• 分布式唯一ID
  • 特点
  • 方案
• 雪花算法
  • 特点
  • 开源实现
  • 优缺点
• 替代方案
  • UUID
  • Mongdb
  • Seata
  • 数据库生成
  • Redis
• 基于美团的 Leaf分布式 ID 微服务
  • Leaf-segment 数据库方案
    双 buffer 优化 — TP999 数据波动大
    Leaf 高可用容灾 — DB 可用性
  • Leaf-snowflake 雪花方案
    弱依赖 ZooKeeper
• 解决时钟问题
  • 综合对比其余 Leaf 节点的系统时间
  • 每隔一段时间节点都会上报自身系统时间写入 ZooKeeper
  • 机器的 NTP 同步问题

特点

• 全局唯一性
• 趋势递增、单调递增
• 信息安全

方案

雪花算法

Snowflake 把 64-bit 分别划分成多段，分开来标示机器、时间等

特点：

• 第 0 位: 符号位(标识正负)，始终为 0，没有用，不用管
• 第 1~41 位 :一共 41 位，用来表示时间戳，单位是毫秒，可以支撑 2 ^41 毫秒(约 69 年)
• 第 42~52 位 :一共 10 位，一般来说，前 5 位表示机房 ID，后 5 位表 示机器 ID(实际项目中可以根据实际情况调整)，这样就可以区分不同集群/机房的节点，这样就可以表示32个IDC，每个IDC下可以有32台机器。
• 第 53~64 位 :一共 12 位，用来表示序列号。 序列号为自增值，代表单 台机器每毫秒能够产生的最大 ID 数(2^12 = 4096),也就是说单台机器每毫秒最多可以生成4096个唯一ID

理论上 snowflake 方案的 QPS 约为 409.6w/s，这种分配方式可以保证在任何 一个 IDC 的任何一台机器在任意毫秒内生成的 ID 都是不同的

基于 Snowflake 算法的开源实现

• 美团的 Leaf
• 百度的 UidGenerator(自 18 年后，UidGenerator 就基本没有再维护了， https://github.com/baidu/uid-generator/blob/master/README.zh_cn.md)

这些开源实现对原有的 Snowflake 算法进行了优化。在实际项目中，我们一般也 会对 Snowflake 算法进行改造，最常见的就是在算法生成的 ID 中加入业务类型信息

Snowflake 优缺点

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

缺点:

• 强依赖机器时钟，如果机器上时钟回拨，会导致发号重复或者服务会处于不 可用状态

替代方案

UUID

UUID.randomUUID() 形式为 8-4-4-4-12 的 36 个字符 f75d0fbf-77ce-47d0-a2b3-0a7ef4a410b2

优点：

• 性能非常高:本地生成，没有网络消耗

缺点：

• 不易于存储:UUID 太长，16 字节 128 位，通常以 36 长度的字符串表示， 很多场景不适用
• 信息不安全:基于 MAC 地址生成 UUID 的算法可能会造成 MAC 地址泄露， 这个漏洞曾被用于寻找梅丽莎病毒的制作者位置
• 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 就非常不适用:
  • MySQL官方有明确的建议主键要尽量越短越好，36个字符长度的UUID不符合要求
  • MySQL 索引不利:如果作为数据库主键，在 InnoDB 引擎下，UUID 的 无序性可能会引起数据位置频繁变动，严重影响性能。在 MySQL InnoDB 引擎中 使用的是聚集索引，由于多数 RDBMS 使用 B-tree 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

Mongdb objectID

通过“时 间+机器码+pid+inc”共 12 个字节，通过 4+3+2+3 的方式最终标识成一个 24 长度 的十六进制字符

Seata

内置了一个分布式 UUID 生成器, 用于辅助生成全局事务 ID 和分支事务 ID，我们同样可以拿来使用，完整类名为: io.seata.common.util.IdWorker

