuSnowFlakeApplication.class, args);
}
}
4.YML
server:
port: 7777
5. 测试
6.5 优缺点
优点：
- 毫秒数在高位，自增序列在地位，整个ID都是趋势递增的。
- 不依赖数据库第三方系统，以服务的方式部署，稳定性更高，生成ID的性能也是非常高的。
- 可以根据自身业务特性分配bit位，非常灵活。
缺点：
- 依赖机器始终，如果机器时钟回拨，会导致重复ID生成
- 在单机上是递增的，但是由于涉及到分布式环境，每台机器上的时钟不可能完全同步，有时候会出现不是全局递增的情况
（此缺点可以认为无所谓，一般分布式ID只要求趋势递增，不会严格要求递增，90%的需求都只要求趋势递增）
7. 其他补充
解决时钟回拨问题
- 百度开源的分布式唯一ID生成器UidGenerator
- Leaf美团点评分布式ID生成系统
866
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
