分布式id介绍及应用

ZooKeeper

zookeeper的命名服务，主要是利用zookeepeer节点的树型分层结构和子节点的次序维护能力，为分布式系统中的资源命名与标识能力。

zookeeper的分布式命名服务，典型的应用场景有：

（1）提供分布式JNDI的API目录服务功能。

可以把系统中各种API接口服务的名称、链接地址放在zookeeper的树形分层结果中，提供分布式的API调用能力。著名的分布式框架，就是应用了zookeeper的分布式的JNDI能力。

开源的分布式服务框架Dubbo中使用ZooKeeper来作为其命名服务，维护全局的服务接口API地址列表。在Dubbo实现中，provider服务提供者在启动的时候，向ZK上的指定节点/dubbo/${serviceName}/providers文件夹下写入自己的API地址，这个操作就相当于服务的公开。

consumer服务消费者启动的时候，订阅节点/dubbo/{serviceName}/providers文件夹下的provider服务提供者URL地址，获得所有的访问提供者的API。

（2）制作分布式的ID生成器，为分布式系统中的每一个数据资源，提供的唯一的标识能力。

在单体服务环境下，我们唯一标识一个数据资源，通常利用数据库的主键自增功能。但是在大量服务器集群的场景下，依赖单体服务的数据库主键自增生成唯一ID，没有办法满足高并发和高负载的需求。

（3）分布式节点的命名服务

一个分布式系统会有很多的节点组成，而且，节点的数量是不断动态变化的。根据业务的膨胀需要和迎接流量洪峰，可能会加入大量的动态很多节点。流量洪峰过去，就需要下线大量的节点。或者说，由于机器或者网络的原因，一些节点主动的离开的集群。

如何为大量的动态节点命名呢？一种简单的办法是，可以通过配置文件，手动的进行每一个节点的命名。但是如果节点数据量太大，或者说变动频繁，手动命名是不现实的，这就需要用到分布式节点的命名服务。

疯狂创客圈的分布式IM实战项目，也会使用分布式命名服务，为每一个IM节点动态命名。

 

 

算法：分布式id生成算法SnowFlake

符号位说明：

第一位为不能为负的符号位：0

 

时间戳说明：

41位记录时间戳timeMillis，不是存储当前时间的时间截，而是存储时间截的差值，即当前系统时间 - 默认固定时间的值（开始时间截一般是我们的id生成器开始使用的时间，由我们程序来指定的）

 

工作机器ID说明：

10位的数据机器位id，可以部署在1024个节点，即datacenterId (5位数据id) + workerId (5位机器id)

datacenterId 与 workerId的最大值十进制值是31（不能为负数）

原因：5位数的最大二进制表示： 0001 1111 —> 十进制：31

 

序列号说明：

12位自增序列号sequence，毫秒内的计数，12位的计数顺序号支持每个节点每毫秒(同一机器，同一时间截)产生4096个ID序号

Sequence的最大十进制值是4095（不能为负数）

原因：12位数的最大二进制表示：1111 1111 1111  —> 十进制：4095

 

二进制说明：

按位或，按位与，异或计算例子：

位移说明：

 

计算所需默认常量：

默认固定时间twepoch: 1288834974657（毫秒）（小于当前时间即可，不能出现负数）

时间戳偏移位数 timestampLeftShift：22（给5位机器id、5位数据id、12位序列号移除位置）

数据id偏移位数 datacenterIdShift：17（给5位数据id、12位序列号移除位置）

机器id偏移位数 workerIdShift：12（给12位序列号移除位置）

 

开始计算：

一，需要输入的条件（以这4个数据为例）：

1. 当前时间 timwstamp：1563244877076（毫秒）
2. 机器id  workerId：6（本机ip）
3. 数据id  datacentId：20（当前进程Hashmap）
4. 序列号sequence：0（自增序列号）

 

二，计算：

计算公式

 

步骤：

1．首先计算时间戳；即：timeMillis = timestamp(当前时间) – twepoch(固定时间)

timeMillis ：  1563244877076 – 1288834974657 = 274409902419

 

