nagios分布式分布式id解决什么问题

转载

mob64ca14101b2f 2024-01-17 22:08:49

文章标签 nagios分布式数据库自增 Redis 文章分类 iOS 移动开发

面试被问到分布式id解决方案，一口气说了9种

在说解决方案之前，先说下什么是分布式id和分布式id解决了什么问题。

分布式id：数据库的id相信大家都知道，一般会作为主键索引，并且有序自增，所以mysql InnoDB引擎查起来才比较快，分布式id呢，见名知意，就是在分布式系统中所用到的id，随着业务的增长，往往因库表数据过大而需要分库、分表，这样继续使用自增主键就会出现主键冲突问题。一般需要一个单独的机制或服务来生成一套全局的ID，这样的ID也叫分布式ID。

分布式id的解决方案：在说分布式id的解决方案之前，我们需要知道分布式id需要满足的几个特点

nagios分布式分布式id解决什么问题_Redis

图片来自网络

全局唯一性：

不能出现重复的ID号，既然是唯一标识，这是最基本的要求。

趋势递增：

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。

单调递增：

保证下一个ID一定大于上一个ID，例如事务版本号、IM增量消息、排序等特殊需求。

信息安全：

如果ID是连续的，恶意用户的扒取工作就非常容易做了，直接按照顺序下载指定URL即可；如果是订单号就更危险了，竞对可以直接知道我们一天的单量。所以在一些应用场景下，会需要ID无规则、不规则。同时除了对ID号码自身的要求，业务还对ID号生成系统的可用性要求极高，想象一下，如果ID生成系统瘫痪，这就会带来一场灾难。

分布式系统唯一ID的实现方案

nagios分布式分布式id解决什么问题_数据库_02

1.UUID；

UUID(Universally Unique Identifier)的标准型式包含32个16进制数字，以连字号分为五段，形式为8-4-4-4-12的36个字符，示例：550e8400-e29b-41d4-a716-446655440000，到目前为止业界一共有5种方式生成UUID，详情见IETF发布的UUID规范 A Universally Unique IDentifier (UUID) URN Namespace。

优点：生成方式简单，无需第三方服务，可移植性好，性能非常高，本地生成，没有网络消耗。不消耗网络

缺点：像用作订单号UUID这样的字符串没有丝毫的意义，看不出和订单相关的有用信息；而对于数据库来说用作业务主键ID，它不仅是太长还是字符串，存储性能差查询也很耗时，所以不推荐用作分布式ID。

2 .数据库自增主键（单机/集群），其他服务每次查询此最新值

以MySQL举例，利用给字段设置auto_increment_increment和auto_increment_offset来保证ID自增，每次业务使用下列SQL读写MySQL得到ID号。

nagios分布式分布式id解决什么问题_自增_03

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，可以实现一些对ID有特殊要求的业务。

缺点：

1单机：强依赖DB，当DB异常时整个系统不可用，属于致命问题。ID发号性能瓶颈限制在单台MySQL的读写性能。

2配置主从复制可以尽可能的增加可用性，但是数据一致性在特殊情况下难以保证。主从切换时的不一致可能会导致重复发号。

3.集群环境下需要给每台设置步长，维护时可能需要停机。

3.zookeeper生成唯一ID

zookeeper主要通过其znode数据版本来生成序列号，可以生成32位和64位的数据版本号，客户端可以使用这个版本号来作为唯一的序列号。
很少会使用zookeeper来生成唯一ID。主要是由于需要依赖zookeeper，并且是多步调用API，如果在竞争较大的情况下，需要考虑使用分布式锁。因此，性能在高并发的分布式环境下，也不甚理想。

4.号段模式

每次数据库保存起止ID位置，客户端请求时拿到范围后本地维护，用尽后再拿新的号段

优点：有序ID；性能较好；不强依赖数据库，自增下放至本机可自行维持一定时间；

缺点：很难保证ID不同号段的时间先后顺序（A服务先拿号段，却较后用完号段）；容易造成ID空洞；

5.Redis生成ID

当使用数据库来生成ID性能不够要求的时候，我们可以尝试使用Redis来生成ID。这主要依赖于Redis是单线程的，所以也可以用生成全局唯一的ID。可以用Redis的原子操作 INCR和INCRBY来实现。
比较适合使用Redis来生成每天从0开始的流水号。比如订单号=日期+当日自增长号。可以每天在Redis中生成一个Key，使用INCR进行累加。

优点：
1）不依赖于数据库，灵活方便，且性能优于数据库。
2）数字ID天然排序，对分页或者需要排序的结果很有帮助。

缺点：
1）如果系统中没有Redis，还需要引入新的组件，增加系统复杂度。
2）需要编码和配置的工作量比较大。

需要考虑自增ID持久化问题：

RDB模式下快照未来得及持久化会出现ID重复。

AOF模式下不会ID重复，但会由于incr命令过多恢复数据时间过长。

6.雪花算法推荐使用

这种方案大致来说是一种以划分命名空间（UUID也算，由于比较常见，所以单独分析）来生成ID的一种算法，这种方案把64-bit分别划分成多段，分开来标示机器、时间等，比如在snowflake中的64-bit分别表示如下图（图片来自网络）所示：
image.png

41-bit的时间可以表示（1L<<41）/(1000L360024*365)=69年的时间，10-bit机器可以分别表示1024台机器。如果我们对IDC划分有需求，还可以将10-bit分5-bit给IDC，分5-bit给工作机器。这样就可以表示32个IDC，每个IDC下可以有32台机器，可以根据自身需求定义。12个自增序列号可以表示2^12个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。
这种方式的优缺点是：
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。
应用举例Mongdb objectID
MongoDB官方文档 ObjectID可以算作是和snowflake类似方法，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。

根据这个算法的逻辑，只需要将这个算法用Java语言实现出来，封装为一个工具方法，那么各个业务应用可以直接使用该工具方法来获取分布式ID，只需保证每个业务应用有自己的工作机器id即可，而不需要单独去搭建一个获取分布式ID的应用。