文章目录

• 前言
• 一、分布式ID需要满足的条件
• 二、分布式ID生成方式
• • 基于UUID
  • 数据库自增
  • 数据库集群
  • 数据库号段模式
  • redis ID生成
  • 基于雪花算法（Snowflake）模式
  • 百度（uid-generator）
  • 美团（Leaf）
  • 滴滴（Tinyid）

前言

对于单体系统来说，主键ID可能会常用主键自动的方式进行设置，这种ID生成方法在单体项目是可行的，但是对于分布式系统，分库分表之后，就不适应了，比如订单表数据量太大了，分成了多个库，如果还采用数据库主键自增的方式，就会出现在不同库id一致的情况。

一、分布式ID需要满足的条件

① 全局唯一：必须保证ID是全局性唯一的。
② 趋势有序：业务上分页查询需求，排序需求，如果ID直接有序，则不必建立更多的索引，增加查询条件。
而且Mysql InnoDB存储引擎主键使用聚集索引，主键有序则写入性能更高。
③ 高可用：ID是一条数据的唯一标识，如果ID生成失败，则影响很大，业务执行不下去。所以好的ID方案需要有高可用。
④ 信息安全：ID虽然趋势有序，但是不可以被看出规则，免得被爬取信息。

二、分布式ID生成方式

今天主要分析一下以下9种，分布式ID生成器方式以及优缺点：

• UUID
• 数据库自增ID
• 数据库多主模式
• 号段模式
• Redis
• 雪花算法（SnowFlake）
• 滴滴出品（TinyID）
• 百度 （Uidgenerator）
• 美团（Leaf）

注：主流生成ID方案都是基于数据库号段模式和雪花算法

基于UUID

UUID （Universally Unique Identifier），通用唯一识别码的缩写。UUID的标准型式包含32个16进制数字，以连字号分为五段，形式为8-4-4-4-12的36个字符，示例： 863e254b-ae34-4371-87da-204b71d46a7b。

String uuid = UUID.randomUUID().toString().replaceAll("-","");
System.out.println(uuid);// 9c58226555c248018be2032964de2de6

优点：

• 性能非常高，本地生成的，不依赖于网络。

缺点：

• 无序。
• 不能标识出此ID的含义，不可读。
• 字符串太长且无序，作为MySQL主键，影响性能。

数据库自增

基于数据库的 auto_increment 自增ID完全可以充当分布式ID。

优点：

• 实现起来比较简单，ID 有序递增，存储消耗空间小。

缺点：

• 存在数据库单点问题（可以使用数据库集群解决，不过增加了复杂度）。
• ID 没有具体业务含义。
• 安全问题（比如根据订单 ID 的递增规律就能推算出每天的订单量）。
• 每次获取 ID 都要访问一次数据库（增加了对数据库的压力，获取速度也慢）。
• 分库分表后，同一数据表的自增ID容易重复，无法直接使用（可以设置步长，但局限性很明显），ID没有了单调递增的特性，只能趋势递增，有些业务场景可能不符合。

数据库集群

前边说了单点数据库方式不可取，那对上边的方式做一些高可用优化，换成主从模式集群。害怕一个主节点挂掉没法用，那就做双主模式集群，也就是两个Mysql实例都能单独的生产自增ID。

设置起始值和自增步长

MySQL_1 配置：

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

MySQL_2 配置：

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

这样两个MySQL实例的自增ID分别就是：

1、3、5、7、9
2、4、6、8、10

水平扩展的数据库集群，有利于解决数据库单点压力的问题，同时为了ID生成特性，将自增步长按照机器数量来设置。
增加第三台MySQL实例需要人工修改一、二两台MySQL实例的起始值和步长，把第三台机器的ID起始生成位置设定在比现有最大自增ID的位置远一些，但必须在一、二两台MySQL实例ID还没有增长到第三台MySQL实例的起始ID值的时候，否则自增ID就要出现重复了，必要时可能还需要停机修改。

优点：

• 解决DB单点问题

缺点：

• 不利于后续扩容。
• 实际上单个数据库自身压力还是大，依旧无法满足高并发场景。

数据库号段模式

这种模式也是现在生成分布式ID的一种方法，实现思路是会从数据库获取一个号段范围，比如[1,1000]，生成1到1000的自增ID加载到内存中，建表结构如：

CREATE TABLE `sequence_id_generator` (`id` int(10) NOT NULL,`current_max_id` bigint(20) NOT NULL COMMENT '当前最大id',`step` int(10) NOT NULL COMMENT '号段的长度',`version` int(20) NOT NULL COMMENT '版本号',`biz_type`    int(20) NOT NULL COMMENT '业务类型',PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

current_max_id 字段和 step 字段主要用于获取批量 ID，id 为： current_max_id ~ current_max_id + step 。
version 字段主要用于解决并发问题（乐观锁），biz_type 主要用于表示业务类型。