2．再先分别计算左位移结果

 timeMillis  <<  timestampLeftShift  

转换： 274409902419  <<  22

二进制： 0011111111100100000110101101000101010011  <<  22

//位移前                                                                                                                     

0000 0000 0000 0000 0000 0000 0011 1111 1110 0100 0001 1010 1101 0001 0101 0011

//位移22位后的结果（标记：a）

0000 1111 1111 1001 0000 0110 1011 0100 0101 0100 1100 0000 0000 0000 0000 0000

   

 

datacenterId  <<  datacenterIdShift

转换： 20  << 17

二进制：0001 0100  <<  17

//位移前

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 0100

//位移17位后的结果（标记：b）

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0010 1000 0000 0000 0000 0000

 

 

workerId  <<  workerIdShift

转换：6  <<  12

二进制：0000 0110  <<  12

//位移前

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0110

//位移12位后的结果（标记：c）

0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0110 0000 0000 0000

 

 

3．最后计算按位或的结果

计算公式带入值：

274409902419  <<  22  |        

                    20  <<  17  |

                      6  <<  12  |

                                 0

                           ||

                           ||  简化

                         \ || /  

                   a  |  b  |  c  |  0

                           ||

                           ||  二进制表示

                         \ || /  

  |                      41位                   |  5  |  5   |      12位

0|000 1111 1111 1001 0000 0110 1011 0100 0101 0100 11|00 000|0 0000| 0000 0000 0000   | //a

0|000 0000 0000 0000 0000 0000 0000 0000 0000 0000 00|10 100|0 0000| 0000 0000 0000  | //b

0|000 0000 0000 0000 0000 0000 0000 0000 0000 0000 00|00 000|0 0110| 0000 0000 0000  | //c

0|000 0000 0000 0000 0000 0000 0000 0000 0000 0000 00|00 000|0 0000| 0000 0000 0000  | //0

0|000 1111 1111 1001 0000 0110 1011 0100 0101 0100 11|10 100|0 0110| 0000 0000 0000 //结果

 

最终结果：

二进制：0000 1111 1111 1001 0000 0110 1011 0100 0101 0100 1110 1000 0110 0000 0000 0000

 

十进制：1150958551358267392

SnowFlake算法的优点：

（1）生成ID时不依赖于数据库，完全在内存生成，高性能高可用。

（2）容量大，每秒可生成几百万ID。

（3）ID呈趋势递增，后续插入数据库的索引树的时候，性能较高。

SnowFlake算法的缺点：

（1）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。

（2）还有，在启动之前，如果这台机器的系统时间回拨过，那么有可能出现ID重复的危险。

 

 

 

 

SnowFlake + Zookeeper = id-generator

分布式 ID 生成器的类型

在分布式系统中，ID生成器的使用场景，非常非常多：

（1）大量的数据记录，需要分布式ID

（2）大量的系统消息，需要分布式ID

（3）大量的请求日志，如http请求记录，需要唯一标识，以便进行后续的用户行为分析和调用链路分析，等等等等。

传统的数据库自增主键，或者单体的自增主键，已经不能满足需求。在分布式系统环境中，迫切需要一个全新的唯一ID的系统，这个系统需要满足以下需求：

（1）全局唯一：不能出现重复ID

（2）高可用：ID生成系统是基础系统，被许多关键系统调用，一旦宕机，会造成严重影响。

分布式唯一ID生成分案有很多种：

（1） java的UUID

（2） 利用分布式缓存Redis生成ID

利用Redis的原子操作INCR和INCRBY，生成全局唯一的ID。

（3） Twitter的snowflake算法

（4） ZooKeeper生成ID

利用ZooKeeper 的顺序节点，生成全局唯一的ID。

（5） MongoDb的ObjectId

利用分布式Nosql MongDB，生成全局唯一的ID。

UUID方案

UUID是Universally Unique Identifier的缩写，它是在一定的范围内（从特定的名字空间到全球）唯一的机器生成的标识符。UUID在其他语言中也叫GUID，在java中，生成UUID的代码很简单：

String uuid = UUID.randomUUID().toString()

一个UUID是16字节长的数字，一共128位。通常以36字节的字符串表示，比如：3F2504E0-4F89-11D3-9A0C-0305E82C3301。 使用的时候，可以把中间的4个中划线去掉，剩下32位字符串。

