- 分布式id生成策略
生成分布式Id的方法主要有以下几种：
- 数据库水平拆分，设置初始值和相同的自增步长。
- 批量申请自增ID。
- UUID生成。
- Redis的方式。
- 雪花算法。
- 百度UidGenerator算法
- 美团Leaf算法
- 数据库水平拆分，设置初始值和相同的自增步长
- 「数据库水平拆分，设置初始值和相同的自增步长」
set @@auto_increment_offset = 1; // 设置初始值
set @@auto_increment_increment = 2; // 设置步长
上面我说的步长一般设置为数据库的数量，这是在确保后期不会扩容的情况下，若是确定后期会有扩容情况，在前期设计的的时候可以将步长设置长一点，「预留一些初始值给后续扩容使用」。
缺点：「后期可能会面对无ID初始值可分的窘境，数据库总归是数据库，抗高并发也是有限的」。
优点：就是算是解决了「DB单点的问题」
- 「批量申请自增ID」
我：「批量申请自增ID」的解决方案可以解决无ID可分的问题，它的原理就是一次性给对应的数据库上分配一批的id值进行消费，使用完了，再回来申请。
我：在设计的初始阶段可以设计一个有初始值字段，并有步长字段的表，当每次要申请批量ID的时候，就可以去该表中申请，每次申请后「初始值=上一次的初始值+步长」。
我：这样就能保持初始值是每一个申请的ID的最大值，避免了ID的重复，并且每次都会有ID使用，一次就会生成一批的id来使用，这样访问数据库的次数大大减少。
我：但是这一种方案依旧有自己的缺点，依然不能抗真正意义上的高并发。
UUID生成
UUID的核心思想是使用「机器的网卡、当地时间、一个随机数」来生成UUID。
优点：只需要调用UUID.randomUUID().toString()就可以生成，本地生成，不会消耗网络
缺点：不利于存储，16字节128位，通常是以36位长度的字符串表示，很多的场景都不适合。
并且UUID生成的无序的字符串，查询效率低下，没有实际的业务含义，不具备自增特性，所以都不会使用UUID作为分布式ID来使用。
Redis的方式（高并发）
为了解决上面纯关系型数据库生成分布式ID无法抗高并发的问题，可以使用Redis的方式来生成分布式ID。
我：Redis本身有incr和increby 这样自增的命令，保证原子性，生成的ID也是有序的。
我：Redis基于内存操作，性能高效，不依赖于数据库，数据天然有序，利于分页和排序。
我：但是这个方案也会有自己的缺点，因为增加了中间件，需要自己编码实现工作量增大，增加复杂度。
我：使用Redis的方式还要考虑持久化，Redis的持久化有两种「RDB和AOF」，「RDB是以快照的形式进行持久化，会丢失上一次快照至此时间的数据」。
我：「AOF可以设置一秒持久化一次，丢失的数据是秒内的」，也会存在可能上一次自增后的秒内的ID没有持久化的问题。
我：但是这种方法相对于上面的关系型数据库生成分布式ID的方法而言，已经优越了许多。
我：若是数据量比较大的话，重启Redis的时间也会比较长，可以采用Redis的集群方式。
雪花算法
我：第六种方式是「雪花算法」，也是现在市面上比较流行的生成分布式ID的方法。
我：他是采用64bit作为id生成类型，并且将64bit划分为，如下图的几段。
我：第一位作为标识位，因为Java中long类型是有符号的，因为ID为正数，所以第一位为0。
我：接着的41bit是时间戳（差值），毫秒级位单位，注意这里的时间戳并不是指当前时间的时间戳，而是值之间差（「当前时间-开始时间」）。
我：这里的开始时间一般是指ID生成器的开始时间，是由我们程序自己指定的。
我：接着后面的10bit：包括5位的「数据中心标识ID（datacenterId）和5位的机器标识ID（workerId）」，可以最多标识1024个节点（1<<10=1024）。
我：最后的12位是序列号，12位的计数顺序支持每个节点每毫秒差生4096序列号（1<<12=4096）。
我：雪花算法使用数据中心ID和机器ID作为标识，不会产生ID的重复，并且是在本地生成，不会消耗网络，效率高，有数据显示，每秒能生成26万个ID。
缺点：因为雪花算法的计算依赖于时间，若是系统时间回拨，就会产生重复ID的情况。
面试官：那对于时间回拨产生重复ID的情况，你有什么比较好的解决方案吗？
我：在雪花算法的实现中，若是其前置的时间等于当前的时间，就抛出异常，也可以关闭掉时间回拨。
我：对于回拨时间比较短的，可以等待回拨时间过后再生成ID。
面试官：你可以帮我敲一个雪花算法吗？我这键盘给你。
/**
* 雪花算法
* @author：黎杜
*/
public class SnowflakeIdWorker {
/** 开始时间截 */
private final long twepoch = 1530051700000L;
/** 机器id的位数 */
private final long workerIdBits = 5L;
/** 数据标识id的位数 */
private final long datacenterIdBits = 5L;
/** 最大的机器id，结果是31 */
