分布式唯一ID

  • 分布式唯一ID
    • 1. 背景
    • 2. 概念
      • 2.1 什么是分布式唯一ID
      • 2.2 分布式唯一ID的特性
      • 2.3 单调递增和趋势递增
      • 2.4 设计分布式ID系统需注意的点
      • 2.5 分布式ID系统的难点
    • 3. 分布式ID生成方案
      • 3.1 UUID
        • 3.1.1 UUID概念
        • 3.1.2 UUID优缺点
        • 3.1.3 Java生成UUID
      • 3.2 数据库自增
        • 3.2.1 概念
        • 3.2.2 优缺点
        • 3.2.3 MySQL设置自增的方式
      • 3.3 数据库集群模式
        • 3.3.1 原理
        • 3.3.2 优缺点
        • 3.3.3 MySQL设置起始值和步长的方法
      • 3.4 数据库号段模式
        • 3.4.1 原理
        • 3.4.2 优缺点
        • 3.4.3 实现
          • 3.4.3.1 乐观锁实现
          • 3.4.3.2 悲观锁实现
      • 3.5 Redis/Zookeeper
        • 3.5.1 Redis方式原理
          • 3.5.1.1 强依赖redis方案
          • 3.5.1.2 弱依赖redis方案
        • 3.5.2 优缺点
        • 3.5.3 实现(redis自增模式的实现)
      • 3.6 雪花算法
        • 3.6.1 原理
        • 3.6.2 优缺点
        • 3.6.3 实现
      • 3.7 美团Leaf算法
      • 3.8 百度uid-generator
      • 3.9 TinyId
    • 4 分布式ID生成方案总结
    • 5 参考资料

分布式唯一ID

1. 背景

我们在设计和实现互联网系统时,往往需要使用到唯一ID。唯一ID标识唯一的一条业务请求,如在电商系统中,ID表示系统中唯一的一个订单,支付系统中表示唯一的一条交易请求。在单机应用中,唯一ID的生成是比较简单的,我们只需保证ID在单机上面是唯一的即可;但目前互联网应用多为微服务应用,同时随着业务的逐渐增长,必须对业务进行分库分表,而且业务应用往往是多实例部署的,这就要求ID在多个微服务应用和多个应用实例之间是唯一。目前业界有很多成熟的唯一ID生成方案,下面我们来看下这些分布式唯一的ID生成方案。

2. 概念

2.1 什么是分布式唯一ID

分布式唯一ID, 应该拆开来解释:

  • 唯一ID: 顾名思义, 这个就不用多解释了
  • 分布式: 分布式对应的是单机应用, 单机应用中唯一ID即是唯一ID,而分库分表应用中多实例之间, 各微服务应用之间全局唯一的ID即是分布式式唯一ID

2.2 分布式唯一ID的特性

  • 全局唯一:唯一ID,顾名思义;
  • 高性能:ID生成的性能要高,否则会影响业务系统的性能;
  • 高可用:ID生成服务要是高可用的,否则一旦出现不可用则会影响业务系统的可用性;
  • 递增;尽量保证是递增的,因为业务系统可能需要根据ID进行排序,分为单调递增和趋势递增;
  • 长度:长度尽可能的短;
  • 侵入性小:尽量做到对业务系统无侵入。

此外,根据业务的不同,还可能要存在其他特性:

  • 时间:有的ID中需要包含时间戳;
  • 业务含义:这个要看具体的业务需求。

2.3 单调递增和趋势递增

  • 单调递增:ID是严格递增的,后面的请求ID一定比之前的请求的ID大;
  • 趋势递增:ID的整体趋势是递增的,不过存在后面的请求的ID比之前的请求ID小的情况。比如这样的ID生成方案:考虑这样的一个场景,2个实例的业务应用,实例1缓存0-1000的ID在进程中,实例2缓存1001-2000的ID在进程中,请求1先请求实例2(随机负载均衡),ID为1001,然后1分钟后请求2请求实例1,ID为0,即出现后面的请求的ID比之前的请求的ID小的情况,但是ID分配的整体趋势是递增的。

2.4 设计分布式ID系统需注意的点

  • 时钟回退:如果ID中包含时间戳信息,需考虑时钟回退的场景,如果出现时钟回退则可能出现重复ID;
  • 多线程问题:ID生成往往是在多线程的环境下的,因此需要注意多线程问题;
  • 数据库性能:有些ID生成算法依赖数据库中的记录,需要考虑数据库的性能问题以及多线程引发的数据库锁问题