UUID经由一定的算法机器生成，为了保证UUID的唯一性，规范定义了包括网卡MAC地址、时间戳、名字空间(Namespace)、随机或伪随机数、时序等元素，以及从这些元素生成UUID的算法。UUID的只能由计算机生成。

UUID的优点：本地生成ID，不需要进行远程调用，时延低，性能高。

UUID的缺点：UUID过长，16字节128位，通常以36长度的字符串表示，很多场景不适用，比如，由于UUID没有排序，无法保证趋势递增，用做数据库索引字段的效率就很低，新增记录存储入库时性能差

从高并发，高可用的角度出发，通过ZooKeeper实现分布式系统唯一ID的方案，是最为合适的解决方案之一。

 

常见的UID优缺点

数据库自增ID
简单可靠，有序，可读性好，性能也不错。缺点是要锁表，性能会有瓶颈，分库特别是已分库的情况再扩容时会比较麻烦。

UUID
全球唯一，性能好，缺点是太长了，存储空间大，索引性能不好，长度太长使用起来也不方便。另外部分UUID算法生成的不是趋势递增的。

Redis生成
性能好，有序，可读性好。缺点是为了防单点故障，需要引入Redis集群，增加了额外编码和配置的工作量。

Snowflake生成ID
twitter开发的一套全局唯一ID生成算法，要点如下：

41位的时间序列(精确到毫秒，41位的长度可以使用69年) 
10位的机器标识(10位的长度最多支持部署1024个节点) 
12位的计数顺序号(12位的计数顺序号支持每个节点每毫秒产生4096个ID序号) 
最高位是符号位，始终为0。 
简单可靠，性能好，趋势有序，不引入第三方系统。缺点是有使用时间限制，8-100年不等，序列不是连续有序。

如何选择
在分布式下，考虑到性能，存储效率和使用方便性，一般不会直接用UUID来做表唯一字段的ID的。另外UUID有可能泄露MAC地址。

如果没有分库的话，用数据库自增ID是不错的选择。

如果有分库可以使用不同步长的自增ID来避免冲突，如果还有继续扩容的可能的话，建议直接使用Redis或Snowflake的方案。

如果对连续性有要求的话，建议使用Redis生成方案，如果对连续性没有要求或者要求干净轻爽的方式的话，建议使用Snowflake方案。

另外连续ID有可能泄露业务信息，根据早晚的ID号，很容易推算出一天的业务量。

Snowflake的改进实现
各开源项目都基于原始算法做了点改进，比如：处理时间回拨问题，调整各段的位数，使用缓存增强并发性能。在虚拟环境下，如k8s下，如何避免多个实例出现相同的worker id等。

比较好的实现有：

百度uid-generator：https://github.com/baidu/uid-generator

美团leaf：https://github.com/zhuzhong/idleaf

我的实现主要是参考了百度的实现。所不同的是，进一步做了简化，百度使用一个数据库表来保存worker id的信息，每次实例启动的时候给一个新号，可以支持几百万次重启。我的实现是去掉了数据库依赖，直接根据机器的IP后24位做worker id。在k8s环境下，网络CIDR默认是-/24，也就是最后24位是不同的，所以用24位IP来做worker id是可以完全避免冲突。相应的，单例每秒的序列号数量有所减少，只有2048个，不过对大部分应用也是够用的。

另外补充解释下，为啥要用这么多位数用于避免worker id重复，实际部署的系统一般也就几百几千台机器/虚拟机，直接为不同的应用指定不同的id不就完了吗？这主要是考虑在Spring Cloud或者k8s这样的环境里，每个应用是有可能同时开好几个实例的，如果worker id是硬编码或者固定配置的，那所有相同应用的实例都会是相同的worker id，肯定会造成UID冲突的。所以就需要有一个渠道能得到唯一的id。那这个渠道在类似k8s这样的虚拟环境下，无非是数据库保存，或者pod ip了。我嫌用数据库又多引进了一个依赖，希望一个尽可能独立干净的实现，所以我使用ip后24位的方式来做worker id。如果将k8s POD网络的CIDR设成-/16的，那就更完美了，用ip的后16位做唯一worker id，同时把时间位和序列位各加4个，那就可以支持单例每秒32768个序列，连续使用128年了。

