[TOC] ## 前言 几乎所有的业务系统，都有生成一个记录标识的需求，例如： 1. 消息标识：message-id 2. 订单标识：order-id 3. 帖子标识：tiezi-id 这个记录标识往往就是数据库中的**唯一主键**，数据库上会建立聚集索引（cluster index），即在物理存储上以这个字段排序。 这个记录标识上的查询，往往又有分页或者排序的业务需求，例如： 1. 拉取最新的一页消息：selectmessage-id/ order by time/ limit 100 2. 拉取最新的一页订单：selectorder-id/ order by time/ limit 100 3. 拉取最新的一页帖子：selecttiezi-id/ order by time/ limit 100 所以往往要有一个time字段，并且在time字段上建立普通索引（non-cluster index）。 我们都知道普通索引存储的是实际记录的指针，其访问效率会比聚集索引慢，如果记录标识在生成时能够基本按照时间有序，则可以省去这个time字段的索引查询： `select message-id/ (order by message-id)/limit 100` 再次强调，能这么做的前提是，message-id的生成基本是**趋势时间递增的**。 这就引出了记录标识生成（也就是上文提到的三个XXX-id）的两大核心需求： 1. 全局唯一 2. 趋势有序 > 小节:由于普通索引慢与主键索引,但分页和排序又需要又时间索引,所以可以使用时间相关的递增主键 ## 使用数据库的 auto_increment 来生成全局唯一递增ID **优点：** 1. 简单，使用数据库已有的功能 2. 能够保证唯一性 3. 能够保证递增性 4. 步长固定 **缺点：** 1. 可用性难以保证：数据库常见架构是一主多从+读写分离，生成自增ID是写请求，主库挂了就玩不转了 1. 扩展性差，性能有上限：因为写入是单点，数据库主库的写性能决定ID的生成性能上限，并且难以扩展 **改进方法：** 1. 增加主库，避免写入单点 2. 数据水平切分，保证各主库生成的ID不重复  **缺点**是： 1. 丧失了ID生成的“绝对递增性”：先访问库0生成0,3，再访问库1生成1，可能导致在非常短的时间内，ID生成不是绝对递增的（这个问题不大，我们的目标是趋势递增，不是绝对递增） 1. 数据库的写压力依然很大，每次生成ID都要访问数据库 ## 单点批量ID生成服务 使用批量的方式降低数据库写压力  数据库使用双master保证可用性，数据库中只存储当前ID的最大值，例如ID生成服务假设每次批量拉取6个ID，服务访问数据库，将当前ID的最大值修改为5，这样应用访问ID生成服务索要ID，ID生成服务不需要每次访问数据库，就能依次派发0,1,2,3,4,5这些ID了，当ID发完后，再将ID的最大值修改为11，就能再次派发6,7,8,9,10,11这些ID了，于是数据库的压力就降低到原来的1/6了。 **优点：** （1）保证了ID生成的绝对递增有序 （2）大大的降低了数据库的压力，ID生成可以做到每秒生成几万几十万个 **缺点：** （1）服务仍然是单点 （2）如果服务挂了，服务重启起来之后，继续生成ID可能会不连续，中间出现空洞（服务内存是保存着0,1,2,3,4,5，数据库中max-id是5，分配到3时，服务重启了，下次会从6开始分配，4和5就成了空洞，不过这个问题也不大） （3）虽然每秒可以生成几万几十万个ID，但毕竟还是有性能上限，无法进行水平扩展 **改进方法：** 单点服务的常用高可用优化方案是“备用服务”，也叫“影子服务”，所以我们能用以下方法优化上述缺点（1）：  如上图，对外提供的服务是主服务，有一个影子服务时刻处于备用状态，当主服务挂了的时候影子服务顶上。这个切换的过程对调用方是透明的，可以自动完成，常用的技术是vip+keepalived，具体就不在这里展开 ## uuid 上述方案来生成ID，虽然性能大增，但由于是单点系统，总还是存在性能上限的。同时，上述两种方案，不管是数据库还是服务来生成ID，业务方Application都需要进行一次远程调用，比较耗时。有没有一种本地生成ID的方法，即高性能，又时延低呢？ uuid是一种常见的方案：string ID =GenUUID(); 优点： （1）本地生成ID，不需要进行远程调用，时延低 （2）扩展性好，基本可以认为没有性能上限 缺点： （1）无法保证趋势递增 （2）uuid过长，往往用字符串表示，作为主键建立索引查询效率低，常见优化方案为“转化为两个uint64整数存储”或者“折半存储”（折半后不能保证唯一性） ## 类雪花算法 snowflake是twitter开源的分布式ID生成算法，其**核心思想**是：一个long型的ID，使用其中41bit作为毫秒数，10bit作为机器编号，12bit作为毫秒内序列号。这个算法单机每秒内理论上最多可以生成1000\*(2^12)，也就是400W的ID，完全能满足业务的需求。 借鉴snowflake的思想，结合各公司的业务逻辑和并发量，可以实现自己的分布式ID生成算法。 举例，假设某公司ID生成器服务的需求如下： （1）单机高峰并发量小于1W，预计未来5年单机高峰并发量小于10W （2）有2个机房，预计未来5年机房数量小于4个 （3）每个机房机器数小于100台 （4）目前有5个业务线有ID生成需求，预计未来业务线数量小于10个 （5）… 分析过程如下： （1）高位取从2016年1月1日到现在的毫秒数（假设系统ID生成器服务在这个时间之后上线），假设系统至少运行10年，那至少需要10年\*365天\*24小时\*3600秒\*1000毫秒=320\*10^9，差不多预留39bit给毫秒数 （2）每秒的单机高峰并发量小于10W，即平均每毫秒的单机高峰并发量小于100，差不多预留7bit给每毫秒内序列号 （3）5年内机房数小于4个，预留2bit给机房标识 （4）每个机房小于100台机器，预留7bit给每个机房内的服务器标识 （5）业务线小于10个，预留4bit给业务线标识  这样设计的64bit标识，可以保证： （1）每个业务线、每个机房、每个机器生成的ID都是不同的 （2）同一个机器，每个毫秒内生成的ID都是不同的 （3）同一个机器，同一个毫秒内，以序列号区区分保证生成的ID是不同的 （4）将毫秒数放在最高位，保证生成的ID是趋势递增的 **缺点：** （1）由于“没有一个全局时钟”，每台服务器分配的ID是绝对递增的，但从全局看，生成的ID只是趋势递增的（有些服务器的时间早，有些服务器的时间晚） **最后一个容易忽略的问题：** 生成的ID，例如message-id/ order-id/ tiezi-id，在数据量大时往往需要分库分表，这些ID经常作为取模分库分表的依据，为了分库分表后数据均匀，ID生成往往有“取模随机性”的需求，所以我们通常把每秒内的序列号放在ID的最末位，保证生成的ID是随机的。 又如果，我们在跨毫秒时，序列号总是归0，会使得序列号为0的ID比较多，导致生成的ID取模后不均匀。解决方法是，序列号不是每次都归0，而是归一个0到9的随机数，这个地方