京东一面:高并发下,如何保证分布式唯一全局 ID 生成?
点击关注公众号,回复“2T”获取2TB学习资源!
互联网架构师后台回复 2T 有特别礼包
上一篇:我设计了一个支撑数亿用户的系统
来源:blog.csdn.net/LookForDream_/article/details/109355335
前言
系统唯一ID是我们在设计一个系统的时候常常会遇见的问题,也常常为这个问题而纠结。
这篇文章就是给各位看官提供一个生成分布式唯一全局id生成方案的思路,希望能帮助到大家。
不足之处,请多多指教!!
问题
为什么需要分布式全局唯一ID以及分布式ID的业务需求
在复杂分布式系统中,往往需要对大量的数据和消息进行唯一标识,如在美团点评的金融、支付、餐饮、酒店
猫眼电影等产品的系统中数据逐渐增长,对数据库分库分表后需要有一个唯一ID来标识一条数据或信息;
特别Ian的订单、骑手、优惠券都需要有唯一ID做标识
此时一个能够生成全局唯一ID的系统是非常必要的
ID生成规则部分硬性要求
全局唯一
趋势递增
在MySQL的InnoDB引擎中使用的是聚集索引,由于多数RDBMS使用Btree的数据结构来存储索引,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,恶意用户的爬取工作就非常容易做了,直接按照顺序下载指定URL即可,如果是订单号就危险了,竞争对手可以直接知道我们一天的单量,所以在一些应用场景下,需要ID无规则不规则,让竞争对手不好猜
含时间戳
一样能够快速在开发中了解这个分布式ID什么时候生成的
ID号生成系统的可用性要求
高可用
发布一个获取分布式ID请求,服务器就要保证99.999%的情况下给我创建一个唯一分布式ID
低延迟
发一个获取分布式ID的请求,服务器就要快,极速
高QPS
例如并发一口气10万个创建分布式ID请求同时杀过来,服务器要顶得住且一下子成功创建10万个分布式ID
一般通用解决方案
UUID
UUID.randomUUID()
, UUID的标准型包含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,性能非常高,本地生成,没有网络消耗。
存在问题
入数据库性能差,因为UUID是无序的
无序,无法预测他的生成顺序,不能生成递增有序的数字
首先分布式id一般都会作为逐渐,但是按照mysql官方推荐主键尽量越短越好,UUID每一个都很长,所以不是很推荐。另外,搜索公众号互联网架构师后台回复“2T”,获取一份惊喜礼包。
主键,ID作为主键时,在特定的环境下会存在一些问题
比如做DB主键的场景下,UUID就非常不适用MySQL官方有明确的说明
索引,B+树索引的分裂
既然分布式ID是主键,然后主键是包含索引的,而mysql的索引是通过B+树来实现的,每一次新的UUID数据的插入,为了查询的优化,都会对索引底层的B+树进行修改,因为UUID数据是无序的,所以每一次UUID数据的插入都会对主键的B+树进行很大的修改,这一点很不好,插入完全无序,不但会导致一些中间节点产生分裂,也会白白创造出很多不饱和的节点,这样大大降低了数据库插入的性能。
UUID只能保证全局唯一性,不满足后面的趋势递增,单调递增
数据库自增主键
单机
在分布式里面,数据库的自增ID机制的主要原理是:数据库自增ID和mysql数据库的replace into
实现的,这里的replace into
跟insert功能 类似,不同点在于:replace into
首先尝试插入数据列表中,如果发现表中已经有此行数据(根据主键或唯一索引判断)则先删除,在插入,否则直接插入新数据。
REPLACE INTO
的含义是插入一条记录,如果表中唯一索引的值遇到冲突,则替换老数据
REPLACE into t_test(stub) values('b');
select LAST_INSERT_ID();
我们每次插入的时候,发现都会把原来的数据给替换,并且ID也会增加
这就满足了
递增性
单调性
唯一性
在分布式情况下,并且并发量不多的情况,可以使用这种方案来解决,获得一个全局的唯一ID
集群分布式集群
那数据库自增ID机制适合做分布式ID吗?答案是不太适合
系统水平扩展比较困难,比如定义好步长和机器台数之后,如果要添加机器该怎么办,假设现在有一台机器发号是:1,2,3,4,5,(步长是1),这个时候需要扩容机器一台,可以这样做:把第二胎机器的初始值设置得比第一台超过很多,貌似还好,但是假设线上如果有100台机器,这个时候扩容要怎么做,简直是噩梦,所以系统水平扩展方案复杂难以实现。
数据库压力还是很大,每次获取ID都得读写一次数据库,非常影响性能,不符合分布式ID里面的延迟低和高QPS的规则(在高并发下,如果都去数据库里面获取ID,那是非常影响性能的)
基于Redis生成全局ID策略
单机版
因为Redis是单线程,天生保证原子性,可以使用原子操作INCR和INCRBY来实现
INCRBY:设置增长步长
集群分布式
注意:在Redis集群情况下,同样和MySQL一样需要设置不同的增长步长,同时key一定要设置有效期,可以使用Redis集群来获取更高的吞吐量。
假设一个集群中有5台Redis,可以初始化每台Redis的值分别是 1,2,3,4,5 , 然后设置步长都是5
各个Redis生成的ID为:
A:1 6 11 16 21
B:2 7 12 17 22
C:3 8 13 18 23
D:4 9 14 19 24
E:5 10 15 20 25
但是存在的问题是,就是Redis集群的维护和保养比较麻烦,配置麻烦。因为要设置单点故障,哨兵值守
但是主要是的问题就是,为了一个ID,却需要引入整个Redis集群,有种杀鸡焉用牛刀的感觉。
雪花算法
是什么
Twitter的分布式自增ID算法,Snowflake
最初Twitter把存储系统从MySQL迁移到Cassandra(由Facebook开发一套开源分布式NoSQL数据库系统)因为Cassandra没有顺序ID生成机制,所有开发了这样一套全局唯一ID生成服务。
Twitter的分布式雪花算法SnowFlake,经测试SnowFlake每秒可以产生26万个自增可排序的ID