综合方案（SnowflakeX）

基于snowflake方案，引入时间回拨保护机制，形成趋于完美的方案

应用启动校验流程（新增）

时间打点机制（新增）

ID生成时时间校验机制(原有)

通过这三种保障机制，不管是程序运行时服务器时间发生了回拨，
还是说应用down机的同时，发生了时间回拨等恶劣情况，都可以保证生成的ID不重复

不过，虽然理论上每秒单机可以生成400W+的ID，实际在使用过程中，如果中心化部署，通过API的方式来使用，还要考虑到实际的网络消耗。

测试情况:

测试机1台： Intel 2.30GHz 双核 虚拟机 百兆网卡
测试结果：通过HTTP API每秒可获取100W的ID

方案对比

方案	唯一性	每秒100W+	趋于递增	高可用	可伸缩
UUID	基本满足	满足	不满足	满足	满足
数据库自增列	满足	不满足	满足	基本满足	不满足
Snowflake	基本满足	满足	满足	满足	满足
SnowflakeX	满足	满足	满足	满足	满足

 

Zookeeper方案

在分布式集群中，可能需要部署的大量的机器节点。在节点少的受，可以人工维护。在量大的场景下，手动维护成本高，考虑到自动部署、运维等等问题，节点的命名，最好由系统自动维护。

节点的命名，主要是为节点进行唯一编号。主要的诉求是，不同节点的编号，是绝对的不能重复。一旦编号重复，就会导致有不同的节点碰撞，导致集群异常。

在Zookeeper中，node可以分为持久节点和临时节点两类。临时节点的生命周期和客户端会话绑定，一旦客户端会话失效，那么这个客户端创建的所有临时节点都会被移除。

有以下两个方案，可供生成集群节点编号：

（1）使用数据库的自增ID特性，用数据表，存储机器的mac地址或者ip来维护。

（2）使用ZooKeeper持久顺序节点的次序特性。来维护节点的编号。

这里，我们采用第二种，通过ZooKeeper持久顺序节点特性，来配置维护节点的编号NODEID。

集群节点命名服务的基本流程是：

（1）启动节点服务，连接ZooKeeper， 检查命名服务根节点根节点是否存在，如果不存在就创建系统根节点。

（2）在根节点下创建一个临时顺序节点，取回顺序号做节点的NODEID。如何临时节点太多，可以根据需要，删除临时节点。

 

（1）第一位

占用1bit，其值始终是0，没有实际作用。

（2）时间戳

占用41bit，精确到毫秒，总共可以容纳约69年的时间。

（3）工作机器id

占用10bit，最多可以容纳1024个节点。

（4）序列号

占用12bit，最多可以累加到4095。这个值在同一毫秒同一节点上从0开始不断累加。

总体来说，在工作节点达到1024顶配的场景下，SnowFlake算法在同一毫秒内最多可以生成多少个全局唯一ID呢？这是一个简单的乘法：

同一毫秒的ID数量 = 1024 X 4096 = 4194304

400多万个ID，这个数字在绝大多数并发场景下都是够用的。

snowflake 算法中，第三个部分是工作机器ID，可以结合上一节的命名方法，并通过Zookeeper管理workId，免去手动频繁修改集群节点，去配置机器ID的麻烦。

 

zookeeper分布式锁的原理

理解了锁的原理后，就会发现，Zookeeper 天生就是一副分布式锁的胚子。

首先，Zookeeper的每一个节点，都是一个天然的顺序发号器。

在每一个节点下面创建子节点时，只要选择的创建类型是有序（EPHEMERAL_SEQUENTIAL 临时有序或者PERSISTENT_SEQUENTIAL 永久有序）类型，那么，新的子节点后面，会加上一个次序编号。这个次序编号，是上一个生成的次序编号加一

比如，创建一个用于发号的节点“/test/lock”，然后以他为父亲节点，可以在这个父节点下面创建相同前缀的子节点，假定相同的前缀为“/test/lock/seq-”，在创建子节点时，同时指明是有序类型。如果是第一个创建的子节点，那么生成的子节点为/test/lock/seq-0000000000，下一个节点则为/test/lock/seq-0000000001，依次类推，等等。