2.5 分布式ID系统的难点

  • ID长度尽可能的短:我们的ID大多数是需要在数据库中存储的,越长的ID占用的空间越多;如果使用该ID作为MySQL的主键,主键也是要求尽可能的短的,所以ID长度要尽可能的短。随之而来的问题是,越短的ID,其中包含的信息越少(信息熵越小),冲突的可能性就越大;
  • 多线程问题:多实例之间,同一实例之间的线程都会抢ID,因此必须注意多线程问题,解决方法大部分是加锁,如果线程之间竞争严重,则严重形象性能。

3. 分布式ID生成方案

3.1 UUID

3.1.1 UUID概念

UUID(universally unique identifier)是一串随机的32位长度的数据,每一位是16进制表示,所以总计能够表示2^128的数字

据统计若每纳秒产生1百万个 UUID,要花100亿年才会将所有 UUID 用完

UUID的生成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为16进制的32字节长度,中间以-相连,形式为8-4-4-4-12,所以说长度也可以是36,不过使用时一般不包含-,UUID的形式如下:

ef56e7fd-225b-44b8-b96d-4591bde0945b
********-****-M***-N***-************

上面的以数字M开头的四位表示UUID 版本,目前UUID的规范有5个版本,M可选值为1, 2, 3, 4, 5 ;各个版本的具体介绍如下所示:

  • version 1:0001。基于时间和 MAC 地址。由于使用了 MAC 地址,因此能够确保唯一性,但是同时也暴露了 MAC 地址,私密性不够好。
  • version 2:0010。DCE 安全的 UUID。该版本在规范中并没有仔细说明,因此并没有具体的实现。
  • version 3:0011。基于名字空间 (MD5)。用户指定一个名字空间和一个字符串,通过 MD5 散列,生成 UUID。字符串本身需要是唯一的。
  • version 4:0100。基于随机数。虽然是基于随机数,但是重复的可能性可以忽略不计,因此该版本也是被经常使用的版本。
  • version 5:0101。基于名字空间 (SHA1)。跟 Version 3 类似,但是散列函数编程了 SHA1。

上面以数字N开头的四个位表示 UUID 变体( variant ),变体是为了能兼容过去的 UUID,以及应对未来的变化,目前已知的变体有如下几种,因为目前正在使用的 UUID 都是 variant1,所以取值只能是 8,9,a,b 中的一个(分别对应1000,1001,1010,1011)。

  • variant 0:0xxx。为了向后兼容预留。
  • variant 1:10xx。当前正在使用的。
  • variant 2:11xx。为早期微软 GUID 预留。
  • variant 3:111x。为将来扩展预留。目前暂未使用。

3.1.2 UUID优缺点

优点

  • 无需网络,单机即可生成
  • 速度快
  • 生成简单,有内置的函数库可直接实现
  • 没有业务含义,随机性较好,保密性强(业务层保密,有些版本的UUID可泄露IP或者MAC地址)
  • 机器生成,可保证唯一,讲道理不会重复,但是也存在重复的概率(很低)

缺点

  • 没有业务含义,如果ID中需要业务含义则不适用UUID
  • 太长了,32位长度
  • 无序,可读性差
  • 有些版本的UUID可泄露IP或者MAC地址

3.1.3 Java生成UUID

Java内置了java.util.UUID类,其中内置了四种版本的UUID生成策略,包括基于时间和MAC地址的、DCE 安全的UUID、基于名字空间(MD5)和基于随机数的:

There are four different basic types of UUIDs: time-based, DCE
security, name-based, and randomly generated UUIDs. These types have a
version value of 1, 2, 3 and 4, respectively.

