1.背景
在我們的業務需求中通常有需要一些唯一的ID，來記錄我們某個數據的標識:
- 某個用戶的ID
- 某個訂單的單號
- 某個信息的ID
通常我們會調研各種各樣的生成策略，根據不同的業務，採取最合適的策略，下面我會討論一下各種策略/算法，以及他們的一些優劣點。
2.UUID
UUID是通用唯一識別碼（Universally Unique Identifier)的縮寫，開放軟體基金會(OSF)規範定義了包括網卡MAC地址、時間戳、名字空間（Namespace）、隨機或偽隨機數、時序等元素。利用這些元素來生成UUID。
UUID是由128位二進位組成，一般轉換成十六進位，然後用String表示。在java中有個UUID類,在他的注釋中我們看見這裡有4種不同的UUID的生成策略:
- randomly: 基於隨機數生成UUID，由於Java中的隨機數是偽隨機數，其重複的機率是可以被計算出來的。這個一般我們用下面的代碼獲取基於隨機數的UUID:
- time-based:基於時間的UUID,這個一般是通過當前時間，隨機數，和本地Mac地址來計算出來，自帶的JDK包並沒有這個算法的我們在一些UUIDUtil中，比如我們的log4j.core.util，會重新定義UUID的高位和低位。
- DCE security:DCE安全的UUID。
- name-based：基於名字的UUID，通過計算名字和名字空間的MD5來計算UUID。
UUID的優點:
- 通過本地生成，沒有經過網絡I/O，性能較快
- 無序，無法預測他的生成順序。(當然這個也是他的缺點之一)
UUID的缺點:
- 128位二進位一般轉換成36位的16進位，太長了只能用String存儲，空間占用較多。
- 不能生成遞增有序的數字
適用場景:UUID的適用場景可以為不擔心過多的空間占用，以及不需要生成有遞增趨勢的數字。在Log4j裡面他在UuidPatternConverter中加入了UUID來標識每一條日誌。
3.資料庫主鍵自增
大家對於唯一標識最容易想到的就是主鍵自增，這個也是我們最常用的方法。例如我們有個訂單服務，那麼把訂單id設置為主鍵自增即可。
優點:
- 簡單方便，有序遞增，方便排序和分頁
缺點:
- 分庫分表會帶來問題，需要進行改造。
- 並發性能不高，受限於資料庫的性能。
- 簡單遞增容易被其他人猜測利用，比如你有一個用戶服務用的遞增，那麼其他人可以根據分析註冊的用戶ID來得到當天你的服務有多少人註冊，從而就能猜測出你這個服務當前的一個大概狀況。
- 資料庫宕機服務不可用。
適用場景:
根據上面可以總結出來，當數據量不多，並發性能不高的時候這個很適合，比如一些to B的業務，商家註冊這些，商家註冊和用戶註冊不是一個數量級的，所以可以資料庫主鍵遞增。如果對順序遞增強依賴，那麼也可以使用資料庫主鍵自增。
4.Redis
熟悉Redis的同學，應該知道在Redis中有兩個命令Incr，IncrBy,因為Redis是單線程的所以能保證原子性。
優點：
- 性能比資料庫好，能滿足有序遞增。
缺點：
- 由於redis是內存的KV資料庫，即使有AOF和RDB，但是依然會存在數據丟失，有可能會造成ID重複。
- 依賴於redis，redis要是不穩定，會影響ID生成。
適用：由於其性能比資料庫好，但是有可能會出現ID重複和不穩定，這一塊如果可以接受那麼就可以使用。也適用於到了某個時間，比如每天都刷新ID，那麼這個ID就需要重置，通過(Incr Today)，每天都會從0開始加。
5.Zookeeper
利用ZK的Znode數據版本如下面的代碼，每次都不獲取期望版本號也就是每次都會成功，那麼每次都會返回最新的版本號。
Zookeeper這個方案用得較少，嚴重依賴Zookeeper集群，並且性能不是很高，所以不予推薦。
6.資料庫分段+服務緩存ID
這個方法在美團的Leaf中有介紹，詳情可以參考美團技術團隊的發布的技術文章:Leaf——美團點評分布式ID生成系統,這個方案是將資料庫主鍵自增進行優化。
biz_tag代表每個不同的業務，max_id代表每個業務設置的大小，step代表每個proxyServer緩存的步長。
之前我們的每個服務都訪問的是資料庫，現在不需要，每個服務直接和我們的ProxyServer做交互，減少了對資料庫的依賴。我們的每個ProxyServer回去資料庫中拿出步長的長度，比如server1拿到了1-1000,server2拿到來 1001-2000。如果用完會再次去資料庫中拿。
優點:
- 比主鍵遞增性能高，能保證趨勢遞增。
- 如果DB宕機，proxServer由於有緩存依然可以堅持一段時間。
缺點:
- 和主鍵遞增一樣，容易被人猜測。
- DB宕機，雖然能支撐一段時間但是仍然會造成系統不可用。
適用場景:需要趨勢遞增，並且ID大小可控制的，可以使用這套方案。
當然這個方案也可以通過一些手段避免被人猜測，把ID變成是無序的，比如把我們生成的數據是一個遞增的long型，把這個Long分成幾個部分，比如可以分成幾組三位數，幾組四位數，然後在建立一個映射表，將我們的數據變成無序。
7.雪花算法-Snowflake
Snowflake是Twitter提出來的一個算法，其目的是生成一個64bit的整數:
- 1bit:一般是符號位，不做處理
- 41bit:用來記錄時間戳，這裡可以記錄69年，如果設置好起始時間比如今年是2018年，那麼可以用到2089年，到時候怎麼辦？要是這個系統能用69年，我相信這個系統早都重構了好多次了。
- 10bit:10bit用來記錄機器ID，總共可以記錄1024台機器，一般用前5位代表數據中心，後面5位是某個數據中心的機器ID
- 12bit:循環位，用來對同一個毫秒之內產生不同的ID，12位可以最多記錄4095個，也就是在同一個機器同一毫秒最多記錄4095個，多餘的需要進行等待下毫秒。
上面只是一個將64bit劃分的標準，當然也不一定這麼做，可以根據不同業務的具體場景來劃分，比如下面給出一個業務場景：
- 服務目前QPS10萬，預計幾年之內會發展到百萬。
- 當前機器三地部署，上海，北京，深圳都有。
- 當前機器10台左右，預計未來會增加至百台。