twitter的SnowFlake生成ID能够按照时间有序生成
SnowFlake算法生成ID的结果是一个64Bit大小的整数,为一个Long型(转换成字符串后长度最多19)
分布式系统内不会产生ID碰撞(由datacenter 和 workerID做区分)并且效率较高
分布式系统中,有一些需要全局唯一ID的场景,生成ID的基本要求
在分布式环境下,必须全局唯一性
一般都需要单调递增,因为一般唯一ID都会存在数据库,而InnoDB的特性就是将内容存储在主键索引上的叶子节点,而且是从左往右递增的,所有考虑到数据库性能,一般生成ID也最好是单调递增的。为了防止ID冲突可以使用36位UUID,但是UUID有一些缺点,首先是它相对比较长,并且另外UUID一般是无序的
可能还会需要无规则,因为如果使用唯一ID作为订单号这种,为了不让别人知道一天的订单量多少,就需要这种规则。
结构
雪花算法的几个核心组成部分
在Java中64bit的证书是long类型,所以在SnowFlake算法生成的ID就是long类存储的
第一部分
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。
第二部分
第二部分是41bit时间戳位,用来记录时间戳,毫秒级
41位可以表示 2^41 -1 个数字
如果只用来表示正整数,可以表示的范围是:0 - 2^41 -1,减1是因为可以表示的数值范围是从0开始计算的,而不是从1。
也就是说41位可以表示 2^41 - 1 毫秒的值,转换成单位年则是 69.73年
第三部分
第三部分为工作机器ID,10Bit用来记录工作机器ID
可以部署在2^10 = 1024个节点,包括5位 datacenterId(数据中心,机房) 和 5位 workerID(机器码)
5位可以表示的最大正整数是 2 ^ 5 = 31个数字,来表示不同的数据中心 和 机器码
第四部分
12位bit可以用来表示的正整数是 2^12 = 4095,即可以用0 1 2 … 4094 来表示同一个机器同一个时间戳内产生的4095个ID序号。
SnowFlake可以保证
所有生成的ID按时间趋势递增
整个分布式系统内不会产生重复ID,因为有datacenterId 和 workerId来做区分
实现
雪花算法是由scala算法编写的,有人使用java实现,github地址:
https://github.com/beyondfengyu/SnowFlake/blob/master/SnowFlake.java
/*** twitter的snowflake算法 -- java实现** @author beyond*/
public class SnowFlake {/*** 起始的时间戳*/private final static long START_STMP = 1480166465631L;/*** 每一部分占用的位数*/private final static long SEQUENCE_BIT = 12; //序列号占用的位数private final static long MACHINE_BIT = 5; //机器标识占用的位数private final static long DATACENTER_BIT = 5;//数据中心占用的位数/*** 每一部分的最大值*/private final static long MAX_DATACENTER_NUM = -1L ^ (-1L << DATACENTER_BIT);private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT);private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT);/*** 每一部分向左的位移*/private final static long MACHINE_LEFT = SEQUENCE_BIT;private final static long DATACENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT;private final static long TIMESTMP_LEFT = DATACENTER_LEFT + DATACENTER_BIT;private long datacenterId; //数据中心private long machineId; //机器标识private long sequence = 0L; //序列号private long lastStmp = -1L;//上一次时间戳public SnowFlake(long datacenterId, long machineId) {if (datacenterId > MAX_DATACENTER_NUM || datacenterId < 0) {throw new IllegalArgumentException("datacenterId can't be greater than MAX_DATACENTER_NUM or less than 0");}if (machineId > MAX_MACHINE_NUM || machineId < 0) {throw new IllegalArgumentException("machineId can't be greater than MAX_MACHINE_NUM or less than 0");}this.datacenterId = datacenterId;this.machineId = machineId;}/*** 产生下一个ID** @return*/public synchronized long nextId() {long currStmp = getNewstmp();if (currStmp < lastStmp) {throw new RuntimeException("Clock moved backwards. Refusing to generate id");}if (currStmp == lastStmp) {//相同毫秒内,序列号自增sequence = (sequence + 1) & MAX_SEQUENCE;//同一毫秒的序列数已经达到最大if (sequence == 0L) {currStmp = getNextMill();}} else {//不同毫秒内,序列号置为0sequence = 0L;}lastStmp = currStmp;return (currStmp - START_STMP) << TIMESTMP_LEFT //时间戳部分| datacenterId << DATACENTER_LEFT //数据中心部分| machineId << MACHINE_LEFT //机器标识部分| sequence; //序列号部分}private long getNextMill() {long mill = getNewstmp();while (mill <= lastStmp) {mill = getNewstmp();}return mill;}private long getNewstmp() {return System.currentTimeMillis();}public static void main(String[] args) {SnowFlake snowFlake = new SnowFlake(2, 3);for (int i = 0; i < (1 << 12); i++) {System.out.println(snowFlake.nextId());}}
}
工程落地经验
hutools工具包
地址:https://github.com/looly/hutool
SpringBoot整合雪花算法
引入hutool工具类
<dependency><groupId>cn.hutool</groupId><artifactId>hutool-all</artifactId><version>5.3.1</version>
</dependency>
整合
/*** 雪花算法** @author: 陌溪*/
public class SnowFlakeDemo {private long workerId = 0;private long datacenterId = 1;private Snowflake snowFlake = IdUtil.createSnowflake(workerId, datacenterId);@PostConstructpublic void init() {try {// 将网络ip转换成longworkerId = NetUtil.ipv4ToLong(NetUtil.getLocalhostStr());} catch (Exception e) {e.printStackTrace();}}/*** 获取雪花ID* @return*/public synchronized long snowflakeId() {return this.snowFlake.nextId();}public synchronized long snowflakeId(long workerId, long datacenterId) {Snowflake snowflake = IdUtil.createSnowflake(workerId, datacenterId);return snowflake.nextId();}public static void main(String[] args) {SnowFlakeDemo snowFlakeDemo = new SnowFlakeDemo();for (int i = 0; i < 20; i++) {new Thread(() -> {System.out.println(snowFlakeDemo.snowflakeId());}, String.valueOf(i)).start();}}
}
得到结果
1251350711346790400
1251350711346790402
1251350711346790401
1251350711346790403
1251350711346790405
1251350711346790404
1251350711346790406
1251350711346790407
1251350711350984704
1251350711350984706
1251350711350984705
1251350711350984707
1251350711350984708
1251350711350984709
1251350711350984710
1251350711350984711
1251350711350984712
1251350711355179008
1251350711355179009
1251350711355179010
优缺点
优点
毫秒数在高维,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。另外,搜索公众号互联网架构师后台回复“面试”,获取一份惊喜礼包。
可以根据自身业务特性分配bit位,非常灵活
缺点
依赖机器时钟,如果机器时钟回拨,会导致重复ID生成
在单机上是递增的,但由于涉及到分布式环境,每台机器上的时钟不可能完全同步,有时候会出现不是全局递增的情况,此缺点可以认为无所谓,一般分布式ID只要求趋势递增,并不会严格要求递增,90%的需求只要求趋势递增。
其它补充
为了解决时钟回拨问题,导致ID重复,后面有人专门提出了解决的方案
百度开源的分布式唯一ID生成器 UidGenerator
Leaf - 美团点评分布式ID生成系统
感谢您的阅读,也欢迎您发表关于这篇文章的任何建议,关注我,技术不迷茫!小编到你上高速。
· END ·
最后,关注公众号互联网架构师,在后台回复:2T,可以获取我整理的 Java 系列面试题和答案,非常齐全。
正文结束
推荐阅读 ↓↓↓
1.心态崩了!税前2万4,到手1万4,年终奖扣税方式1月1日起施行~
2.深圳一普通中学老师工资单曝光,秒杀程序员,网友:敢问是哪个学校毕业的?
