一线大厂的分布式唯一ID生成方案是什么样的？

本人免费整理了java高级资料，涵盖了java、redis、mongodb、mysql、zookeeper、spring cloud、dubbo高并发分布式等教程，一共30g，需要自己领取。
传送门：https://mp.weixin.qq.com/s/osb-bol6w-zltstttkqmpq

一、前言

分布式系统中我们会对一些数据量大的业务进行分拆，如：用户表，订单表。因为数据量巨大一张表无法承接，就会对其进行分库分表。

但一旦涉及到分库分表，就会引申出分布式系统中唯一主键id的生成问题，永不迁移数据和避免热点的文章中要求需要唯一id的特性：

• 整个系统id唯一
• id是数字类型，而且是趋势递增的
• id简短，查询效率快

什么是递增？如：第一次生成的id为12，下一次生成的id是13，再下一次生成的id是14。这个就是生成id递增。

什么是趋势递增？如：在一段时间内，生成的id是递增的趋势。如：再一段时间内生成的id在【0，1000】之间，过段时间生成的id在【1000，2000】之间。但在【0-1000】区间内的时候，id生成有可能第一次是12，第二次是10，第三次是14。

那有什么方案呢？往下看！

 

二、分布式id的几种生成方案

 

2.1、uuid

这个方案是小伙伴们第一个能过考虑到的方案

优点：

• 代码实现简单。
• 本机生成，没有性能问题
• 因为是全球唯一的id，所以迁移数据容易

缺点：

• 每次生成的id是无序的，无法保证趋势递增
• uuid的字符串存储，查询效率慢
• 存储空间大
• id本事无业务含义，不可读

应用场景：

• 类似生成token令牌的场景
• 不适用一些要求有趋势递增的id场景

此uuid方案是不适用老顾的需求。

2.2、mysql主键自增

这个方案就是利用了mysql的主键自增auto_increment，默认每次id加1。

优点：

• 数字化，id递增
• 查询效率高
• 具有一定的业务可读

缺点：

• 存在单点问题，如果mysql挂了，就没法生成id了
• 数据库压力大，高并发抗不住

2.3、mysql多实例主键自增

这个方案就是解决mysql的单点问题，在auto_increment基本上面，设置step步长

 

每台的初始值分别为1,2,3...n，步长为n（这个案例步长为4）

优点：

• 解决了单点问题

缺点：

• 一旦把步长定好后，就无法扩容；而且单个数据库的压力大，数据库自身性能无法满足高并发

应用场景：

• 数据不需要扩容的场景

此方案也不满足老顾的需求，因为不方便扩容（记住这个方案，嘿嘿）

2.4、雪花snowflake算法

这个算法网上介绍了很多，老顾这里就不详细介绍。雪花算法生成64位的二进制正整数，然后转换成10进制的数。64位二进制数由如下部分组成：

 

 

• 1位标识符：始终是0
• 41位时间戳：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
• 10位机器标识码：可以部署在1024个节点，如果机器分机房（idc）部署，这10位可以由 5位机房id + 5位机器id 组成
• 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

优点：

• 此方案每秒能够产生409.6万个id，性能快
• 时间戳在高位，自增序列在低位，整个id是趋势递增的，按照时间有序递增
• 灵活度高，可以根据业务需求，调整bit位的划分，满足不同的需求

缺点：

• 依赖机器的时钟，如果服务器时钟回拨，会导致重复id生成

在分布式场景中，服务器时钟回拨会经常遇到，一般存在10ms之间的回拨；小伙伴们就说这点10ms，很短可以不考虑吧。但此算法就是建立在毫秒级别的生成方案，一旦回拨，就很有可能存在重复id。

此方案暂不符合老顾的需求（嘿嘿，看看怎么优化这个方案，小伙伴们先记住）

2.5、redis生成方案

利用redis的incr原子性操作自增，一般算法为：

年份 + 当天距当年第多少天 + 天数 + 小时 + redis自增

优点：

• 有序递增，可读性强

缺点：

• 占用带宽，每次要向redis进行请求

整体测试了这个性能如下：

需求：同时10万个请求获取id1、并发执行完耗时：9s左右
2、单任务平均耗时：74ms
3、单线程最小耗时：不到1ms
4、单线程最大耗时：4.1s

性能还可以，如果对性能要求不是太高的话，这个方案基本符合老顾的要求。

但不完全符合业务老顾希望id从 1 开始趋势递增。（当然算法可以调整为 就一个 redis自增，不需要什么年份，多少天等）。

2.6、小结

以上介绍了常见的几种分布式id生成方案。一线大厂的分布式id方案绝没有这个简单，他们对高并发，高可用的要求很高。

如redis方案中，每次都要去redis去请求，有网络请求耗时，并发强依赖了redis。这个设计是有风险的，一旦redis挂了，整个系统不可用。

而且一线大厂也会考虑到id安全性的问题，如：redis方案中，用户是可以预测下一个id号是多少，因为算法是递增的。

这样的话竞争对手第一天中午12点下个订单，就可以看到平台的订单id是多少，第二天中午12点再下一单，又平台订单id到多少。这样就可以猜到平台1天能产生多少订单了，这个是绝对不允许的，公司绝密啊。

 

三、一线大厂是如何设计的呢?

