一、需求緣起

幾乎所有的業務系統，都有生成一個記錄標識的需求，例如：

(1)消息標識：message-id

(2)訂單標識：order-id

(3)帖子標識：tiezi-id

這個記錄標識往往就是數據庫中的唯一主鍵，數據庫上會建立聚集索引(cluster index)，即在物理存儲上以這個字段排序。

這個記錄標識上的查詢，往往又有分頁或者排序的業務需求，例如：

(1)拉取***的一頁消息：selectmessage-id/ order by time/ limit 100

(2)拉取***的一頁訂單：selectorder-id/ order by time/ limit 100

(3)拉取***的一頁帖子：selecttiezi-id/ order by time/ limit 100

所以往往要有一個time字段，并且在time字段上建立普通索引(non-cluster index)。

我們都知道普通索引存儲的是實際記錄的指針，其訪問效率會比聚集索引慢，如果記錄標識在生成時能夠基本按照時間有序，則可以省去這個time字段的索引查詢：

select message-id/ (order by message-id)/limit 100

再次強調，能這么做的前提是，message-id的生成基本是趨勢時間遞增的。

這就引出了記錄標識生成(也就是上文提到的三個XXX-id)的兩大核心需求：

(1)全局唯一

(2)趨勢有序

這也是本文要討論的核心問題：如何高效生成趨勢有序的全局唯一ID。

二、常見方法、不足與優化

【常見方法一：使用數據庫的 auto_increment 來生成全局唯一遞增ID】

優點：

(1)簡單，使用數據庫已有的功能

(2)能夠保證唯一性

(3)能夠保證遞增性

(4)步長固定

缺點：

(1)可用性難以保證：數據庫常見架構是一主多從+讀寫分離，生成自增ID是寫請求，主庫掛了就玩不轉了

(2)擴展性差，性能有上限：因為寫入是單點，數據庫主庫的寫性能決定ID的生成性能上限，并且難以擴展

改進方法：

(1)增加主庫，避免寫入單點

(2)數據水平切分，保證各主庫生成的ID不重復

如上圖所述，由1個寫庫變成3個寫庫，每個寫庫設置不同的auto_increment初始值，以及相同的增長步長，以保證每個數據庫生成的ID是不同的(上圖中庫0生成0,3,6,9…，庫1生成1,4,7,10，庫2生成2,5,8,11…)

改進后的架構保證了可用性，但缺點是：

(1)喪失了ID生成的“絕對遞增性”：先訪問庫0生成0,3，再訪問庫1生成1，可能導致在非常短的時間內，ID生成不是絕對遞增的(這個問題不大，我們的目標是趨勢遞增，不是絕對遞增)

(2)數據庫的寫壓力依然很大，每次生成ID都要訪問數據庫

為了解決上述兩個問題，引出了第二個常見的方案

【常見方法二：單點批量ID生成服務】

分布式系統之所以難，很重要的原因之一是“沒有一個全局時鐘，難以保證絕對的時序”，要想保證絕對的時序，還是只能使用單點服務，用本地時鐘保證“絕對時序”。數據庫寫壓力大，是因為每次生成ID都訪問了數據庫，可以使用批量的方式降低數據庫寫壓力。

如上圖所述，數據庫使用雙master保證可用性，數據庫中只存儲當前ID的***值，例如0。ID生成服務假設每次批量拉取6個ID，服務訪問數據庫，將當前ID的***值修改為5，這樣應用訪問ID生成服務索要ID，ID生成服務不需要每次訪問數據庫，就能依次派發0,1,2,3,4,5這些ID了，當ID發完后，再將ID的***值修改為11，就能再次派發6,7,8,9,10,11這些ID了，于是數據庫的壓力就降低到原來的1/6了。

優點：

(1)保證了ID生成的絕對遞增有序

(2)大大的降低了數據庫的壓力，ID生成可以做到每秒生成幾萬幾十萬個

缺點：

(1)服務仍然是單點

(2)如果服務掛了，服務重啟起來之后，繼續生成ID可能會不連續，中間出現空洞(服務內存是保存著0,1,2,3,4,5，數據庫中max-id是5，分配到3時，服務重啟了，下次會從6開始分配，4和5就成了空洞，不過這個問題也不大)

(3)雖然每秒可以生成幾萬幾十萬個ID，但畢竟還是有性能上限，無法進行水平擴展

改進方法：

單點服務的常用高可用優化方案是“備用服務”，也叫“影子服務”，所以我們能用以下方法優化上述缺點(1)：

如上圖，對外提供的服務是主服務，有一個影子服務時刻處于備用狀態，當主服務掛了的時候影子服務頂上。這個切換的過程對調用方是透明的，可以自動完成，常用的技術是vip+keepalived，具體就不在這里展開。