3.从零开始搭建创业公司后台技术栈
4.程序员一般可以从什么平台接私活?
5.清华大学:2021 元宇宙研究报告!
6.为什么国内 996 干不过国外的 955呢?
7.这封“领导痛批95后下属”的邮件,句句扎心!
8.15张图看懂瞎忙和高效的区别!
京东一面:高并发下,如何保证分布式唯一全局 ID 生成?相关推荐
- 面试官:高并发下,如何保证分布式唯一全局 ID 生成?
欢迎关注方志朋的博客,回复"666"获面试宝典 前言 系统唯一ID是我们在设计一个系统的时候常常会遇见的问题,也常常为这个问题而纠结. 这篇文章就是给各位看官提供一个生成分布式唯一 ...
- 集群高并发情况下如何保证分布式唯一全局ID生成
作者:轻狂书生 blog.csdn.net/LookForDream_/article/details/109355335 前言 系统唯一ID是我们在设计一个系统的时候常常会遇见的问题,也常常为这个问 ...
- 高并发下如何保证接口的幂等性?
前言 接口幂等性问题,对于开发人员来说,是一个跟语言无关的公共问题.本文分享了一些解决这类问题非常实用的办法,绝大部分内容我在项目中实践过的,给有需要的小伙伴一个参考. 不知道你有没有遇到过这些场景: ...
- 7 种分布式全局 ID 生成策略,你更爱哪种?
上了微服务之后,很多原本很简单的问题现在都变复杂了,例如全局 ID 这事! 最近工作中刚好用到这块内容,于是调研了市面上几种常见的全局 ID 生成策略,稍微做了一下对比,供小伙伴们参考. 当数据库分库 ...
- 七种分布式全局 ID 生成策略,你更爱哪种?
上了微服务之后,很多原本很简单的问题现在都变复杂了,例如全局 ID 这事! 最近工作中刚好用到这块内容,于是调研了市面上几种常见的全局 ID 生成策略,稍微做了一下对比,供小伙伴们参考. 当数据库分库 ...
- Ticket 服务: 一种经济的分布式唯一主键生成方案
2019独角兽企业重金招聘Python工程师标准>>> MySQL分库分表早已经不是什么新鲜话题了.甚至已经成了说到MySQL就会说到的话题.在一张表中,MySQL提供了原生的自增主 ...
- 架构设计 | 分布式业务系统中,全局ID生成策略
本文源码:GitHub·点这里 || GitEE·点这里 一.全局ID简介 在实际的开发中,几乎所有的业务场景产生的数据,都需要一个唯一ID作为核心标识,用来流程化管理.比如常见的: 订单:order ...
- 分库分表的 9种分布式主键ID 生成方案
<sharding-jdbc 分库分表的 4种分片策略> 中我们介绍了 sharding-jdbc 4种分片策略的使用场景,可以满足基础的分片功能开发,这篇我们来看看分库分表后,应该如何为 ...
- 分库分表的 9种分布式主键ID 生成方案,挺全乎的
<sharding-jdbc 分库分表的 4种分片策略> 中我们介绍了 sharding-jdbc 4种分片策略的使用场景,可以满足基础的分片功能开发,这篇我们来看看分库分表后,应该如何为 ...
- 分布式自增ID生成算法 - 雪花算法(SnowFlake)
一.概述 1.SnowFlake算法生成id的结果是一个64bit大小的整数,它的结构如下图: ● 1位,不用.二进制中最高位为1的都是负数,但是我们生成的id一般都使用整数,所以这个最高位固定是0 ...
最新文章
- 【必看】新手妹子一键删库,老司机机智救场
- 转 23种开发模式一点就通
- 读书笔记_代码大全2第十章_变量初始化
- 【java】java 多线程 异步计算 FutureTask 源码详解
- Git-github 的基本应用
- 【路径规划】基于matlab改进的蚁群算法路径规划【含Matlab源码 335期】
- 创建.config后缀文件
- 安装phantomjs、使用phantomjs以及时遇到问题时的解决方法
- C# WinForm打开PDF文件
- adb locat 过滤日志-命令行
- 哈工大数字逻辑与数字系统设计大作业(数字密码锁)
- cad菜单栏快捷键_天正建筑菜单栏不见了怎么调出来
- 地图编辑器开发(二)
- python追加_python追加写
- 【阿里巴巴大数据实践笔记】第9章:阿里巴巴数据整合及管理体系
- 【BZOJ5498】[十二省联考2019]皮配(动态规划)
- x86 版的 Arduino Intel Galileo 开发板的体验、分析和应用
- 大数据技术原理与应用之【NoSQL数据库】习题
- C#生成电子印章源码
- 4GU优盘只能看到2G空间,另外2G不见了?! 解决!