這個時候我們根據上面的場景可以再次合理的劃分62bit,QPS幾年之內會發展到百萬，那麼每毫秒就是千級的請求，目前10台機器那麼每台機器承擔百級的請求，為了保證擴展，後面的循環位可以限制到1024，也就是2^10，那麼循環位10位就足夠了。
機器三地部署我們可以用3bit總共8來表示機房位置，當前的機器10台，為了保證擴展到百台那麼可以用7bit 128來表示，時間位依然是41bit,那麼還剩下64-10-3-7-41-1 = 2bit,還剩下2bit可以用來進行擴展。
適用場景:當我們需要無序不能被猜測的ID，並且需要一定高性能，且需要long型，那麼就可以使用我們雪花算法。比如常見的訂單ID，用雪花算法別人就發猜測你每天的訂單量是多少。
7.1一個簡單的Snowflake
public class IdWorker{ private long workerId; private long datacenterId; private long sequence = 0; /** * 2018/9/29日，從此時開始計算，可以用到2089年 */ private long twepoch = 1538211907857L; private long workerIdBits = 5L; private long datacenterIdBits = 5L; private long sequenceBits = 12L; private long workerIdShift = sequenceBits; private long datacenterIdShift=sequenceBits + workerIdBits; private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; // 得到0000000000000000000000000000000000000000000000000000111111111111 private long sequenceMask = -1L ^ (-1L << sequenceBits); private long lastTimestamp = -1L; public IdWorker(long workerId, long datacenterId){ this.workerId = workerId; this.datacenterId = datacenterId; } public synchronized long nextId() { long timestamp = timeGen(); //時間回撥，拋出異常 if (timestamp < lastTimestamp) { System.err.printf("clock is moving backwards. Rejecting requests until %d.", lastTimestamp); throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp)); } if (lastTimestamp == timestamp) { sequence = (sequence + 1) & sequenceMask; if (sequence == 0) { timestamp = tilNextMillis(lastTimestamp); } } else { sequence = 0; } lastTimestamp = timestamp; return ((timestamp - twepoch) << timestampLeftShift) | (datacenterId << datacenterIdShift) | (workerId << workerIdShift) | sequence; } /** * 當前ms已經滿了 * @param lastTimestamp * @return */ private long tilNextMillis(long lastTimestamp) { long timestamp = timeGen(); while (timestamp <= lastTimestamp) { timestamp = timeGen(); } return timestamp; } private long timeGen(){ return System.currentTimeMillis(); } public static void main(String[] args) { IdWorker worker = new IdWorker(1,1); for (int i = 0; i < 30; i++) { System.out.println(worker.nextId()); } }}
上面定義了雪花算法的實現，在nextId中是我們生成雪花算法的關鍵。
7.2防止時鐘回撥
因為機器的原因會發生時間回撥，我們的雪花算法是強依賴我們的時間的，如果時間發生回撥，有可能會生成重複的ID，在我們上面的nextId中我們用當前時間和上一次的時間進行判斷，如果當前時間小於上一次的時間那麼肯定是發生了回撥，普通的算法會直接拋出異常,這裡我們可以對其進行優化,一般分為兩個情況:
- 如果時間回撥時間較短，比如配置5ms以內，那麼可以直接等待一定的時間，讓機器的時間追上來。
- 如果時間的回撥時間較長，我們不能接受這麼長的阻塞等待，那麼又有兩個策略:
- 直接拒絕，拋出異常，打日誌，通知RD時鐘回滾。
- 利用擴展位，上面我們討論過不同業務場景位數可能用不到那麼多，那麼我們可以把擴展位數利用起來了，比如當這個時間回撥比較長的時候，我們可以不需要等待，直接在擴展位加1。2位的擴展位允許我們有3次大的時鐘回撥，一般來說就夠了，如果其超過三次我們還是選擇拋出異常，打日誌。
通過上面的幾種策略可以比較的防護我們的時鐘回撥，防止出現回撥之後大量的異常出現。下面是修改之後的代碼，這裡修改了時鐘回撥的邏輯:
最後
本文分析了各種生產分布式ID的算法的原理，以及他們的適用場景，相信你已經能為自己的項目選擇好一個合適的分布式ID生成策略了。沒有一個策略是完美的，只有適合自己的才是最好的。