分布式ID: 雪花算法(snowflake)
程序员文章站
2022-07-13 10:19:49
...
分布式ID: 雪花算法(snowflake)
1、算法概述
- 有这么一种说法,自然界中并不存在两片完全一样的雪花的,每一片雪花都拥有自己漂亮独特的形状、独一无二。雪花算法也表示生成的ID如雪花般独一无二。
- 当我们需要无序不能被猜测的ID,并且需要一定高性能,那么就可以使用雪花算法。比如常见的订单ID,用雪花算法别人就无法猜测你每天的订单量是多少。
- SnowFlake雪花算法,是Twitter开源的分布式ID生成算法。其核心思想就是:使用一个64 bit的long型的数字作为全局唯一ID。
2、组成结构
3、算法的特点
段位 | 位数bit | 描述 |
---|---|---|
最高位 | 1 | 始终为0,是符号位,不可用 |
时间位 | 41 | 精确到毫秒级,41位的长度可以使用69年,时间位还有一个很重要的作用是可以根据时间进行排序 |
机器标识 | 10 | 10位的长度最多支持部署1024个节点,适用于分布式环境下对多节点的各个节点进行标识 |
*** | 12 | 12位的长度支持每毫秒产生4096个ID序号 |
上面只是一个将64bit划分的标准,其中10bit机器id和12bit的***不一定要这么做,可以根据实际情况和需求来划分。
4、算法的实现Java
/**
* @author administrator
* @date 2020-05-05 13:41
*/
/**
* Twitter_Snowflake<br>
* SnowFlake的结构如下(每部分用-分开):<br>
* 0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000 <br>
* 1位标识,由于long基本类型在Java中是带符号的,最高位是符号位,正数是0,负数是1,所以id一般是正数,最高位是0<br>
* 41位时间截(毫秒级),注意,41位时间截不是存储当前时间的时间截,而是存储时间截的差值(当前时间截 - 开始时间截)
* 得到的值),这里的的开始时间截,一般是我们的id生成器开始使用的时间,由我们程序来指定的(如下下面程序的startTime属性)。
* 41位的时间截,可以使用69年,年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69<br>
* 10位的数据机器位,可以部署在1024个节点,本程序使用5位datacenterId和5位workerId<br>
* 12位序列,毫秒内的计数,12位的计数顺序号支持每个节点每毫秒(同一机器,同一时间截)产生4096个ID序号<br>
* 加起来刚好64位,为一个Long型。<br>
* SnowFlake的优点是,整体上按照时间自增排序,并且整个分布式系统内不会产生ID碰撞(由数据中心ID和机器ID作区分),并且效率较高
*/
public class SnowFlakeGenerator {
// ==============================Fields===========================================
/**
* 开始时间截 (2020-05-05)
*/
private final long startTime = 1588670157222L;
/**
* 机器ID所占的位数
*/
private final long workerIdBits = 5L;
/**
* 数据中心ID所占的位数
*/
private final long datacenterIdBits = 5L;
/**
* 支持的最大机器ID,结果是31 (这个移位算法可以很快的计算出几位二进制数所能表示的最大十进制数)
*/
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/**
* 支持的最大数据中心ID,结果是31
*/
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/**
* 序列在id中占的位数
*/
private final long sequenceBits = 12L;
/**
* 机器ID向左移12位
*/
private final long workerIdShift = sequenceBits;
/**
* 数据中心ID向左移17位(5+12)
*/
private final long datacenterIdShift = workerIdBits + sequenceBits;
/**
* 时间截向左移22位(5+5+12)
*/
private final long timestampLeftShift = datacenterIdBits + workerIdBits + sequenceBits;
/**
* 生成序列的掩码,这里为4095
*/
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;
//==============================Constructors=====================================
/**
* 构造函数
*
* @param datacenterId 数据中心ID (0~31)
* @param workerId 工作ID (0~31)
*/
public SnowFlakeGenerator(long datacenterId, long workerId) {
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(String.format("datacenterId can't be greater than %d or less than 0", maxDatacenterId));
}
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(String.format("workerId can't be greater than %d or less than 0", maxWorkerId));
}
this.datacenterId = datacenterId;
this.workerId = workerId;
}
// ==============================Methods==========================================
/**
* 获得下一个ID (该方法是线程安全的)
*
* @return SnowflakeId
*/
public synchronized long nextId() {
long timestamp = timeGen();
//如果当前时间小于上一次ID生成的时间戳,说明系统出现了时钟回退,这个时候应当抛出异常
if (timestamp < lastTimestamp) {
throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
if (lastTimestamp == timestamp) {
//最后一次生成ID的时间(毫秒)与当前时间相同,则进行毫秒内序列+1
sequence = (sequence + 1) & sequenceMask;
//当某一毫秒的时间,产生的id数超过4095,系统会进入等待,直到下一毫秒,系统继续产生ID
if (sequence == 0L) {
//阻塞到下一个毫秒,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 - startTime) << timestampLeftShift)
| (datacenterId << datacenterIdShift)
| (workerId << workerIdShift)
| sequence;
}
/**
* 阻塞到下一个毫秒,直到获得新的时间戳
*
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
private long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 返回以毫秒为单位的当前时间
*
* @return 当前时间(毫秒)
*/
private long timeGen() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/**
* 测试
*/
public static void main(String[] args) {
SnowFlakeGenerator idWorker = new SnowFlakeGenerator(1, 1);
for (int i = 0; i < 1000; i++) {
long id = idWorker.nextId();
System.out.println(Long.toBinaryString(id));
System.out.println(id);
}
}
}
5、算法的缺点
-
雪花算法在单机系统上ID是递增的,但是在分布式系统多节点的情况下,所有节点的时钟并不能保证不完全同步,所以有可能会出现不是全局递增的情况。
-
依赖与系统时间的一致性,如果系统时间被回调,或者改变,可能会造成id冲突或者重复。
上一篇: 基于树莓派opencv—Python的人脸面部特征框选(眼睛和微笑)
下一篇: 单机K8S环境安装