雪花算法
目录
- 为什么需要分布式全局唯一ID以及分布式ID的业务需求
- ID生成规则部分硬性要求
- ID号生成系统的可用性要求
- 一般通过方案
- UUID
- 数据库自增主键
- 基于redis生成全局id策略
- 雪花算法
- 结构
- 源码
- 工程落地经验
- 优缺点
https://zhuanlan.zhihu.com/p/152179727
为什么需要分布式全局唯一ID以及分布式ID的业务需求
在复杂的分布式系统中，往往需要对大量的数据和消息进行唯一标识。
拿MySQL数据库举个栗子：
在我们业务数据量不大的时候，单库单表完全可以支撑现有业务，数据再大一点搞个MySQL主从同步读写分离也能对付。
但随着数据日渐增长，主从同步也扛不住了，就需要对数据库进行分库分表，但分库分表后需要有一个唯一ID来标识一条数据，数据库的自增ID显然不能满足需求；特别一点的如订单、优惠券也都需要有唯一ID做标识。此时一个能够生成全局唯一ID的系统是非常必要的。那么这个全局唯一ID就叫分布式ID。
ID生成规则部分硬性要求
软件算法要求
- 全局唯一：不能出现重复的ID号，既然是唯一标识，这是最基本的要求
- 趋势递增：在
Mysql的innoDB引擎使用的是聚集索引，由于多数RDBMS使用B+树的数据结构来存储索引数据，在主键的选择上面，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url即可；如果是订单号就更危险了，竞争对手可以直接指导我们一天的单量。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：这样就能够在开发中快速了解这个分布式
id的生成时间
ID号生成系统的可用性要求
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99.9999%的情况下给我创建一个唯一分布式ID - 低延迟：发一个获取分布式
ID的请求，服务器就要快，极快，毫秒级别。不然双十一根本扛不住 - 高
QPS：假如并发一口气10万个创建分布式ID请求同时杀过来，服务器要顶的住且一下子成功创建10万个分布式ID
一般通过方案
UUID
String s = UUID.randomUUID().toString();
如果只考虑唯一性，uuid是ok的，但是它是无序的，入数据库性能差。
数据库自增主键
数据库的自增ID机制的主要原理是，数据库自增ID和mysql数据库的replace info实现的。
replace info根insert功能类似，不同在于：replace info首先尝试插入数据列表中，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 goods(STATUS,name,num,version) VALUES(1,"abc",1,1);
select LAST_INSERT_ID();
那数据库自增ID机制适合做分布式ID吗？
不合适。
- 系统水平扩展比较困难，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是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，设置得比第一台超过很多，貌似还好，现如果100台机器呢？没法玩了
- 数据库压力还是很大，每次获取ID都得读写一次数据库，非常影响性能，不符合分布式ID里面的延迟低和要高QPS的规则。
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。
集群分布式下：
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
集群有几台机器，步长就设置为多少
该方案是可行的
唯一缺点：为了一个id，配置麻烦，维护麻烦，就想要个id,却要维护一个redis集群。
雪花算法
Twitter的分布式自增ID算法，经过测试snowflake每秒能够产生26万个自增可排序的ID。
Twitter的雪花算法生成ID能够按照时间有序生成- 雪花算法生成
id的结果是一个64bit大小的整数，为一个long型 - 分布式系统内不会产生
ID碰撞并且效率较高
结构
号段解析：
- 第一个
bit位（1bit）：Java中long的最高位是符号位代表正负，正数是0，负数是1，一般生成ID都为正数，所以默认为0。 - 时间戳部分（
41bit）：毫秒级的时间，不建议存当前时间戳，而是用（当前时间戳 - 固定开始时间戳）的差值，可以使产生的ID从更小的值开始；41位的时间戳可以使用69年，(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69年 - 工作机器id（
10bit）：也被叫做workId，这个可以灵活配置，机房或者机器号组合都可以。可以部署在2^10=1024个节点，包括5位datacenterId和5位workerId - 序列号部分（
12bit）：自增值支持同一毫秒内同一个节点可以生成4096个ID。12位可以表示的最大正整数2^12-1=4095，即可以用0,1，2，3…4094这4095个数字，来表示同一机器同一时间(1毫秒)内产生4095个ID序号。
雪花算法可以保证：
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(因为有datacenterId和workerId来做区分)
github：https://github.com/twitter-archive/snowflake
源码
//雪花算法代码实现
public class IdWorker {
// 时间起始标记点，作为基准，一般取系统的最近时间（一旦确定不能变动）
private final static long twepoch = 1288834974657L;
// 机器标识位数
private final static long workerIdBits = 5L;
// 数据中心标识位数
private final static long datacenterIdBits = 5L;
// 机器ID最大值
private final static long maxWorkerId = -1L ^ (-1L << workerIdBits);
// 数据中心ID最大值
private final static long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
// 毫秒内自增位
private final static long sequenceBits = 12L;
// 机器ID偏左移12位
private final static long workerIdShift = sequenceBits;
// 数据中心ID左移17位
private final static long datacenterIdShift = sequenceBits + workerIdBits;
// 时间毫秒左移22位
private final static long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
private final static long sequenceMask = -1L ^ (-1L << sequenceBits);
/* 上次生产id时间戳 */
private static long lastTimestamp = -1L;
// 0，并发控制
private long sequence = 0L;
private final long workerId;
// 数据标识id部分
private final long datacenterId;
public IdWorker(){
this.datacenterId = getDatacenterId(maxDatacenterId);
