mysql snowflake_一篇文章彻底搞懂snowflake算法及百度美团的最佳实践
寫在前面的話
一提到分布式ID自動生成方案，大家肯定都非常熟悉，并且立即能說出自家拿手的幾種方案，確實，ID作為系統數據的重要標識，重要性不言而喻，而各種方案也是歷經多代優化，請允許我用這個視角對分布式ID自動生成方案進行分類：
實現方式
完全依賴數據源方式
ID的生成規則，讀取控制完全由數據源控制，常見的如數據庫的自增長ID，序列號等，或Redis的INCR/INCRBY原子操作產生順序號等。
半依賴數據源方式
ID的生成規則，有部分生成因子需要由數據源(或配置信息)控制，如snowflake算法。
不依賴數據源方式
ID的生成規則完全由機器信息獨立計算，不依賴任何配置信息和數據記錄，如常見的UUID，GUID等
實踐方案
實踐方案適用于以上提及的三種實現方式，可作為這三種實現方式的一種補充，旨在提升系統吞吐量，但原有實現方式的局限性依然存在。
實時獲取方案
顧名思義，每次要獲取ID時，實時生成。
簡單快捷，ID都是連續不間斷的，但吞吐量可能不是最高。
預生成方案
預先生成一批ID放在數據池里，可簡單自增長生成，也可以設置步長，分批生成，需要將這些預先生成的數據，放在存儲容器里(JVM內存，Redis，數據庫表均可)。
可以較大幅度地提升吞吐量，但需要開辟臨時存儲空間，斷電宕機后可能會丟失已有ID，ID可能有間斷。
方案簡介
以下對目前流行的分布式ID方案做簡單介紹
數據庫自增長ID
屬于完全依賴數據源的方式，所有的ID存儲在數據庫里，是最常用的ID生成辦法，在單體應用時期得到了最廣泛的使用，建立數據表時利用數據庫自帶的auto_increment作主鍵，或是使用序列完成其他場景的一些自增長ID的需求。
優點：非常簡單，有序遞增，方便分頁和排序。
缺點：分庫分表后，同一數據表的自增ID容易重復，無法直接使用(可以設置步長，但局限性很明顯)；性能吞吐量整個較低，如果設計一個單獨的數據庫來實現 分布式應用的數據唯一性，即使使用預生成方案，也會因為事務鎖的問題，高并發場景容易出現單點瓶頸。
適用場景：單數據庫實例的表ID(包含主從同步場景)，部分按天計數的流水號等；分庫分表場景、全系統唯一性ID場景不適用。
Redis生成ID
也屬于完全依賴數據源的方式，通過Redis的INCR/INCRBY自增原子操作命令，能保證生成的ID肯定是唯一有序的，本質上實現方式與數據庫一致。
優點：整體吞吐量比數據庫要高。
缺點：Redis實例或集群宕機后，找回最新的ID值有點困難。
適用場景：比較適合計數場景，如用戶訪問量，訂單流水號(日期+流水號)等。
UUID、GUID生成ID
UUID：按照OSF制定的標準計算，用到了以太網卡地址、納秒級時間、芯片ID碼和許多可能的數字。由以下幾部分的組合：當前日期和時間(UUID的第一個部分與時間有關，如果你在生成一個UUID之后，過幾秒又生成一個UUID，則第一個部分不同，其余相同)，時鐘序列，全局唯一的IEEE機器識別號(如果有網卡，從網卡獲得，沒有網卡以其他方式獲得)
GUID：微軟對UUID這個標準的實現。UUID還有其它各種實現，不止GUID一種，不一一列舉了。
這兩種屬于不依賴數據源方式，真正的全球唯一性ID
優點：不依賴任何數據源，自行計算，沒有網絡ID，速度超快，并且全球唯一。
缺點：沒有順序性，并且比較長(128bit)，作為數據庫主鍵、索引會導致索引效率下降，空間占用較多。
適用場景：只要對存儲空間沒有苛刻要求的都能夠適用，比如各種鏈路追蹤、日志存儲等。
4、snowflake算法(雪花算法)生成ID
屬于半依賴數據源方式，原理是使用Long類型(64位)，按照一定的規則進行填充：時間(毫秒級)+集群ID+機器ID+序列號，每部分占用的位數可以根據實際需要分配，其中集群ID和機器ID這兩部分，在實際應用場景中要依賴外部參數配置或數據庫記錄。
優點：高性能、低延遲、去中心化、按時間有序
缺點：要求機器時鐘同步(到秒級即可)
適用場景：分布式應用環境的數據主鍵
雪花ID算法聽起來是不是特別適用分布式架構場景？照目前來看是的，接下來我們重點講解它的原理和最佳實踐。
snowflake算法實現原理
snowflake算法來源于Twitter，使用scala語言實現，利用Thrift框架實現RPC接口調用，最初的項目起因是數據庫從mysql遷移到Cassandra，Cassandra沒有現成可用 的ID生成機制，就催生了這個項目，現有的github源碼有興趣可以去看看。
snowflake算法的特性是有序、唯一，并且要求高性能，低延遲(每臺機器每秒至少生成10k條數據，并且響應時間在2ms以內)，要在分布式環境(多集群，跨機房)下使用，因此snowflake算法得到的ID是分段組成的：
與指定日期的時間差(毫秒級)，41位，夠用69年
集群ID + 機器ID， 10位，最多支持1024臺機器
序列，12位，每臺機器每毫秒內最多產生4096個序列號
如圖所示：
1bit：符號位，固定是0，表示全部ID都是正整數
41bit：毫秒數時間差，從指定的日期算起，夠用69年，我們知道用Long類型表示的時間戳是從1970-01-01 00:00:00開始算起的，咱們這里的時間戳可以指定日期，如2019-10-23 00:00:00
10bit：機器ID，有異地部署，多集群的也可以配置，需要線下規劃好各地機房，各集群，各實例ID的編號
12bit：序列ID，前面都相同的話，最多可以支持到4096個
以上的位數分配只是官方建議的，我們可以根據實際需要自行分配，比如說我們的應用機器數量最多也就幾十臺，但并發數很大，我們就可以將10bit減少到8bit，序列部分從12bit增加到14bit等等
當然每部分的含義也可以自由替換，如中間部分的機器ID，如果是云計算、容器化的部署環境，隨時有擴容，縮減機器的操作，通過線下規劃去配置實例的ID不太現實，就可以替換為實例每重啟一次，拿一次自增長的ID作為該部分的內容，下文會講解。
github上也有大神用Java做了snowflake最基本的實現，這里直接查看源碼：
snowflake java版源碼
/**
* twitter的snowflake算法 -- java實現
*
* @author beyond
* @date 2016/11/26
*/
public class SnowFlake {
/**
* 起始的時間戳
*/
private final static long START_STMP = 1480166465631L;
/**
* 每一部分占用的位數
*/
