本文首发于Ressmix个人站点：https://www.tpvlog.com

一、简介

在数据分片中，不管是普通hash、一致性hash还是range based，都要基于某个key进行hash运算，然后根据计算值进行分片。

Key一般采用基于记录的特征值，这个特征值在不同的框架中有不同的叫法，比如MongoDB中的sharding key (https://docs.mongodb.com/manual/core/sharding-shard-key/)，Oracle中的Partition Key(https://docs.oracle.com/cd/B28359_01/server.111/b32024/partition.htm)。一般来讲，特征值的选取应当具有区分度。比如，在分布式调度系统中，通常会为每个子任务生成一个全局唯一的流水号，由任务控制者通过对流水号进行hash运算，将其分配给Job Executor（负责子任务的执行）。

对于流水号的生成，读者肯定不会陌生，比如数据库的自增主键、uuid等都是生成流水号的方式。但是数据库自增主键只能保证单个DB实例内的单表唯一，uuid则利用了mac地址，缺少规律、可读性及安全性。我们希望的流水号应该满足以下特性：

• 分布式系统内全局唯一

• 趋势递增

二、数据库ID表

基于数据库ID表，生成全局流水号，是一种比较常见的方式，以Mysql为例，可以建立一张ID表，表一共两列：id为自增主键，type则表示流水的类型，可以自定义取值，但要保证唯一：

CREATE TABLE `ID_TABLE` (
     `id` BIGINT(64) UNSIGNED NOT NULL AUTO_INCREMENT,
     `type` VARCHAR(16) NOT NULL DEFAULT '',
     PRIMARY KEY (`id`),
     UNIQUE KEY `idx_type` (`type`)
) ENGINE=MYISAM
复制

每次客户端需要生成唯一流水号时，可以通过以下语句获取：

REPLACE INTO ID_TABLE('type') VALUES('ORDER_KEY');
SELECT LAST_INSERT_ID();
复制

这里解释下REPLACE INTO：假如表中有一条记录与用PRIMARY KEY或UNIQUE KEY索引的新记录具有相同的值，则先删除旧记录，再插入新记录。

这种方式对于同一个type值，比如“ORDER_KEY”，生成的流水号都是唯一的。在分布式系统中，可以通过数据库中间件请求到不同的分库，每个分库设置不同的初始值和自增步长，以避免出现重复流水号，如下图：

上述，DB1生成的ID是1,4,7,10,13....，DB2生成的ID是2,5,8,11,14.....

缺点： 显然，基于数据库表生成流水号的方式效率太低，很难满足高并发的业务场景，而且与数据库紧耦合。所以，通常只适合并发量低，但是数据量大的场景。

三、Snow Flake算法

3.1 原理

Snow Flake是Twitter开源的分布式ID生成算法，其结果是一个long型的ID，Snow Flake的核心思想是：

将一个long类型整数按位划分，41bit作为毫秒数，10bit作为机器的ID（5个bit是数据中心，5个bit的机器ID），12bit作为毫秒内的流水号，最后还有一个符号位，永远是0。

算法实现基本就是二进制操作，单机每秒内理论上最多可以生成1000*(2^12)，即409.6万个ID(1000 X 4096 = 4096000)

• 1bit：未使用，因为二进制里第一个bit为如果是1，那么都是负数，但是我们生成的id都是正数，所以第一个bit统一都是0；

• 41bit：时间戳，存储的是时间戳的差值（当前时间戳 - 开始时间戳) ，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。41位的时间戳，可以使用69年，年T = (1L << 41) (1000L * 60 * 60 * 24 * 365) = 69；

• 10bit：记录工作机器ID，代表的是这个服务最多可以部署在2^10（1024）台机器上，包括5位datacenterId和5位workerId。注意，10-bit可以完全表示1024台机器，如果对IDC划分有需求，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；

• 12bit：序列号，记录同一个毫秒内产生的不同id，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。

理论上Snow Flake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。

3.2 优缺点

优点：

• 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)，效率较高；

• 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；

缺点：

• 由于41位的时间戳代表的是时间差值，所以SnowFlake强依赖于机器时钟，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。

关于时钟回拨，美团开源了一个Leaf框架(https://github.com/Meituan-Dianping/Leaf)，其中的Leaf-segment方案可以比较好的解决时钟回拨问题，但是该方案又引入了外部依赖——Zookeeper，感兴趣的读者可以自行参考。

3.3 代码示例

public class SnowFlake {

    private long workerId;
    private long datacenterId;
    private long sequence;

    public IdWorker(long workerId, long datacenterId, long sequence) {
        // sanity check for workerId
        // 这儿就是检查了一下，要求就是你传递进来的机房id和机器id不能超过32，不能小于0
        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));
        }
        System.out.printf("worker starting. timestamp left shift %d, datacenter id bits %d, worker id bits %d, sequence bits %d, workerid %d",
                timestampLeftShift, datacenterIdBits, workerIdBits, sequenceBits, workerId);

        this.workerId = workerId;
        this.datacenterId = datacenterId;
        this.sequence = sequence;
    }

    private long twepoch = 1288834974657L;

    private long workerIdBits = 5L;
    private long datacenterIdBits = 5L;
    private long maxWorkerId = -1L ^ (-1L << workerIdBits); // 这个是二进制运算，就是5 bit最多只能有31个数字，也就是说机器id最多只能是32以内
    private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits); // 这个是一个意思，就是5 bit最多只能有31个数字，机房id最多只能是32以内
    private long sequenceBits = 12L;

    private long workerIdShift = sequenceBits;
    private long datacenterIdShift = sequenceBits + workerIdBits;
    private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
    private long sequenceMask = -1L ^ (-1L << sequenceBits);

    private long lastTimestamp = -1L;

    public long getWorkerId() {
        return workerId;
    }

    public long getDatacenterId() {
        return datacenterId;
    }

    public long getTimestamp() {
        return System.currentTimeMillis();
    }

    public synchronized long nextId() {
        // 这儿就是获取当前时间戳，单位是毫秒
        long timestamp = timeGen();

        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));
        }


        // 在同一个毫秒内，又发送了一个请求生成一个id，0 -> 1
        if (lastTimestamp == timestamp) {
            sequence = (sequence + 1) & sequenceMask; // 这个意思是说一个毫秒内最多只能有4096个数字，无论你传递多少进来，这个位运算保证始终就是在4096这个范围内，避免你自己传递个sequence超过了4096这个范围
            if (sequence == 0) {
                timestamp = tilNextMillis(lastTimestamp);
            }
        } else {
            sequence = 0;
        }

        // 这儿记录一下最近一次生成id的时间戳，单位是毫秒
        lastTimestamp = timestamp;

        // 这儿就是将时间戳左移，放到41 bit那儿；将机房id左移放到5 bit那儿；将机器id左移放到5 bit那儿；将序号放最后10 bit；
        // 最后拼接起来成一个64 bit的二进制数字，转换成10进制就是个long型
        return ((timestamp - twepoch) << timestampLeftShift) |
                (datacenterId << datacenterIdShift) |
                (workerId << workerIdShift) |
                sequence;
    }


    private long tilNextMillis(long lastTimestamp) {
        long timestamp = timeGen();
        while (timestamp <= lastTimestamp) {
            timestamp = timeGen();
        }
        return timestamp;
    }

    private long timeGen() {
        return System.currentTimeMillis();
    }

    //---------------测试---------------
    public static void main(String[] args) {
        IdWorker worker = new IdWorker(1, 1, 1);
        for (int i = 0; i < 30; i++) {
            System.out.println(worker.nextId());
        }
    }

}
复制