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/** 最大的数据标识id，结果是31 */
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/** 序列的位数 */
private final long sequenceBits = 12L;
/** 机器ID向左移12位 */
private final long workerIdShift = sequenceBits;
/** 数据标识id向左移17位 */
private final long datacenterIdShift = sequenceBits + workerIdBits;
/** 时间截向左移22位*/
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/** 生成序列的掩码 */
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/** 工作机器ID(0~31) */
private long workerId;
/** 数据中心ID(0~31) */
private long datacenterId;
/** 毫秒内序列(0~4095) */
private long sequence = 0L;
/** 上次生成ID的时间截 */
private long lastTimestamp = -1L;
/**
* 构造函数
* @param workerId 工作ID (0~31)
* @param datacenterId 数据中心ID (0~31)
*/
public SnowflakeIdWorker(long workerId, long datacenterId) {
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));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
/**
* 获得下一个ID (该方法是线程安全的)
* @return SnowflakeId
*/
public synchronized long nextId() {
long timestamp = getCurrentTime();
//如果当前时间小于上一次生成的时间戳，说明系统时钟回退过就抛出异常
if (timestamp < lastTimestamp) {
throw new BusinessionException("回拨的时间为："+lastTimestamp - timestamp);
}
//如果是同一时间生成的，则进行毫秒内序列
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
//毫秒内序列溢出
if (sequence == 0) {
//获得新的时间戳
timestamp = tilNextMillis(lastTimestamp);
}
} else { //时间戳改变，毫秒内序列重置
sequence = 0L;
}
//上次生成ID的时间截
lastTimestamp = timestamp;
//移位并通过或运算拼到一起组成64位的ID
return ((timestamp - twepoch) << timestampLeftShift) // 计算时间戳
| (datacenterId << datacenterIdShift) // 计算数据中心
| (workerId << workerIdShift) // 计算机器ID
| sequence; // 序列号
}
/**
*获得新的时间戳
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
protected long tilNextMillis(long lastTimestamp) {
long timestamp = getCurrentTime();
// 若是当前时间等于上一次的1时间就一直阻塞，知道获取到最新的时间（回拨后的时间）
while (timestamp <= lastTimestamp) {
timestamp = getCurrentTime();
}
return timestamp;
}
/**
* 获取当前时间
* @return 当前时间(毫秒)
*/
protected long getCurrentTime() {
return System.currentTimeMillis();
}
Leaf和UidGenerator
我：最后两种确实没有深入了解，之前有看网上的资料说美团Leaf算法需要依赖于数据库，ZK，并且也能保证去全局ID的唯一性，单项递增。
我：而百度UidGenerator算法是基于雪花算法进行实现的，也是需要借助于数据库，与雪花算法不同的是，「UidGenerator支持自定义时间戳、主句中心ID和机器ID、序列号的位数」。
面试官：嗯嗯，好的，小伙子今天的面试就到这里，下次我们再见吧。
作者：公众号非科班的科班