比较常用的即是基于随机数的UUID生成,下面是Java的使用方法

    UUID.randomUUID().toString();

3.2 数据库自增

3.2.1 概念

使用数据库的id自增策略,比如Mysql的auto_increment

3.2.2 优缺点

优点

  • ID单调递增,对业务友好,利于分页和排序;
  • 简单,代码中无需设置,只需要在建表时设置主机递增即可;

缺点

  • 强依赖数据库, 性能存在瓶颈
  • 单库时使用方便,分库分表后就难受了
  • 难以扩展
  • 只能主库生成,单点故障了就gg了
  • 数据库语法不同,迁移时需要考虑
  • 容易泄密,比如订单号是递增的,那么可以猜到别人的订单号

3.2.3 MySQL设置自增的方式

只需设置主键自增即可,如下面的建表语句

CREATE TABLE `user` (
  `id` bigint unsigned NOT NULL AUTO_INCREMENT COMMENT 'id',
  `name` varchar(64) NOT NULL COMMENT '名字',
  `nick_name` varchar(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL COMMENT '昵称',
  `create_time` datetime NOT NULL COMMENT '创建时间',
  `update_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_general_ci;

3.3 数据库集群模式

3.3.1 原理

数据库自增模式生成的唯一ID,当遇到分库分表场景时, ID则无法解决ID重复的问题,而且ID依赖于数据库,无法满足业务系统高并发以及高可用的需求.一种解决方案是使用数据库多主模式,也即数据库集群中每个实例都可以生成ID, 并且设置自增ID的起始值和步长

其原理图如下:

分布式唯一ID_第1张图片

3.3.2 优缺点

优点

  • 解决数据库自增模式下的单点故障问题以及性能问题
  • 设置同样简单,只比数据库自增模式复杂一些
  • ID趋势自增,在同一数据库中是严格递增的

缺点

  • 不利于后续扩容: 当我们在开始时设置步长为4时,这样每台数据库实例生成的ID如上图所示(图中下面方框中),但是随着业务增长,如果需要水平扩展数据库,即再增加一个数据库实例,这种情况下需将第5台实例的步长设置为5,第5台实例的起始位置要大于前4台实例中ID的最大值(预留部分,防止此段时间前4个实例中ID超过该值), 并且将前4台实例的步长修改为5. 而且还存在停机修改的可能性; 一种解决方案是初始时预留足够的步长,比如初始时有4台实例,但是设置步长可以为8,后续可水平扩展(当然缺点是单个实例ID耗尽速度*2)
  • 强依赖数据库,同样存在性能问题. 如果是水平切分,如根据用户ID分库分表,那么某个分库挂了同样会影响可用性

3.3.3 MySQL设置起始值和步长的方法

实例1:

set @@auto_increment_offset = 1;     -- 起始值
set @@auto_increment_increment = 6;  -- 步长

实例2:

set @@auto_increment_offset = 2;     -- 起始值
set @@auto_increment_increment = 6;  -- 步长

实例3:

set @@auto_increment_offset = 3;     -- 起始值
set @@auto_increment_increment = 6;  -- 步长

实例4:

set @@auto_increment_offset = 4;     -- 起始值
set @@auto_increment_increment = 6;  -- 步长

3.4 数据库号段模式

3.4.1 原理

数据和本地缓存相结合的方式, 每个实例首先从数据库中取出一个ID的生成范围,然后需要使用时采用线程安全的方式从本地缓存的ID范围中取出即可,等实例内缓存的ID耗尽时再从数据库中取出一个ID生成范围

分布式唯一ID_第2张图片

3.4.2 优缺点

优点

  • 弱依赖数据库,每次从数据库中取出一个ID范围,提高了可用性和ID生成的性能. 即使生成ID的数据库挂了,实例中缓存的ID也能撑一段,而这段时间已经足够数据库恢复了(ID数据库和业务数据库是同一个数据库的话,就没用了)
  • ID趋势递增

缺点

  • 实例挂了, 则缓存的号段就丢失了
  • 应用自身需保证线程安全, 可以采用AtomicLong的方式来保证
  • 如果在号段耗尽后再去数据库取新的号段, 如果并发较高, 那么取号段的操作也会出现竞争严重的场景, 导致数据库压力较大, 一种解决方案是采用双buffer的方案, 即当第一个号段buffer1耗尽10%的时候, 开启一个线程取数据库中取号段缓存到另外一个buffer2中, 当第一个buffer1耗尽后能够立即切换到buffer2中;
  • 不够随机, 订单场景不适用, 如果每天中午12点下单, 订单号相减能够大致推断出一天的订单量.

3.4.3 实现

号段模式可以有悲观锁和乐观锁两种实现, 这里我觉得两种方式都可以, 因为该唯一ID的生成方式就说明不会频繁的读写数据库,所以数据库的锁竞争不会很大, 乐观锁和悲观锁方式都可以应该都可以满足需求, 不过使用时还是需要按照具体的业务来设计.

