溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
如何搞懂snowflake算法及百度美團，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。
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(tǒng)數(shù)據(jù)的重要標識，重要性不言而喻，而各種方案也是歷經(jīng)多代優(yōu)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：
完全依賴數(shù)據(jù)源方式
ID的生成規(guī)則，讀取控制完全由數(shù)據(jù)源控制，常見的如數(shù)據(jù)庫的自增長ID，序列號等，或Redis的INCR/INCRBY原子操作產(chǎn)生順序號等。
半依賴數(shù)據(jù)源方式
ID的生成規(guī)則，有部分生成因子需要由數(shù)據(jù)源（或配置信息）控制，如snowflake算法。
不依賴數(shù)據(jù)源方式
ID的生成規(guī)則完全由機器信息獨立計算，不依賴任何配置信息和數(shù)據(jù)記錄，如常見的UUID，GUID等
實踐方案適用于以上提及的三種實現(xiàn)方式，可作為這三種實現(xiàn)方式的一種補充，旨在提升系統(tǒng)吞吐量，但原有實現(xiàn)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(xù)不間斷的，但吞吐量可能不是最高。
預(yù)生成方案
預(yù)先生成一批ID放在數(shù)據(jù)池里，可簡單自增長生成，也可以設(shè)置步長，分批生成，需要將這些預(yù)先生成的數(shù)據(jù)，放在存儲容器里（JVM內(nèi)存，Redis，數(shù)據(jù)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。
以下對目前流行的分布式ID方案做簡單介紹
數(shù)據(jù)庫自增長ID
屬于完全依賴數(shù)據(jù)源的方式，所有的ID存儲在數(shù)據(jù)庫里，是最常用的ID生成辦法，在單體應(yīng)用時期得到了最廣泛的使用，建立數(shù)據(jù)表時利用數(shù)據(jù)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(yōu)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(shù)據(jù)表的自增ID容易重復(fù)，無法直接使用（可以設(shè)置步長，但局限性很明顯）；性能吞吐量整個較低，如果設(shè)計一個單獨的數(shù)據(jù)庫來實現(xiàn) 分布式應(yīng)用的數(shù)據(jù)唯一性，即使使用預(yù)生成方案，也會因為事務(wù)鎖的問題，高并發(fā)場景容易出現(xiàn)單點瓶頸。
適用場景：單數(shù)據(jù)庫實例的表ID（包含主從同步場景），部分按天計數(shù)的流水號等；分庫分表場景、全系統(tǒng)唯一性ID場景不適用。
Redis生成ID
也屬于完全依賴數(shù)據(jù)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(zhì)上實現(xiàn)方式與數(shù)據(jù)庫一致。
優(yōu)點：整體吞吐量比數(shù)據(jù)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(shù)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(wǎng)卡地址、納秒級時間、芯片ID碼和許多可能的數(shù)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(guān)，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(wǎng)卡，從網(wǎng)卡獲得，沒有網(wǎng)卡以其他方式獲得）
GUID：微軟對UUID這個標準的實現(xiàn)。UUID還有其它各種實現(xiàn)，不止GUID一種，不一一列舉了。
這兩種屬于不依賴數(shù)據(jù)源方式，真正的全球唯一性ID
優(yōu)點：不依賴任何數(shù)據(jù)源，自行計算，沒有網(wǎng)絡(luò)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(shù)據(jù)庫主鍵、索引會導(dǎo)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(shù)據(jù)源方式，原理是使用Long類型（64位），按照一定的規(guī)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(shù)可以根據(jù)實際需要分配，其中集群ID和機器ID這兩部分，在實際應(yīng)用場景中要依賴外部參數(shù)配置或數(shù)據(jù)庫記錄。
優(yōu)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(yīng)用環(huán)境的數(shù)據(jù)主鍵
雪花ID算法聽起來是不是特別適用分布式架構(gòu)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算法來源于Twitter，使用scala語言實現(xiàn)，利用Thrift框架實現(xiàn)RPC接口調(diào)用，最初的項目起因是數(shù)據(jù)庫從mysql遷移到Cassandra，Cassandra沒有現(xiàn)成可用 的ID生成機制，就催生了這個項目，現(xiàn)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(shù)據(jù)，并且響應(yīng)時間在2ms以內(nèi)），要在分布式環(huán)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(nèi)最多產(chǎn)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(shù)
41bit：毫秒數(shù)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(guī)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(shù)分配只是官方建議的，我們可以根據(jù)實際需要自行分配，比如說我們的應(yīng)用機器數(shù)量最多也就幾十臺，但并發(fā)數(shù)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(huán)境，隨時有擴容，縮減機器的操作，通過線下規(guī)劃去配置實例的ID不太現(xiàn)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(nèi)容，下文會講解。