private final static long SEQUENCE_BIT = 12; //序列號占用的位數
private final static long MACHINE_BIT = 5; //機器標識占用的位數
private final static long DATACENTER_BIT = 5;//數據中心占用的位數
/**
* 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; //數據中心
private long machineId; //機器標識
private long sequence = 0L; //序列號
private long lastStmp = -1L;//上一次時間戳
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;
}
/**
* 產生下一個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) {
//相同毫秒內，序列號自增
sequence = (sequence + 1) & MAX_SEQUENCE;
//同一毫秒的序列數已經達到最大
if (sequence == 0L) {
currStmp = getNextMill();
}
} else {
//不同毫秒內，序列號置為0
sequence = 0L;
}
lastStmp = currStmp;
return (currStmp - START_STMP) << TIMESTMP_LEFT //時間戳部分
| datacenterId << DATACENTER_LEFT //數據中心部分
| machineId << MACHINE_LEFT //機器標識部分
| sequence; //序列號部分
}
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());
}
}
}
基本上通過位移操作，將每段含義的數值，移到相應的位置上，如機器ID這里由數據中心+機器標識組成，所以，機器標識向左移12位，就是它的位置，數據中心的編號向左移17位，時間戳的值向左移22位，每部分占據自己的位置，各不干涉，由此組成一個完整的ID值。
這里就是snowflake最基礎的實現原理，如果有些java基礎知識不記得了建議查一下資料，如二進制-1的表示是0xffff(里面全是1)，<
了解snowflake的基本實現原理，可以通過提前規劃好機器標識來實現，但目前的分布式生產環境，借用了多種云計算、容器化技術，實例的個數隨時有變化，還需要處理服務器實例時鐘回撥的問題，固定規劃ID然后通過配置來使用snowflake的場景可行性不高，一般是自動啟停，增減機器，這樣就需要對snowflake進行一些改造才能更好地應用到生產環境中。
百度uid-generator項目
UidGenerator項目基于snowflake原理實現，只是修改了機器ID部分的定義(實例重啟的次數)，并且64位bit的分配支持配置，官方提供的默認分配方式如下圖：
Snowflake算法描述：指定機器 & 同一時刻 & 某一并發序列，是唯一的。據此可生成一個64 bits的唯一ID(long)。
sign(1bit) 固定1bit符號標識，即生成的UID為正數。
delta seconds (28 bits)
當前時間，相對于時間基點"2016-05-20"的增量值，單位：秒，最多可支持約8.7年
worker id (22 bits) 機器id，最多可支持約420w次機器啟動。內置實現為在啟動時由數據庫分配，默認分配策略為用后即棄，后續可提供復用策略。
sequence (13 bits) 每秒下的并發序列，13 bits可支持每秒8192個并發。
具體的實現有兩種，一種是實時生成ID，另一種是預先生成ID方式
DefaultUidGenerator
啟動時向數據庫WORKER_NODE表插入當前實例的IP，Port等信息，再獲取該數據的自增長ID作為機器ID部分。
簡易流程圖如下：
提供獲取ID的方法，并且檢測是否有時鐘回撥，有回撥現象直接拋出異常，當前版本不支持時鐘順撥后漂移操作。簡易流程圖如下：
核心代碼如下：
/**
* Get UID
*
* @return UID
* @throws UidGenerateException in the case: Clock moved backwards; Exceeds the max timestamp
*/
protected synchronized long nextId() {
long currentSecond = getCurrentSecond();
// Clock moved backwards, refuse to generate uid
if (currentSecond < lastSecond) {
long refusedSeconds = lastSecond - currentSecond;
throw new UidGenerateException("Clock moved backwards. Refusing for %d seconds", refusedSeconds);
}
// At the same second, increase sequence
if (currentSecond == lastSecond) {
sequence = (sequence + 1) & bitsAllocator.getMaxSequence();
// Exceed the max sequence, we wait the next second to generate uid
if (sequence == 0) {
currentSecond = getNextSecond(lastSecond);
}
// At the different second, sequence restart from zero
} else {
sequence = 0L;
}
lastSecond = currentSecond;
// Allocate bits for UID
return bitsAllocator.allocate(currentSecond - epochSeconds, workerId, sequence);
}
CachedUidGenerator
機器ID的獲取方法與上一種相同，這種是預先生成一批ID，放在一個RingBuffer環形數組里，供客戶端使用，當可用數據低于閥值時，再次調用批量生成方法，屬于用空間換時間的做法，可以提高整個ID的吞吐量。
