大型互联网公司分布式ID方案总结

id是数据的唯一标识，传统的做法是利用uuid和数据库的自增id，在互联网企业中，大部分公司使用的都是mysql，并且因为需要事务支持，所以通常会使用innodb存储引擎，uuid太长以及无序，所以并不适合在innodb中来作为主键，自增id比较合适，但是随着公司的业务发展，数据量将越来越大，需要对数据进行分表，而分表后，每个表中的数据都会按自己的节奏进行自增，很有可能出现id冲突。这时就需要一个单独的机制来负责生成唯一id，生成出来的id也可以叫做分布式id，或全局id。下面来分析各个生成分布式id的机制。

这篇文章并不会分析的特别详细，主要是做一些总结，以后再出一些详细某个方案的文章。

数据库自增id

第一种方案仍然还是基于数据库的自增id，需要单独使用一个数据库实例，在这个实例中新建一个单独的表：

表结构如下：

create database `seqid`;

create table seqid.sequence_id (
    id bigint(20) unsigned not null auto_increment, 
    stub char(10) not null default '',
    primary key (id),
    unique key stub (stub)
) engine=myisam;

可以使用下面的语句生成并获取到一个自增id

begin;
replace into sequence_id (stub) values ('anyword');
select last_insert_id();
commit;

stub字段在这里并没有什么特殊的意义，只是为了方便的去插入数据，只有能插入数据才能产生自增id。而对于插入我们用的是replace，replace会先看是否存在stub指定值一样的数据，如果存在则先delete再insert，如果不存在则直接insert。

这种生成分布式id的机制，需要一个单独的mysql实例，虽然可行，但是基于性能与可靠性来考虑的话都不够，业务系统每次需要一个id时，都需要请求数据库获取，性能低，并且如果此数据库实例下线了，那么将影响所有的业务系统。

为了解决数据库可靠性问题，我们可以使用第二种分布式id生成方案。

数据库多主模式

如果我们两个数据库组成一个主从模式集群，正常情况下可以解决数据库可靠性问题，但是如果主库挂掉后，数据没有及时同步到从库，这个时候会出现id重复的现象。我们可以使用双主模式集群，也就是两个mysql实例都能单独的生产自增id，这样能够提高效率，但是如果不经过其他改造的话，这两个mysql实例很可能会生成同样的id。需要单独给每个mysql实例配置不同的起始值和自增步长。

第一台mysql实例配置：

set @@auto_increment_offset = 1;     -- 起始值
set @@auto_increment_increment = 2;  -- 步长

第二台mysql实例配置：

set @@auto_increment_offset = 2;     -- 起始值
set @@auto_increment_increment = 2;  -- 步长

经过上面的配置后，这两个mysql实例生成的id序列如下：
mysql1,起始值为1,步长为2,id生成的序列为：1,3,5,7,9,...
mysql2,起始值为2,步长为2,id生成的序列为：2,4,6,8,10,...

对于这种生成分布式id的方案，需要单独新增一个生成分布式id应用，比如distributidservice，该应用提供一个接口供业务应用获取id，业务应用需要一个id时，通过rpc的方式请求distributidservice，distributidservice随机去上面的两个mysql实例中去获取id。

实行这种方案后，就算其中某一台mysql实例下线了，也不会影响distributidservice，distributidservice仍然可以利用另外一台mysql来生成id。

但是这种方案的扩展性不太好，如果两台mysql实例不够用，需要新增mysql实例来提高性能时，这时就会比较麻烦。

现在如果要新增一个实例mysql3，要怎么操作呢？
第一，mysql1、mysql2的步长肯定都要修改为3，而且只能是人工去修改，这是需要时间的。
第二，因为mysql1和mysql2是不停在自增的，对于mysql3的起始值我们可能要定得大一点，以给充分的时间去修改mysql1，mysql2的步长。
第三，在修改步长的时候很可能会出现重复id，要解决这个问题，可能需要停机才行。

为了解决上面的问题，以及能够进一步提高distributidservice的性能，如果使用第三种生成分布式id机制。

号段模式

我们可以使用号段的方式来获取自增id，号段可以理解成批量获取，比如distributidservice从数据库获取id时，如果能批量获取多个id并缓存在本地的话，那样将大大提供业务应用获取id的效率。

比如distributidservice每次从数据库获取id时，就获取一个号段，比如(1,1000]，这个范围表示了1000个id，业务应用在请求distributidservice提供id时，distributidservice只需要在本地从1开始自增并返回即可，而不需要每次都请求数据库，一直到本地自增到1000时，也就是当前号段已经被用完时，才去数据库重新获取下一号段。

所以，我们需要对数据库表进行改动，如下：

create table id_generator (
  id int(10) not null,
  current_max_id bigint(20) not null comment '当前最大id',
  increment_step int(10) not null comment '号段的长度',
  primary key (`id`)
) engine=innodb default charset=utf8;

这个数据库表用来记录自增步长以及当前自增id的最大值（也就是当前已经被申请的号段的最后一个值），因为自增逻辑被移到distributidservice中去了，所以数据库不需要这部分逻辑了。

这种方案不再强依赖数据库，就算数据库不可用，那么distributidservice也能继续支撑一段时间。但是如果distributidservice重启，会丢失一段id，导致id空洞。

为了提高distributidservice的高可用，需要做一个集群，业务在请求distributidservice集群获取id时，会随机的选择某一个distributidservice节点进行获取，对每一个distributidservice节点来说，数据库连接的是同一个数据库，那么可能会产生多个distributidservice节点同时请求数据库获取号段，那么这个时候需要利用乐观锁来进行控制，比如在数据库表中增加一个version字段，在获取号段时使用如下sql：

update id_generator set current_max_id=#{newmaxid}, version=version+1 where version = #{version}

因为newmaxid是distributidservice中根据oldmaxid+步长算出来的，只要上面的update更新成功了就表示号段获取成功了。

为了提供数据库层的高可用，需要对数据库使用多主模式进行部署，对于每个数据库来说要保证生成的号段不重复，这就需要利用最开始的思路，再在刚刚的数据库表中增加起始值和步长，比如如果现在是两台mysql，那么
mysql1将生成号段（1,1001]，自增的时候序列为1，3，4，5，7....
mysql1将生成号段（2,1002]，自增的时候序列为2，4，6，8，10...