数据库生成

1. 创建一个数据库表

CREATE TABLE `sequence_id` (
`id` bigint(20) unsigned NOT NULL AUTO_INCREMENT, `stub` char(10) NOT NULL DEFAULT '',
PRIMARY KEY (`id`),
UNIQUE KEY `stub` (`stub`) comment '字段无意义，只是为了占位； 给 stub 字段创建了唯一索引，保证其 唯一性'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

2. 通过 replace into 来插入数据

BEGIN;
REPLACE INTO sequence_id (stub) VALUES ('stub'); 
SELECT LAST_INSERT_ID();
COMMIT;

replace 是 insert 的增强版，replace into 首先尝试插入数据到表中

• 如果发现 表中已经有此行数据(根据主键或者唯一索引判断)则先删除此行数据，然后插 入新的数据
• 否则，直接插入新数据

优点:

• 非常简单，利用现有数据库系统的功能实现，成本小，有 DBA 专业维护
• ID 号单调自增，存储消耗空间小

缺点:

• 支持的并发量不大
• 存在数据库单点问题(可以使用数据库集群解决，不过 增加了复杂度)
• ID 没有具体业务含义
• 安全问题(比如根据订单 ID 的递增 规律就能推算出每天的订单量，商业机密啊! )
• 每次获取 ID 都要访问一次数据库(增加了对数据库的压力，获取速度也慢)

对于 MySQL 性能问题，可用如下方案解决:

在分布式系统中我们可以多部 署几台机器，每台机器设置不同的初始值，且步长和机器数相等, 比如有两台机器。设置步长 step 为 2

• TicketServer1 的初始值为 1 (1，3，5，7，9，11…)
• TicketServer2 的初始值为 2 (2，4，6，8，10…)

缺点：

• 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
• ID 没有了单调递增的特性，只能趋势递增，这个缺点对于一般业务需求不 是很重要，可以容忍
• 数据库压力还是很大，每次获取 ID 都得读写一次数据库，只能靠堆机器来 提高性能

Redis

通过 Redis 的incr命令即可实现对 id 原子顺序递增， 为了提高可用性和并发，我们可以使用 Redis Cluster

优点：

• Redis 基于内存，我们需要持久化数据， 避免重启机器或者机器故障后数据丢失。很明显，Redis 方案性能很好并且生成 的 ID 是有序递增的

缺点：

• Redis 开启了持久化，不管是快照(snapshotting， RDB)、只追加文件(append-only file, AOF)还是 RDB 和 AOF 的混合持久化依 然存在着丢失数据的可能，那就意味着产生的 ID 存在着重复的概率

基于美团的 Leaf分布式 ID 微服务

Leaf-segment 数据库方案 — 生成趋势递增的 ID，同时 ID 号是可计算的

DB调优：
批量获取，每次获取一个 segment(step 决定大小)号段的值。用完之后再去数据 库获取新的号段，可以大大的减轻数据库的压力

业务调优：
各个业务不同的发号需求用 biz_tag 字段来区分，每个 biz-tag 的 ID 获取相互 隔离，互不影响。如果以后有性能需求需要对数据库扩容，不需要上述描述的复 杂的扩容操作，只需要对 biz_tag 分库分表就行

现在有 3 台机器，每台机器各取 1000 个

• 第一台机器是 1~1000 的号段
• 第二台机器是 1001~2000 的号段
• 第三台机器是 2001~3000 的号段

当这个号段用完时，会去加载另一个长度为 step=1000 的号段，假设另外两台号段都没有更新，这个时候第一台机器新加载的号段就应该是 3001~4000

同时数据库对应的 biz_tag 这条数据的 max_id 会从 3000 被更新成 4000

Begin
UPDATE table SET max_id=max_id+step WHERE biz_tag=xxx;
SELECT tag, max_id, step FROM table WHERE biz_tag=xxx;
Commit

优点:

• Leaf 服务可以很方便的线性扩展，性能完全能够支撑大多数业务场景
• ID 号码是趋势递增的 8byte 的 64 位数字，满足上述数据库存储的主键要求
• 容灾性高:Leaf 服务内部有号段缓存，即使 DB 宕机，短时间内 Leaf 仍能正 常对外提供服务
• 可以自定义 max_id 的大小，非常方便业务从原有的 ID 方式上迁移过来