與DefaultUidGenerator相比較，初始化時多了填充RingBuffer環形數組的邏輯，簡單流程圖如下：
核心代碼：
/**
* Initialize RingBuffer & RingBufferPaddingExecutor
*/
private void initRingBuffer() {
// initialize RingBuffer
int bufferSize = ((int) bitsAllocator.getMaxSequence() + 1) << boostPower;
this.ringBuffer = new RingBuffer(bufferSize, paddingFactor);
LOGGER.info("Initialized ring buffer size:{}, paddingFactor:{}", bufferSize, paddingFactor);
// initialize RingBufferPaddingExecutor
boolean usingSchedule = (scheduleInterval != null);
this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, this::nextIdsForOneSecond, usingSchedule);
if (usingSchedule) {
bufferPaddingExecutor.setScheduleInterval(scheduleInterval);
}
LOGGER.info("Initialized BufferPaddingExecutor. Using schdule:{}, interval:{}", usingSchedule, scheduleInterval);
// set rejected put/take handle policy
this.ringBuffer.setBufferPaddingExecutor(bufferPaddingExecutor);
if (rejectedPutBufferHandler != null) {
this.ringBuffer.setRejectedPutHandler(rejectedPutBufferHandler);
}
if (rejectedTakeBufferHandler != null) {
this.ringBuffer.setRejectedTakeHandler(rejectedTakeBufferHandler);
}
// fill in all slots of the RingBuffer
bufferPaddingExecutor.paddingBuffer();
// start buffer padding threads
bufferPaddingExecutor.start();
}
public synchronized boolean put(long uid) {
long currentTail = tail.get();
long currentCursor = cursor.get();
// tail catches the cursor, means that you can't put any cause of RingBuffer is full
long distance = currentTail - (currentCursor == START_POINT ? 0 : currentCursor);
if (distance == bufferSize - 1) {
rejectedPutHandler.rejectPutBuffer(this, uid);
return false;
}
// 1. pre-check whether the flag is CAN_PUT_FLAG
int nextTailIndex = calSlotIndex(currentTail + 1);
if (flags[nextTailIndex].get() != CAN_PUT_FLAG) {
rejectedPutHandler.rejectPutBuffer(this, uid);
return false;
}
// 2. put UID in the next slot
// 3. update next slot' flag to CAN_TAKE_FLAG
// 4. publish tail with sequence increase by one
slots[nextTailIndex] = uid;
flags[nextTailIndex].set(CAN_TAKE_FLAG);
tail.incrementAndGet();
// The atomicity of operations above, guarantees by 'synchronized'. In another word,
// the take operation can't consume the UID we just put, until the tail is published(tail.incrementAndGet())
return true;
}
ID獲取邏輯，由于有RingBuffer這個緩沖數組存在，獲取ID直接從RingBuffer取出即可，同時RingBuffer自身校驗何時再觸發重新批量生成即可，這里獲取的ID值與DefaultUidGenerator的明顯區別是，DefaultUidGenerator獲取的ID，時間戳部分就是當前時間的，CachedUidGenerator里獲取的是填充時的時間戳，并不是獲取時的時間，不過關系不大，都是不重復的，一樣用。簡易流程圖如下：
核心代碼：
public long take() {
// spin get next available cursor
long currentCursor = cursor.get();
long nextCursor = cursor.updateAndGet(old -> old == tail.get() ? old : old + 1);
// check for safety consideration, it never occurs
Assert.isTrue(nextCursor >= currentCursor, "Curosr can't move back");