更详细的可以参考滴滴开源的tinyid：https://github.com/didi/tinyid/wiki/tinyid%e5%8e%9f%e7%90%86%e4%bb%8b%e7%bb%8d

在tinyid中还增加了一步来提高效率，在上面的实现中，id自增的逻辑是在distributidservice中实现的，而实际上可以把自增的逻辑转移到业务应用本地，这样对于业务应用来说只需要获取号段，每次自增时不再需要请求调用distributidservice了。

雪花算法

上面的三种方法总的来说是基于自增思想的，而接下来就介绍比较著名的雪花算法-snowflake。

我们可以换个角度来对分布式id进行思考，只要能让负责生成分布式id的每台机器在每毫秒内生成不一样的id就行了。

snowflake是twitter开源的分布式id生成算法，是一种算法，所以它和上面的三种生成分布式id机制不太一样，它不依赖数据库。

核心思想是：分布式id固定是一个long型的数字，一个long型占8个字节，也就是64个bit，原始snowflake算法中对于bit的分配如下图：

• 第一个bit位是标识部分，在java中由于long的最高位是符号位，正数是0，负数是1，一般生成的id为正数，所以固定为0。
• 时间戳部分占41bit，这个是毫秒级的时间，一般实现上不会存储当前的时间戳，而是时间戳的差值（当前时间-固定的开始时间），这样可以使产生的id从更小值开始；41位的时间戳可以使用69年，(1l << 41) / (1000l * 60 * 60 * 24 * 365) = 69年
• 工作机器id占10bit，这里比较灵活，比如，可以使用前5位作为数据中心机房标识，后5位作为单机房机器标识，可以部署1024个节点。
• 序列号部分占12bit，支持同一毫秒内同一个节点可以生成4096个id

根据这个算法的逻辑，只需要将这个算法用java语言实现出来，封装为一个工具方法，那么各个业务应用可以直接使用该工具方法来获取分布式id，只需保证每个业务应用有自己的工作机器id即可，而不需要单独去搭建一个获取分布式id的应用。

snowflake算法实现起来并不难，提供一个github上用java实现的：https://github.com/beyondfengyu/snowflake

在大厂里，其实并没有直接使用snowflake，而是进行了改造，因为snowflake算法中最难实践的就是工作机器id，原始的snowflake算法需要人工去为每台机器去指定一个机器id，并配置在某个地方从而让snowflake从此处获取机器id。

但是在大厂里，机器是很多的，人力成本太大且容易出错，所以大厂对snowflake进行了改造。

百度（uid-generator）

github地址：

uid-generator使用的就是snowflake，只是在生产机器id，也叫做workid时有所不同。

uid-generator中的workid是由uid-generator自动生成的，并且考虑到了应用部署在docker上的情况，在uid-generator中用户可以自己去定义workid的生成策略，默认提供的策略是：应用启动时由数据库分配。说的简单一点就是：应用在启动时会往数据库表(uid-generator需要新增一个worker_node表)中去插入一条数据，数据插入成功后返回的该数据对应的自增唯一id就是该机器的workid，而数据由host，port组成。

对于uid-generator中的workid，占用了22个bit位，时间占用了28个bit位，序列化占用了13个bit位，需要注意的是，和原始的snowflake不太一样，时间的单位是秒，而不是毫秒，workid也不一样，同一个应用每重启一次就会消费一个workid。

具体可参考https://github.com/baidu/uid-generator/blob/master/readme.zh_cn.md

美团（leaf）

github地址：leaf

美团的leaf也是一个分布式id生成框架。它非常全面，即支持号段模式，也支持snowflake模式。号段模式这里就不介绍了，和上面的分析类似。

leaf中的snowflake模式和原始snowflake算法的不同点，也主要在workid的生成，leaf中workid是基于zookeeper的顺序id来生成的，每个应用在使用leaf-snowflake时，在启动时都会都在zookeeper中生成一个顺序id，相当于一台机器对应一个顺序节点，也就是一个workid。

总结

总得来说，上面两种都是自动生成workid，以让系统更加稳定以及减少人工成功。

redis

这里额外再介绍一下使用redis来生成分布式id，其实和利用mysql自增id类似，可以利用redis中的incr命令来实现原子性的自增与返回，比如：

127.0.0.1:6379> set seq_id 1     // 初始化自增id为1
ok
127.0.0.1:6379> incr seq_id      // 增加1，并返回
(integer) 2
127.0.0.1:6379> incr seq_id      // 增加1，并返回
(integer) 3

使用redis的效率是非常高的，但是要考虑持久化的问题。redis支持rdb和aof两种持久化的方式。

rdb持久化相当于定时打一个快照进行持久化，如果打完快照后，连续自增了几次，还没来得及做下一次快照持久化，这个时候redis挂掉了，重启redis后会出现id重复。

aof持久化相当于对每条写命令进行持久化，如果redis挂掉了，不会出现id重复的现象，但是会由于incr命令过得，导致重启恢复数据时间过长。

想学习更多的分布式技术，请添加微信公众号：1点25