this.workerId = getMaxWorkerId(datacenterId, maxWorkerId);
}
/**
* @param workerId
* 工作机器ID
* @param datacenterId
* 序列号
*/
public IdWorker(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;
}
/**
* 获取下一个ID
*
* @return
*/
public synchronized long nextId() {
long timestamp = timeGen();
if (timestamp < lastTimestamp) {
throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
if (lastTimestamp == timestamp) {
// 当前毫秒内，则+1
sequence = (sequence + 1) & sequenceMask;
if (sequence == 0) {
// 当前毫秒内计数满了，则等待下一秒
timestamp = tilNextMillis(lastTimestamp);
}
} else {
sequence = 0L;
}
lastTimestamp = timestamp;
// ID偏移组合生成最终的ID，并返回ID
long nextId = ((timestamp - twepoch) << timestampLeftShift)
| (datacenterId << datacenterIdShift)
| (workerId << workerIdShift) | sequence;
return nextId;
}
private long tilNextMillis(final long lastTimestamp) {
long timestamp = this.timeGen();
while (timestamp <= lastTimestamp) {
timestamp = this.timeGen();
}
return timestamp;
}
private long timeGen() {
return System.currentTimeMillis();
}
/**
*
* 获取 maxWorkerId
*
*/
protected static long getMaxWorkerId(long datacenterId, long maxWorkerId) {
StringBuffer mpid = new StringBuffer();
mpid.append(datacenterId);
String name = ManagementFactory.getRuntimeMXBean().getName();
if (!name.isEmpty()) {
/*
* GET jvmPid
*/
mpid.append(name.split("@")[0]);
}
/*
* MAC + PID 的 hashcode 获取16个低位
*/
return (mpid.toString().hashCode() & 0xffff) % (maxWorkerId + 1);
}
/**
*
* 数据标识id部分
*
*/
protected static long getDatacenterId(long maxDatacenterId) {
long id = 0L;
try {
InetAddress ip = InetAddress.getLocalHost();
NetworkInterface network = NetworkInterface.getByInetAddress(ip);
if (network == null) {
id = 1L;
} else {
byte[] mac = network.getHardwareAddress();
id = ((0x000000FF & (long) mac[mac.length - 1])
| (0x0000FF00 & (((long) mac[mac.length - 2]) << 8))) >> 6;
id = id % (maxDatacenterId + 1);
}
} catch (Exception e) {
System.out.println(" getDatacenterId: " + e.getMessage());
}
return id;
}
public static void main(String[] args) {
IdWorker idWorker = new IdWorker(0, 0);
for (int i = 0; i < 10; i++) {
long id = idWorker.nextId();
System.out.println(id);
System.out.println("========================");
}
}
}
注意这是源码，工作中不会用这个。要封装。不过已经有人封装好了。
工程落地经验
糊涂工具包：
github：https://github.com/looly/hutool
官网：https://hutool.cn/
依赖：
cn.hutool
hutool-all
5.3.9
使用：
@Slf4j
@Component
public class IdGeneratorSnowFlake {
/**
* 工作中心(机房) 0-31
*/
private long workerId=0;
/**
* 1号机器 0-31
*/
private long datacenterId=1;
private Snowflake snowflake= IdUtil.createSnowflake(workerId, datacenterId);
@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获取失败",e);
workerId=NetUtil.getLocalhostStr().hashCode();
}
}
public synchronized long snowflakeId(){
return snowflake.nextId();
}
public synchronized long snowflakeId(long workerId, long datacenterId){
Snowflake snowflake= IdUtil.createSnowflake(workerId, datacenterId);
return snowflake.nextId();
}
public static void main(String[] args) {
// long id = new IdGeneratorSnowFlake().snowflakeId();
// System.out.println(id);
//多线程下测试
IdGeneratorSnowFlake idGeneratorSnowFlake=new IdGeneratorSnowFlake();
ExecutorService executorService = Executors.newFixedThreadPool(5);
for (int i = 0; i < 20; i++) {
executorService.submit(()->{
System.out.println(idGeneratorSnowFlake.snowflakeId());
});
}
executorService.shutdown();
}
}
优缺点
对于时钟回拨导致重复ID生成的问题，业内已经有完整的解决方案：
- 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