// trigger padding in an async-mode if reach the threshold
long currentTail = tail.get();
if (currentTail - nextCursor < paddingThreshold) {
LOGGER.info("Reach the padding threshold:{}. tail:{}, cursor:{}, rest:{}", paddingThreshold, currentTail,
nextCursor, currentTail - nextCursor);
bufferPaddingExecutor.asyncPadding();
}
// cursor catch the tail, means that there is no more available UID to take
if (nextCursor == currentCursor) {
rejectedTakeHandler.rejectTakeBuffer(this);
}
// 1. check next slot flag is CAN_TAKE_FLAG
int nextCursorIndex = calSlotIndex(nextCursor);
Assert.isTrue(flags[nextCursorIndex].get() == CAN_TAKE_FLAG, "Curosr not in can take status");
// 2. get UID from next slot
// 3. set next slot flag as CAN_PUT_FLAG.
long uid = slots[nextCursorIndex];
flags[nextCursorIndex].set(CAN_PUT_FLAG);
// Note that: Step 2,3 can not swap. If we set flag before get value of slot, the producer may overwrite the
// slot with a new UID, and this may cause the consumer take the UID twice after walk a round the ring
return uid;
}
另外有個細節可以了解一下，RingBuffer的數據都是使用數組來存儲的，考慮CPU Cache的結構，tail和cursor變量如果直接用原生的AtomicLong類型，tail和cursor可能會緩存在同一個cacheLine中，多個線程讀取該變量可能會引發CacheLine的RFO請求，反而影響性能,為了防止偽共享問題，特意填充了6個long類型的成員變量，加上long類型的value成員變量，剛好占滿一個Cache Line(Java對象還有8byte的對象頭)，這個叫CacheLine補齊，有興趣可以了解一下，源碼如下：
public class PaddedAtomicLong extends AtomicLong {
private static final long serialVersionUID = -3415778863941386253L;
/** Padded 6 long (48 bytes) */
public volatile long p1, p2, p3, p4, p5, p6 = 7L;
/**
* Constructors from {@link AtomicLong}
*/
public PaddedAtomicLong() {
super();
}
public PaddedAtomicLong(long initialValue) {
super(initialValue);
}
/**
* To prevent GC optimizations for cleaning unused padded references
*/
public long sumPaddingToPreventOptimization() {
return p1 + p2 + p3 + p4 + p5 + p6;
}
}
以上是百度uid-generator項目的主要描述，我們可以發現，snowflake算法在落地時有一些變化，主要體現在機器ID的獲取上，尤其是分布式集群環境下面，實例自動伸縮，docker容器化的一些技術，使得靜態配置項目ID，實例ID可行性不高，所以這些轉換為按啟動次數來標識。
美團ecp-uid項目
在uidGenerator方面，美團的項目源碼直接集成百度的源碼，略微將一些Lambda表達式換成原生的java語法，例如：
// com.myzmds.ecp.core.uid.baidu.impl.CachedUidGenerator類的initRingBuffer()方法
// 百度源碼
this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, this::nextIdsForOneSecond, usingSchedule);
// 美團源碼
this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, new BufferedUidProvider() {
@Override
public List provide(long momentInSecond) {
return nextIdsForOneSecond(momentInSecond);
}
}, usingSchedule);
并且在機器ID生成方面，引入了Zookeeper，Redis這些組件，豐富了機器ID的生成和獲取方式，實例編號可以存儲起來反復使用，不再是數據庫單調增長這一種了。
結束語
本篇簡單介紹了snowflake算法的原理及落地過程中的改造，在此學習了優秀的開源代碼，并挑出部分進行了簡單的示例，美團的ecp-uid項目不但集成了百度現有的UidGenerator算法，原生的snowflake算法，還包含優秀的leaf segment算法，鑒于篇幅沒有詳盡描述。文章內有任何不正確或不詳盡之處請留言指出，謝謝。
總結
以上是生活随笔為你收集整理的mysql snowflake_一篇文章彻底搞懂snowflake算法及百度美团的最佳实践的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： mysql5.7 skip ssl_My
- 下一篇： linux cmake编译源码,linu