github上也有大神用Java做了snowflake最基本的實現(xiàn)，這里直接查看源碼： snowflake java版源碼
/**
* twitter的snowflake算法 -- java實現(xiàn)
*
* @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(shù)
*/
private final static long SEQUENCE_BIT = 12; //序列號占用的位數(shù)
private final static long MACHINE_BIT = 5; //機器標識占用的位數(shù)
private final static long DATACENTER_BIT = 5;//數(shù)據(jù)中心占用的位數(shù)
/**
* 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(shù)據(jù)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(chǎn)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(nèi)，序列號自增
sequence = (sequence + 1) & MAX_SEQUENCE;
//同一毫秒的序列數(shù)已經(jīng)達到最大
if (sequence == 0L) {
currStmp = getNextMill();
}
} else {
//不同毫秒內(nèi)，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(shù)據(jù)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(shù)值，移到相應(yīng)的位置上，如機器ID這里由數(shù)據(jù)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(shù)據(jù)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(jù)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(chǔ)的實現(xiàn)原理，如果有些java基礎(chǔ)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)，<<表示左移操作，-1<<5等于-32，異或操作-1 ^ (-1 << 5)為31等等。
了解snowflake的基本實現(xiàn)原理，可以通過提前規(guī)劃好機器標識來實現(xiàn)，但目前的分布式生產(chǎn)環(huán)境，借用了多種云計算、容器化技術(shù)，實例的個數(shù)隨時有變化，還需要處理服務(wù)器實例時鐘回撥的問題，固定規(guī)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(yīng)用到生產(chǎn)環(huán)境中。
UidGenerator項目基于snowflake原理實現(xiàn)，只是修改了機器ID部分的定義（實例重啟的次數(shù)），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(fā)序列，是唯一的。據(jù)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(shù)。
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(nèi)置實現(xiàn)為在啟動時由數(shù)據(jù)庫分配，默認分配策略為用后即棄，后續(xù)可提供復(fù)用策略。
sequence (13 bits) 每秒下的并發(fā)序列，13 bits可支持每秒8192個并發(fā)。
具體的實現(xiàn)有兩種，一種是實時生成ID，另一種是預(yù)先生成ID方式
DefaultUidGenerator
啟動時向數(shù)據(jù)庫WORKER_NODE表插入當前實例的IP，Port等信息，再獲取該數(shù)據(jù)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(xiàn)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(yù)先生成一批ID，放在一個RingBuffer環(huán)形數(shù)組里，供客戶端使用，當可用數(shù)據(jù)低于閥值時，再次調(diào)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(huán)形數(shù)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(shù)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(fā)重新批量生成即可，這里獲取的ID值與DefaultUidGenerator的明顯區(qū)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(guān)系不大，都是不重復(fù)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(jié)可以了解一下，RingBuffer的數(shù)據(jù)都是使用數(shù)組來存儲的，考慮CPU Cache的結(jié)構(gòu)，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(fā)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(fā)現(xiàn)，snowflake算法在落地時有一些變化，主要體現(xiàn)在機器ID的獲取上，尤其是分布式集群環(huán)境下面，實例自動伸縮，docker容器化的一些技術(shù)，使得靜態(tài)配置項目ID，實例ID可行性不高，所以這些轉(zhuǎn)換為按啟動次數(shù)來標識。
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<Long> 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(fù)使用，不再是數(shù)據(jù)庫單調(diào)增長這一種了。
本文主要介紹了snowflake算法的原理及落地過程中的改造，在此學(xué)習(xí)了優(yōu)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(xiàn)有的UidGenerator算法，原生的snowflake算法，還包含優(yōu)秀的leaf segment算法。
看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注億速云行業(yè)資訊頻道，感謝您對億速云的支持。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