其次，Zookeeper节点的递增性，可以规定节点编号最小的那个获得锁。

一个zookeeper分布式锁，首先需要创建一个父节点，尽量是持久节点（PERSISTENT类型），然后每个要获得锁的线程都会在这个节点下创建个临时顺序节点，由于序号的递增性，可以规定排号最小的那个获得锁。所以，每个线程在尝试占用锁之前，首先判断自己是排号是不是当前最小，如果是，则获取锁。

第三，Zookeeper的节点监听机制，可以保障占有锁的方式有序而且高效。

每个线程抢占锁之前，先抢号创建自己的ZNode。同样，释放锁的时候，就需要删除抢号的Znode。抢号成功后，如果不是排号最小的节点，就处于等待通知的状态。等谁的通知呢？不需要其他人，只需要等前一个Znode 的通知就可以了。当前一个Znode 删除的时候，就是轮到了自己占有锁的时候。第一个通知第二个、第二个通知第三个，击鼓传花似的依次向后。

Zookeeper的节点监听机制，可以说能够非常完美的，实现这种击鼓传花似的信息传递。具体的方法是，每一个等通知的Znode节点，只需要监听linsten或者 watch 监视排号在自己前面那个，而且紧挨在自己前面的那个节点。 只要上一个节点被删除了，就进行再一次判断，看看自己是不是序号最小的那个节点，如果是，则获得锁。

为什么说Zookeeper的节点监听机制，可以说是非常完美呢？

一条龙式的首尾相接，后面监视前面，就不怕中间截断吗？比如，在分布式环境下，由于网络的原因，或者服务器挂了或则其他的原因，如果前面的那个节点没能被程序删除成功，后面的节点不就永远等待么？

其实，Zookeeper的内部机制，能保证后面的节点能够正常的监听到删除和获得锁。在创建取号节点的时候，尽量创建临时znode 节点而不是永久znode 节点，一旦这个 znode 的客户端与Zookeeper集群服务器失去联系，这个临时 znode 也将自动删除。排在它后面的那个节点，也能收到删除事件，从而获得锁。

说Zookeeper的节点监听机制，是非常完美的。还有一个原因。

Zookeeper这种首尾相接，后面监听前面的方式，可以避免羊群效应。所谓羊群效应就是每个节点挂掉，所有节点都去监听，然后做出反映，这样会给服务器带来巨大压力，所以有了临时顺序节点，当一个节点挂掉，只有它后面的那一个节点才做出反映。

Zookeeper分布式锁

 

我们将锁抽象成目录，多个线程在此目录下创建瞬时的序列节点，因为Zk会为我们保证节点的序列性，所以可以利用节点的序列进行锁的判断。

首先创建序列节点进行升序排序，然后获取当前目录下最小的节点，判断最小节点是不是当前节点，如果是那么获取锁成功，如果不是那么获取锁失败。

获取锁失败的节点获取当前节点上一个顺序节点，对此节点注册监听，当节点删除的时候通知当前节点。

当unlock的时候删除节点之后会通知下一个节点。

3、ZK VS Redis 锁对比

 

4、ZK命名服务-ID生成器

zk特性：顺序节点的特性+snowflake方案

 

41-bit的时间可以表示（1L

到家采用：1+41+5+5+12 方案 即：时间+ center_id +worker_id+随机数

优点：

毫秒数在高位，自增序列在低位，整个ID都是趋势递增的。

不依赖数据库等第三方系统，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。

解决时钟问题

因为这种方案依赖时间，如果机器的时钟发生了回拨，那么就会有可能生成重复的ID号，需要解决时钟回退的问题。

 

参见上图整个启动流程图，服务启动时首先检查自己是否写过ZooKeeper leaf_forever节点：

若写过，则用自身系统时间与leaf_forever/$节点记录时间做比较，若小于leaf_forever/$时间则认为机器时间发生了大步长回拨，服务启动失败并报警。

若未写过，证明是新服务节点，直接创建持久节点leaf_forever/$并写入自身系统时间，接下来综合对比其余Leaf节点的系统时间来判断自身系统时间是否准确，具体做法是取leaf_temporary下的所有临时节点(所有运行中的Leaf-snowflake节点)的服务IP：Port，然后通过RPC请求得到所有节点的系统时间，计算sum(time)/nodeSize。

若abs( 系统时间-sum(time)/nodeSize )