 

一线大厂的设计思路其实和小伙伴们思路差不多，只是多想了1～2层，设计上面多了1～2个环节。

3.1、改造数据库主键自增

上述我们介绍了利用数据库的自增主键的特性，可以实现分布式id；这个id比较简短明了，适合做userid，正好符合如何永不迁移数据和避免热点? 根据服务器指标分配数据量(揭秘篇)文章中的id的需求。但这个方案有严重的问题：

• 一旦步长定下来，不容易扩容
• 数据库压力山大

小伙伴们看看怎么优化这个方案。先看数据库压力大，为什么压力大？是因为我们每次获取id的时候，都要去数据库请求一次。那我们可以不可以不要每次去取？

思路我们可以请求数据库得到id的时候，可设计成获得的id是一个id区间段。

 

我们看上图，有张id规则表：

1、id表示为主键，无业务含义。

2、biz_tag为了表示业务，因为整体系统中会有很多业务需要生成id，这样可以共用一张表维护

3、max_id表示现在整体系统中已经分配的最大id

4、desc描述

5、update_time表示每次取的id时间

我们再来看看整体流程：

1、【用户服务】在注册一个用户时，需要一个用户id；会请求【生成id服务(是独立的应用)】的接口

2、【生成id服务】会去查询数据库，找到user_tag的id，现在的max_id为0，step=1000

3、【生成id服务】把max_id和step返回给【用户服务】；并且把max_id更新为max_id = max_id + step，即更新为1000

4、【用户服务】获得max_id=0，step=1000；

5、 这个用户服务可以用id=【max_id + 1，max_id+step】区间的id，即为【1，1000】

6、【用户服务】会把这个区间保存到jvm中

7、【用户服务】需要用到id的时候，在区间【1，1000】中依次获取id，可采用atomiclong中的getandincrement方法。

8、如果把区间的值用完了，再去请求【生产id服务】接口，获取到max_id为1000，即可以用【max_id + 1，max_id+step】区间的id，即为【1001，2000】

这个方案就非常完美的解决了数据库自增的问题，而且可以自行定义max_id的起点，和step步长，非常方便扩容。

而且也解决了数据库压力的问题，因为在一段区间内，是在jvm内存中获取的，而不需要每次请求数据库。即使数据库宕机了，系统也不受影响，id还能维持一段时间。

3.2、竞争问题

以上方案中，如果是多个用户服务，同时获取id，同时去请求【id服务】，在获取max_id的时候会存在并发问题。

如用户服务a，取到的max_id=1000 ;用户服务b取到的也是max_id=1000，那就出现了问题，id重复了。那怎么解决？

其实方案很多，加分布式锁，保证同一时刻只有一个用户服务获取max_id。当然也可以用数据库自身的锁去解决。

 

利用事务方式加行锁，上面的语句，在没有执行完之前，是不允许第二个用户服务请求过来的，第二个请求只能阻塞。

3.3、突发阻塞问题

 

上图中，多个用户服务获取到了各自的id区间，在高并发场景下，id用的很快，如果3个用户服务在某一时刻都用完了，同时去请求【id服务】。因为上面提到的竞争问题，所有只有一个用户服务去操作数据库，其他二个会被阻塞。

小伙伴就会问，有这么巧吗？同时id用完。我们这里举的是3个用户服务，感觉概率不大；如果是100个用户服务呢？概率是不是一下子大了。

出现的现象就是一会儿突然系统耗时变长，一会儿好了，就是这个原因导致的，怎么去解决？

3.4、双buffer方案

在一般的系统设计中，双buffer会经常看到，怎么去解决上面的问题也可以采用双buffer方案。

 

在设计的时候，采用双buffer方案，上图的流程：

1、当前获取id在buffer1中，每次获取id在buffer1中获取

2、当buffer1中的id已经使用到了100，也就是达到区间的10%

3、达到了10%，先判断buffer2中有没有去获取过，如果没有就立即发起请求获取id线程，此线程把获取到的id，设置到buffer2中。

4、如果buffer1用完了，会自动切换到buffer2

5、buffer2用到10%了，也会启动线程再次获取，设置到buffer1中

6、依次往返

双buffer的方案，小伙伴们有没有感觉很酷，这样就达到了业务场景用的id，都是在jvm内存中获得的，从此不需要到数据库中获取了。允许数据库宕机时间更长了。

因为会有一个线程，会观察什么时候去自动获取。两个buffer之间自行切换使用。就解决了突发阻塞的问题。

 

四、总结

此方案是某团使用的分布式id算法，小伙伴们如果想了解更深，可以去网上搜下，这里应该介绍了比较详细了。

当然此方案美团还做了一些别的优化，监控id使用频率，自动设置步长step，从而达到对id节省使用。