① 先插入一行数据

INSERT INTO `sequence_id_generator` (`id`, `current_max_id`, `step`, `version`, `biz_type`) VALUES(1, 0, 100, 0, 101);

② 通过 SELECT 获取指定业务下的批量唯一 ID

SELECT `current_max_id`, `step`,`version` FROM `sequence_id_generator` where `biz_type` = 101

③ 不够用的话，更新之后重新 SELECT 即可。

UPDATE sequence_id_generator SET current_max_id = 0+100, version=version+1 WHERE version = 0  AND `biz_type` = 101
SELECT `current_max_id`, `step`,`version` FROM `sequence_id_generator` where `biz_type` = 101

相比于数据库主键自增的方式，数据库的号段模式对于数据库的访问次数更少，数据库压力更小。

另外，为了避免单点问题，你可以从使用主从模式来提高可用性。

优点：

• ID 有序递增，存储消耗空间小，有比较成熟的方案，像百度Uidgenerator，美团Leaf

缺点：

• 依赖于数据库实现。

redis ID生成

Redis分布式ID实现主要是通过提供像 INCR 和 INCRBY 这样的自增原子命令，由于Redis单线程的特点，可以保证ID的唯一性和有序性。

这种实现方式，如果并发请求量上来后，就需要集群，不过集群后，又要和传统数据库一样，设置分段和步长。

时间+用redis的incr自增命令（每日从1开始），代码如下：

public class RedisCounterRepository {private final DateTimeFormatter dateTimeFormatter = DateTimeFormatter.ofPattern("yyyyMMdd");private RedisTemplate redisTemplate;@Autowiredpublic RedisCounterRepository(RedisTemplate redisTemplate) {this.redisTemplate = redisTemplate;}// 根据获取的自增数据,添加日期标识构造分布式全局唯一标识，changeNumPrefix是自己定义的随机前缀private String getNumFromRedis(String changeNumPrefix) {String dateStr = LocalDate.now().format(dateTimeFormatter);Long value = incrementNum(changeNumPrefix + dateStr);//不足4位补0，redis从1开始生成的，每天再次请0return dateStr + StringUtils.leftPad(String.valueOf(value), 4, '0');}// 从redis中获取自增数据(redis保证自增是原子操作)private long incrementNum(String key) {RedisConnectionFactory factory = redisTemplate.getConnectionFactory();if (null == factory) {log.error("Unable to connect to redis.");throw new UserException(AppStatus.INTERNAL_SERVER_ERROR);}RedisAtomicLong redisAtomicLong = new RedisAtomicLong(key, factory);long increment = redisAtomicLong.incrementAndGet();if (1 == increment) {// 如果数据是初次设置,需要设置超时时间redisAtomicLong.expire(1, TimeUnit.DAYS);}return increment;}
}

用redis实现需要注意一点，要考虑到redis持久化的问题。redis有两种持久化方式RDB和AOF

• RDB会定时打一个快照进行持久化，假如连续自增但redis没及时持久化，而这会Redis挂掉了，重启Redis后会出现ID重复的情况。
• AOF会对每条写命令进行持久化，即使Redis挂掉了也不会出现ID重复的情况，但由于incr命令的特殊性，会导致Redis重启恢复的数据时间过长。

优点：

• 性能不错、每秒10万并发量。
• 生成的 ID 是有序递增的

缺点：

• redis 宕机后不可用，RDB重启数据丢失会重复ID。
• 自增，数据量易暴露。

基于雪花算法（Snowflake）模式

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。

https://blog.csdn.net/yy139926/article/details/128468074

优点：

• 雪花算法生成的ID是趋势递增，不依赖数据库等第三方系统，生成ID的效率非常高，稳定性好，可以根据自身业务特性分配bit位，比较灵活。

缺点：

• 每台机器的时钟不同，当时钟回拨可能会发生重复ID。
• 当数据量大时，需要对ID取模分库分表，在跨毫秒时，序列号总是归0，会发生取模后分布不均衡。

如何解决时间回拨问题

时间回拨是指，当机器出现问题,时间可能回到之前,此时雪花算法生成的id可能与之前的id值相同，从而导致id重复。

1. 系统抛出异常，运维来手动调整时间。
2. 延迟等待，对于偶然性的时间回拨，也许是机器出现了一次小故障，频繁出现的概率并不大，所以对于这种情况没必要中断业务，可以采用阻塞线程5ms，再获取时间，对比看时间是否比上一次请求的时间大，如果大了，说明恢复正常了，则不用管；如果还小，说明真出问题了，则抛出异常，呼唤程序员处理。
3. 备用机方式来解决，当前机器出现问题，迅速换一台机器，通过高可用解决。

百度（uid-generator）

略

美团（Leaf）

https://blog.csdn.net/yy139926/article/details/126740614

滴滴（Tinyid）

略