否则认为本机系统时间发生大步长偏移，启动失败并报警。

每隔一段时间(3s)上报自身系统时间写入leaf_forever/$。

 

项目介绍

基于Twitter的SnowFlake算法实现的分布式ID发号器。支持手动或通过Zookeeper分配workerId。配置简单，操作简易。生成的id具备全局唯一，粗略有序，可反向解码等特性。

数据结构

毫秒级

	时间位	数据中心	工作机器	序号位
位数	41	5	5	12

• 时间41位，可以使用2^41/1000/60/60/24/365=69.73, 约可使用69年
• 数据中心5位, 可部署2^5=32个数据中心
• 工作机器5位，同一个数据中心可部署2^5=32个服务
• 序号12位，表示同一机器同一时间（毫秒)内理论上可以产生最多2^12-1=4095个ID序号

秒级

	时间位	数据中心	工作机器	序号位
位数	31	5	5	22

• 时间31位，可以使用2^31/60/60/24/365=68, 约可使用68年
• 数据中心5位, 可部署2^5=32个数据中心
• 工作机器5位，同一个数据中心可部署2^5=32个服务
• 序号22位，表示同一机器同一时间（秒)内理论上可以产生最多2^22-1=4194303个ID序号

安装

1. 在pom.xml文件中增加以下仓库

    
        iwanttomakemoney_admin
        https://gitee.com/iwanttomakemoney_admin/maven/raw/master/repository
    

引入以下依赖

    
		com.lxm
		id-generator-interface
		2.3
	
	
		com.lxm
		id-generator-core
		2.3
	

配置

基于spring boot的项目

1. 在yml或property配置文件中设置所需的参数.（此步骤非必需，若跳过此步骤将生效默认配置）
2. 在启动类上增加@EnableIdGenerator注解即可. 如

@SpringBootApplication
@EnableIdGenerator
public class DemoApplication {
	public static void main(String[] args) {
		SpringApplication.run(DemoApplication.class, args);
	}
}

使用

在需要的地方注入服务即可使用，如：

@Service
class DemoService {
    @Autowired
    private IdService idService;

    public void test() {
        // 通过自动装配提供的服务
        long id1 = idService.genId();
        // 通过单例的形式提供的服务
        long id2 = IdUtil.service().genId();
        ...
    }
}

API

// 生成id
long idService.genId();

// 批量生成id
long[] batchGenId(int count);

// 解析id
Id decode(long id);

// 手动生成id
long encode(long time, long dataCenterId, long workerId, long seq);

// 解析id中的时间戳
Date transTime(long time);

参数

属性	类型	缺省值	描述
id.zookeeper.enable	Boolean	false	是否启用Zookeeper分配workerId。 默认为false表示使用手动分配workerId；若为true则需预先准备至少一个的Zookeeper服务
id.zookeeper.serverLists	String	null	连接Zookeeper服务器的列表 包括IP地址和端口号 多个地址用逗号分隔如:host1:2181,host2:2181
id.zookeeper.digest	String	null	连接Zookeeper的权限令牌 缺省为不需要权限验证
id.zookeeper.namespace	String	"id-generator"	Zookeeper的命名空间
id.zookeeper.baseSleepTime	Integer	1000	等待重试的间隔时间的初始值 单位：毫秒
id.zookeeper.maxSleepTime	Integer	3000	等待重试的间隔时间的最大值 单位：毫秒
id.zookeeper.maxRetries	Integer	3	最大重试次数
id.zookeeper.sessionTimeout	Integer	60000	会话超时时间 单位：毫秒
id.zookeeper.connectionTimeout	Integer	15000	连接超时时间 单位：毫秒
id.type.second=false	Boolean	false	true-秒级别 false-毫秒级别
id.workerId	Integer	0	手动指定工作机器号，当id.zookeeper.enable=false有效
id.datacenterId	Integer	-1	手动指定数据中心, 若不指定则将根据mac地址自动分配一个固定的编号

 

参考：

https://www.cnblogs.com/crazymakercircle/p/10225332.html 

https://segmentfault.com/a/1190000015356486

https://blog.csdn.net/javaboy/article/details/81978286

https://cloud.tencent.com/developer/news/245438

https://gitee.com/simpleweb/id-generator