3.4.3.1 乐观锁实现
CREATE TABLE id_generator (
  id int(10) NOT NULL,
  max_id bigint(20) NOT NULL COMMENT '当前最大id',
  step int(20) NOT NULL COMMENT '号段的步长',
  biz_type	int(20) NOT NULL COMMENT '业务类型',
  version int(20) NOT NULL COMMENT '版本号',
  PRIMARY KEY (`id`)
) 

实例取ID的步骤:

  1. 从数据库中获取当前最大ID, SQL为: select max_id, step, version from id_generator where biz_type = ‘**********’;
  2. 实例中设置ID范围范围为[max_id, max_id + step]
  3. 更新数据库中记录, SQL为: update table id_generator set max_id = max_id + step +1, version = version + 1 where biz_type = ‘**********’ and version = version(第一步中取出的);
  4. 如果第三步更新失败, 则说明发生冲突, 从第一步开始重试, 直到第三步成功;
3.4.3.2 悲观锁实现
CREATE TABLE id_generator (
  id int(10) NOT NULL,
  max_id bigint(20) NOT NULL COMMENT '当前最大id',
  step int(20) NOT NULL COMMENT '号段的步长',
  biz_type	int(20) NOT NULL COMMENT '业务类型',
  version int(20) NOT NULL COMMENT '版本号',
  PRIMARY KEY (`id`)
) 

实例取ID的步骤:

  1. 开启事务;
  2. 从数据库中获取当前最大ID, SQL为: select max_id, step from id_generator where biz_type = ‘**********’ for update;
  3. 实例中设置ID范围范围为[max_id, max_id + step]
  4. 更新数据库中记录, SQL为: update table id_generator set max_id = max_id + step +1, version = version + 1 where biz_type = ‘**********’;
  5. 提交事务

3.5 Redis/Zookeeper

采用中间件的方式, Redis和Zookeeper都可以实现, 不过Zookeeper我很少使用,这里不再讨论,其原理和Redis方式基本相同

3.5.1 Redis方式原理

3.5.1.1 强依赖redis方案

利用redis的 incr命令实现ID的原子性自增。

127.0.0.1:6379> set seq_id 1     // 初始化自增ID为1
OK
127.0.0.1:6379> incr seq_id      // 增加1,并返回递增后的数值
(integer) 2
3.5.1.2 弱依赖redis方案

原理和数据库号段模式类似, redis中自增的是号段的起始值, 实例内缓存一个ID范围, 这里不再赘述.

3.5.2 优缺点

优点

  • 实现简单
  • 性能比数据库自增ID的方式要高

缺点

  • 依赖redis, 系统需要引入中间件,增加了运维等成本;
  • redis需考虑持久化, redis有两种持久化方式RDB和AOF. RDB会定时打一个快照进行持久化,假如连续自增但redis没及时持久化,而这会Redis挂掉了,重启Redis后会出现ID重复的情况; AOF会对每条写命令进行持久化,即使Redis挂掉了也不会出现ID重复的情况,但由于incr命令的特殊性,会导致Redis重启恢复的数据时间过长。

3.5.3 实现(redis自增模式的实现)

先设置RedisTemplate:

    @Bean
	public RedisTemplate getDefaultRedisTemplate(RedisConnectionFactory cf, RedisSerializer rs) {
		RedisTemplate redisTemplate = new RedisTemplate();
		redisTemplate.setConnectionFactory(cf);
		redisTemplate.setDefaultSerializer(rs);
		redisTemplate.setKeySerializer(new StringRedisSerializer());
		return redisTemplate;
	}

接下来实现ID生成逻辑:

    public long generate(String key,int increment) {
		RedisAtomicLong counter = new RedisAtomicLong(key, mRedisTemp.getConnectionFactory());
		return counter.addAndGet(increment);
	}

3.6 雪花算法

Twitter公司开源的一种算法, 全局唯一并且趋势递增

3.6.1 原理

分布式唯一ID_第3张图片

雪花算法生成的是8字节64bit长度的数字(long类型), 能够保证趋势递增的ID生成, 而且生成效率极高

雪花算法组成

  • 第1位: 占用1bit,其值始终是0,保证生成的ID是正数;
  • 第2- 42位: 时间戳, 占用41bit,精确到毫秒,总共可以容纳约69年的时间;
  • 第43-52位: 工作机器id, 占用10bit,其中高位5bit是数据中心ID,低位5bit是工作节点ID,做多可以容纳1024个节点;
  • 第53-64位:序列号,占用12bit,每个节点每毫秒0开始不断累加,最多可以累加到4095,一共可以产生4096个ID。