缺点:

• ID 号码不够随机，能够泄露发号数量的信息，不太安全
• TP999 数据波动大，当号段使用完之后还是会在获取新号段时在更新数据库 的 I/O 依然会存在着等待，tg999 数据会出现偶尔的尖刺(压力瞬增)
• DB 宕机会造成整个系统不可用

双 buffer 优化 — TP999 数据波动大

希望 DB 取号段的过程能够做到无阻塞，不需要在 DB 取号段的时候 阻塞请求线程，即当号段消费到某个点时就异步的把下一个号段加载到内存中。 而不需要等到号段用尽的时候才去更新号段。这样做就可以很大程度上的降低系 统的 TP999 指标

采用双 buffer 的方式，Leaf 服务内部有两个号段缓存区 segment

• 当前号段已下发 10%时，如果下一个号段未更新，则另启一个更新线程去更新下一个号段
• 当前号段全部下发完后，如果下个号段准备好了则切换到下个号段为当前 segment 接着下发，循环往复

通常推荐 segment 长度设置为服务高峰期发号 QPS 的 600 倍(10 分钟)， 这样即使 DB 宕机，Leaf 仍能持续发号 10-20 分钟不受影响

Leaf 高可用容灾 — DB 可用性

• 采用一主两从
• 分机房部署
• Master 和 Slave 之间采用半同步方式同步数据，这种方案在一 些情况会退化成异步模式，甚至在非常极端情况下仍然会造成数据不一致的情况， 但是出现的概率非常小
• 如果要保证 100%的数据强一致，可以选择使用“类 Paxos 算法”实现的强一致 MySQL 方案

Leaf-snowflake 雪花方案

Leaf-snowflake 方案完全沿用 snowflake 方案的 bit 位设计，即是“1+41+10+12” 的方式组装 ID 号

对于 workerID 的分配，当服务集群数量较小的情况下，完全可以手动配置
Leaf 服务规模较大，动手配置成本太高。所以使用 Zookeeper 持久顺序节点的特性自动对 snowflake 节点配置 wokerID
Leaf-snowflake 是按照下 面几个步骤启动的:

1. 启动 Leaf-snowflake 服务，连接 Zookeeper，在 leaf_forever 父节点下检查自 己是否已经注册过(是否有该顺序子节点)
2. 如果有注册过直接取回自己的 workerID(zk 顺序节点生成的 int 类型 ID 号)， 启动服务
3. 如果没有注册过，就在该父节点下面创建一个持久顺序节点，创建成功后取 回顺序号当做自己的 workerID 号，启动服务

弱依赖 ZooKeeper

除了每次会去 ZK 拿数据以外，也会在本机文件系统上缓存一个 workerID 文 件。当 ZooKeeper 出现问题，恰好机器出现问题需要重启时，能保证服务能够正 常启动。这样做到了对三方组件的弱依赖。

解决时钟问题

1. 新节点通过检查综合对比其余 Leaf 节点的系统时间来判断自身系统时间 是否准确

1. 取所有运行中的 Leaf-snowflake 节点的服务 IP:Port
2. 通过 RPC 请求得到所有节点的系统时间
3. 计算 sum(time)/nodeSize
4. 本机时间与这个平均值是否在阈值之内
5. 准确正常启动服务
6. 不准确启动失败并报警

2. 在运行过程中，每隔一段时间节点都会上报自身系统时间写入 ZooKeeper

ZooKeeper 中登记过的老节点，同样会比较自身系统时间和 ZooKeeper 上本节点曾经的记录时间以及所有运行中的 Leaf-snowflake 节点的时间，不准确 同样启动失败并报警

3. 服务运行过程中，机器的 NTP 同步也会造成秒级别的回退，由于强依赖 时钟，对时间的要求比较敏感

1. 直接关闭 NTP 同步
2. 时钟回拨的时候直接不提供服务直接返回 ERROR_CODE
3. 做一层重试，然后上报报警系统，更或者是发现有时钟回拨之 后自动摘除本身节点并报警