文章目录

  • 一、分布式ID
  • 1、分布式ID的特点：
  • 2、分布式ID生成方案：
  • 3、几种方案优缺点：
  • 二、雪花算法
  • 1、概念
  • 2、组成结构
  • 3、优缺点
  • 4、java源码


一、分布式ID

1、分布式ID的特点：

  • 全局唯一性：不能出现有重复的ID标识，这是基本要求。
  • 递增性：确保生成ID对于用户或业务是递增的。
  • 高可用性：确保任何时候都能生成正确的ID。
  • 高性能性：在高并发的环境下依然表现良好。

2、分布式ID生成方案：

在分布式系统中生成唯一ID的方案有很多，常见的方式大概有以下三种：

  • 依赖数据库，使用如MySQL自增列或Oracle序列等。
  • UUID随机数
  • snowflake雪花算法

3、几种方案优缺点：

UUID：Java自带的生成一串唯一随机36位字符串，可以保证唯一性，但是采用无意义字符串，无法有序递增，且数据量大时查询效率比较低。

采用数据库自增序列： 读写分离时，只有主节点可以进行写操作，可能有单点故障的风险， 分表分库，数据迁移合并等比较麻烦。

雪花算法：它是Twitter开源的由64位整数组成分布式ID，纯数字且具有时间顺序的，性能较高，容量大，每秒中能生成数百万的自增ID。

Leaf：Leaf是美团开源的分布式ID生成器，能保证全局唯一，趋势递增，但需要依赖关系数据库、Zookeeper等中间件。

接下来聊一聊性能高，容量大，较常用的雪花算法。

二、雪花算法

1、概念

SnowFlake 算法，是 Twitter 开源的分布式 id 生成算法。生成id的结果是一个64bit大小t的 long 型的整数。

由于在Java中64bit的整数是long类型，所以在Java中SnowFlake算法生成的id就是long来存储的。

2、组成结构

SnowFlake 算法结构如下：大致分为了无效位、时间位、机器位和序列号位。

mysql 仿雪花算法 雪花算法和uuid的优缺点_时间戳

  • 1）第一位 占用1bit，其值始终是0，没有实际作用（因为二进制中最高位是符号位，1表示负数，0表示正数。生成的id一般都是用整数，所以最高位固定为0）。
  • 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，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。
  • 4）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。

所以：SnowFlake算法在同一毫秒内最多可以生成多少个全局唯一ID呢？
同一毫秒的ID数量 = 1024 X 4096 = 4194304

3、优缺点

SnowFlake算法优点：是全局唯一、自增、有序、纯数字组成查询效率高且不依赖于数据库。适合在分布式的场景中应用，可根据需求调整具体实现细节。

SnowFlake算法缺点：依赖于系统时间，雪花算法在单机系统上ID是递增的，但是在分布式系统多节点的情况下，所有节点的时钟改变或者其他情况，就有可能会出现不是全局递增的情况。

4、java源码

package com.cnblogs.util;

/**
 * Twitter_Snowflake<br>
 * SnowFlake的结构如下(每部分用-分开):<br>
 * 0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000 <br>
 * 1位标识，由于long基本类型在Java中是带符号的，最高位是符号位，正数是0，负数是1，所以id一般是正数，最高位是0<br>
 * 41位时间戳(毫秒级)，注意，41位时间戳不是存储当前时间的时间戳，而是存储时间戳的差值（当前时间戳 - 开始时间戳)
 * 得到的值），这里的的开始时间戳，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（如下下面程序IdWorker类的startTime属性）。41位的时间戳，可以使用69年，年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69<br>
 * 10位的数据机器位，可以部署在1024个节点，包括5位datacenterId和5位workerId<br>
 * 12位序列，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，同一时间戳)产生4096个ID序号<br>
 * 加起来刚好64位，为一个Long型。<br>
 * SnowFlake的优点是，整体上按照时间自增排序，并且整个分布式系统内不会产生ID碰撞(由数据中心ID和机器ID作区分)，并且效率较高，经测试，SnowFlake每秒能够产生26万ID左右。
 */
public class SnowflakeIdWorker {

    
    /** 开始时间截 (201-01-01) */
    private final long twepoch = 1514736000000L;

    /** 机器id所占的位数 */
    private final long workerIdBits = 5L;

    /** 数据标识id所占的位数 */
    private final long datacenterIdBits = 5L;

    /** 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 final long maxWorkerId = -1L ^ (-1L << workerIdBits);

    /** 支持的最大数据标识id，结果是31 */
    private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);

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

    /** 机器ID向左移12位 */
    private final long workerIdShift = sequenceBits;

    /** 数据标识id向左移17位(12+5) */
    private final long datacenterIdShift = sequenceBits + workerIdBits;

    /** 时间截向左移22位(5+5+12) */
    private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;

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

    /** 工作机器ID(0~31) */
    private long workerId;

    /** 数据中心ID(0~31) */
    private long datacenterId;

    /** 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 (0~31)
     * @param datacenterId 数据中心ID (0~31)
     */
    public SnowflakeIdWorker(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;
    }

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

        //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应当抛出异常
        if (timestamp < lastTimestamp) {
            throw new RuntimeException(
                    String.format("Clock moved backwards.  Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
        }

        //如果是同一时间生成的，则进行毫秒内序列
        if (lastTimestamp == timestamp) {
            sequence = (sequence + 1) & sequenceMask;
            //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 = tilNextMillis(lastTimestamp);
            }
        }
        //时间戳改变，毫秒内序列重置
        else {
            sequence = 0L;
        }

        //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 - twepoch) << timestampLeftShift) //
                | (datacenterId << datacenterIdShift) //
                | (workerId << workerIdShift) //
                | 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
     */
    protected long tilNextMillis(long lastTimestamp) {
        long timestamp = timeGen();
        while (timestamp <= lastTimestamp) {
            timestamp = timeGen();
        }
        return timestamp;
    }

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

   
    /**test */
    public static void main(String[] args) {
        SnowflakeIdWorker idWorkerPro = new SnowflakeIdWorker(0, 0);
        for (int k = 0; k < 10; k++) {
            long id = idWorkerPro .nextId();
            System.out.println(Long.toBinaryString(id));
            System.out.println(id);
        }
    }
}