SnowFlake算法在同一毫秒内最多可以生成的ID数量为: 1024 * 4096 = 4194304

3.6.2 优缺点

优点

  • 基于时间戳,可以保证基本有序递增
  • 不依赖第三方的库或者中间件, 在实例上生成, 可以保证高可用
  • 生成效率极高, 满足高性能的要求

缺点

  • 依赖机器时间, 如果发生时钟回退, ID可能重复

3.6.3 实现

/**
 * 雪花算法
 *
 * @author Young
 * @Date 2021-05-22 17:04
 */
public class SnowflakeIdGenerator {

    /**
     * 开始时间截 (这个用自己业务系统上线的时间)
     */
    private static final long START_TIMESTAMP = 1575365018000L;

    /**
     * 机器id所占的位数
     */
    private static final long WORKER_ID_BITS_LENGTH = 10L;

    /**
     * 支持的最大机器id,结果是31 (这个移位算法可以很快的计算出几位二进制数所能表示的最大十进制数)
     */
    private static final long MAX_WORKER_ID = -1L ^ (-1L << WORKER_ID_BITS_LENGTH);

    /**
     * 序列在id中占的位数
     */
    private static final long SEQUENCE_BITS_LENGTH = 12L;

    /**
     * 机器ID向左移12位
     */
    private static final long WORKER_ID_SHIFT_LENGTH = SEQUENCE_BITS_LENGTH;

    /**
     * 时间截向左移22位(10+12)
     */
    private static final long TIMESTAMP_LEFT_SHIFT_LENGTH = SEQUENCE_BITS_LENGTH + WORKER_ID_BITS_LENGTH;

    /**
     * 生成序列的掩码,这里为4095 (0b111111111111=0xfff=4095)
     */
    private static final long SEQUENCE_MASK = -1L ^ (-1L << SEQUENCE_BITS_LENGTH);

    /**
     * 工作机器ID(0~1024)
     */
    private long workerId;

    /**
     * 毫秒内序列(0~4095)
     */
    private long sequence = 0L;

    /**
     * 上次生成ID的时间截
     */
    private long lastTimestamp = -1L;


    /**
     * 构造函数
     *
     * @param workerId 工作ID (0~1024)
     */
    public SnowflakeIdGenerator(long workerId) {
        if (workerId > MAX_WORKER_ID || workerId < 0) {
            throw new IllegalArgumentException(String.format("workerId can't be greater than %d or less than 0", MAX_WORKER_ID));
        }
        this.workerId = workerId;
    }

    // ==============================Methods==========================================

    /**
     * 获得下一个ID (该方法是线程安全的)
     *
     * @return SnowflakeId
     */
    public synchronized long nextId() {
        long timestamp = currentTimestampMillis();

        // 时钟回退处理, 时钟回退一般是10ms内
        if (timestamp < lastTimestamp) {
            // 如果当前时间小于上一次ID生成的时间戳,说明系统时钟回退过, 这个时候取上次时间戳作为当前时间
            timestamp = lastTimestamp;
        }

        if (lastTimestamp == timestamp) {
            // 如果是同一时间生成的,则进行毫秒内序列
            sequence = (sequence + 1) & SEQUENCE_MASK;
            // 毫秒内序列溢出
            if (sequence == 0) {
                // 阻塞到下一个毫秒,获得新的时间戳
                timestamp = nextTimestampMillis(lastTimestamp);
            }
        } else {
            //时间戳改变,毫秒内序列重置
            sequence = 0L;
        }
        // 更新上次生成ID的时间截
        lastTimestamp = timestamp;

        //移位并通过或运算拼到一起组成64位的ID
        return ((timestamp - START_TIMESTAMP) << TIMESTAMP_LEFT_SHIFT_LENGTH)
                | (workerId << WORKER_ID_SHIFT_LENGTH)
                | sequence;
    }