【常見方法三：uuid】

上述方案來生成ID，雖然性能大增，但由于是單點系統，總還是存在性能上限的。同時，上述兩種方案，不管是數據庫還是服務來生成ID，業務方Application都需要進行一次遠程調用，比較耗時。有沒有一種本地生成ID的方法，即高性能，又時延低呢?

uuid是一種常見的方案：string ID =GenUUID();

優點：

(1)本地生成ID，不需要進行遠程調用，時延低

(2)擴展性好，基本可以認為沒有性能上限

缺點：

(1)無法保證趨勢遞增

(2)uuid過長，往往用字符串表示，作為主鍵建立索引查詢效率低，常見優化方案為“轉化為兩個uint64整數存儲”或者“折半存儲”(折半后不能保證唯一性)

【常見方法四：取當前毫秒數】

uuid是一個本地算法，生成性能高，但無法保證趨勢遞增，且作為字符串ID檢索效率低，有沒有一種能保證遞增的本地算法呢?

取當前毫秒數是一種常見方案：uint64 ID = GenTimeMS();

優點：

(1)本地生成ID，不需要進行遠程調用，時延低

(2)生成的ID趨勢遞增

(3)生成的ID是整數，建立索引后查詢效率高

缺點：

(1)如果并發量超過1000，會生成重復的ID

我去，這個缺點要了命了，不能保證ID的唯一性。當然，使用微秒可以降低沖突概率，但每秒最多只能生成1000000個ID，再多的話就一定會沖突了，所以使用微秒并不從根本上解決問題。

【常見方法五：類snowflake算法】

snowflake是twitter開源的分布式ID生成算法，其核心思想是：一個long型的ID，使用其中41bit作為毫秒數，10bit作為機器編號，12bit作為毫秒內序列號。這個算法單機每秒內理論上最多可以生成1000*(2^12)，也就是400W的ID，完全能滿足業務的需求。

借鑒snowflake的思想，結合各公司的業務邏輯和并發量，可以實現自己的分布式ID生成算法。

舉例，假設某公司ID生成器服務的需求如下：

(1)單機高峰并發量小于1W，預計未來5年單機高峰并發量小于10W

(2)有2個機房，預計未來5年機房數量小于4個

(3)每個機房機器數小于100臺

(4)目前有5個業務線有ID生成需求，預計未來業務線數量小于10個

(5)…

分析過程如下：

(1)高位取從2016年1月1日到現在的毫秒數(假設系統ID生成器服務在這個時間之后上線)，假設系統至少運行10年，那至少需要10年*365天*24小時*3600秒*1000毫秒=320*10^9，差不多預留39bit給毫秒數

(2)每秒的單機高峰并發量小于10W，即平均每毫秒的單機高峰并發量小于100，差不多預留7bit給每毫秒內序列號

(3)5年內機房數小于4個，預留2bit給機房標識

(4)每個機房小于100臺機器，預留7bit給每個機房內的服務器標識

(5)業務線小于10個，預留4bit給業務線標識

這樣設計的64bit標識，可以保證：

(1)每個業務線、每個機房、每個機器生成的ID都是不同的

(2)同一個機器，每個毫秒內生成的ID都是不同的

(3)同一個機器，同一個毫秒內，以序列號區區分保證生成的ID是不同的

(4)將毫秒數放在***位，保證生成的ID是趨勢遞增的

缺點：

(1)由于“沒有一個全局時鐘”，每臺服務器分配的ID是絕對遞增的，但從全局看，生成的ID只是趨勢遞增的(有些服務器的時間早，有些服務器的時間晚)

***一個容易忽略的問題：

生成的ID，例如message-id/ order-id/ tiezi-id，在數據量大時往往需要分庫分表，這些ID經常作為取模分庫分表的依據，為了分庫分表后數據均勻，ID生成往往有“取模隨機性”的需求，所以我們通常把每秒內的序列號放在ID的最末位，保證生成的ID是隨機的。

又如果，我們在跨毫秒時，序列號總是歸0，會使得序列號為0的ID比較多，導致生成的ID取模后不均勻。解決方法是，序列號不是每次都歸0，而是歸一個0到9的隨機數，這個地方。

【本文為51CTO專欄作者“58沈劍”原創稿件，轉載請聯系原作者】