    /**
     * 阻塞到下一个毫秒,直到获得新的时间戳
     *
     * @param lastTimestamp 上次生成ID的时间截
     * @return 当前时间戳
     */
    private long nextTimestampMillis(long lastTimestamp) {
        long timestamp = currentTimestampMillis();
        while (timestamp <= lastTimestamp) {
            timestamp = currentTimestampMillis();
        }
        return timestamp;
    }

    /**
     * 返回以毫秒为单位的当前时间
     *
     * @return 当前时间(毫秒)
     */
    private long currentTimestampMillis() {
        return System.currentTimeMillis();
    }

}

3.7 美团Leaf算法

推荐原系统的设计和开发者写的Leaf——美团点评分布式ID生成系统, 已经非常详细了, 小的就不再班门弄斧了

另外这篇也值得一看 Leaf:美团的分布式唯一ID方案深入剖析

美团Leaf算法有两种模式:

  • segment模式: 即数据库号段模式, 优缺点在上文已经讨论过了;
  • snowflake模式: 其主要有以下几点优化
    • 解决时钟回退问题: 周期性上传实例时间戳到zookeeper中, 生成ID时获取的时间戳会与Zookeeper的时间戳比较, 但是并没有完全解决问题, 如果时钟回退超过5ms还是会抛出异常;
    • 弱依赖zookeeper, 采用zookeeper持久化节点信息(即雪花算法中的实例节点信息), 但是引入zookeepery也是需要成本的

3.8 百度uid-generator

  • UidGenerator
  • UidGenerator:百度开源的分布式ID服务(解决了时钟回拨问题)
  • 百度开源分布式id生成器uid-generator源码剖析

百度uid-generator也是类snowflake算法, 其主要特点有:

  • 调整雪花算法的位数, 机器节点数增大
  • 弱依赖时间戳, 采用当前时间(秒)和系统上线时间的差值
  • 加入缓存机制, 更高的性能
  • 实例信息从数据库中获取, 每次重启实例序号 + 1

3.9 TinyId

TinyId
滴滴开源的Tinyid如何每天生成亿级别的ID?

  • Tinyid是用Java开发的一款分布式id生成系统,基于数据库号段算法实现, 简单来说是数据库中保存了可用的id号段,tinyid会将可用号段加载到内存中,之后生成id会直接内存中产生。
  • 可用号段在第一次获取id时加载,如当前号段使用达到一定量时,会异步加载下一可用号段,保证内存中始终有可用号段。(如可用号段11000被加载到内存,则获取id时,会从1开始递增获取,当使用到一定百分比时,如20%(默认),即200时,会异步加载下一可用号段到内存,假设新加载的号段是10012000,则此时内存中可用号段为2001000,10012000),当id递增到1000时,当前号段使用完毕,下一号段会替换为当前号段。依次类推。

分布式唯一ID_第4张图片

TinyId的主要特点有:

  • 采用数据库号段模式
  • 使用了双缓存的逻辑
  • 多DB支持(数据库集群模式)

4 分布式ID生成方案总结

  • 分布式ID生成方案大致分为2种, 一是基于数据库或者redis的生成方案, 二是类雪花算法生成方案
  • 雪花算法生成方案中, 存在时钟回退问题, 时钟回退的问题可以使用记录下上次生成的时间戳(引入数据库或者中间件), 当生成ID时对比下当前时间和记录的时间戳, 如果发生时钟回退,那么抛出异常或者将阻塞等待.
  • 数据库或者redis的生成方案中, 存在难以扩展和数据库性能问题, 衍生出数据库集群模式的方案和号段模式的方案, 号段模式为了防止耗尽时的高并发, 一般采用双缓存的解决方案.

5 参考资料

  • 分布式ID之UUID适合做分布式ID吗
  • UUID/GUID介绍、生成规则及生成代码
  • 分布式唯一 ID 生成方案,有点全!
  • 分布式唯一ID生成方案
  • 一口气说出9种分布式ID生成方式,面试官有点懵了
  • 这可能是讲雪花算法最全的文章
  • 分布式ID神器之雪花算法简介
  • Leaf——美团点评分布式ID生成系统
  • UidGenerator
  • UidGenerator:百度开源的分布式ID服务(解决了时钟回拨问题)
  • 百度开源分布式id生成器uid-generator源码剖析
  • TinyId
  • 滴滴开源的Tinyid如何每天生成亿级别的ID?

你可能感兴趣的:(java,java,分布式唯一id)