什么是分布式系统唯一ID

在复杂分布式系统中，往往需要对大量的数据和消息进行唯一标识。

如在金融、电商、支付、等产品的系统中，数据日渐增长，对数据分库分表后需要有一个唯一ID来标识一条数据或消息，数据库的自增ID显然不能满足需求，此时一个能够生成全局唯一ID的系统是非常必要的。

分布式系统唯一ID的特点

1. 全局唯一性：不能出现重复的ID号，既然是唯一标识，这是最基本的要求。
2. 趋势递增：在MySQL InnoDB引擎中使用的是聚集索引，由于多数RDBMS使用B-tree的数据结构来存储索引数据，在主键的选择上面我们应该尽量使用有序的主键保证写入性能。
3. 单调递增：保证下一个ID一定大于上一个ID，例如事务版本号、IM增量消息、排序等特殊需求。
4. 信息安全：如果ID是连续的，恶意用户的扒取工作就非常容易做了，直接按照顺序下载指定URL即可；如果是订单号就更危险了，竞对可以直接知道我们一天的单量。所以在一些应用场景下，会需要ID无规则、不规则。
   同时除了对ID号码自身的要求，业务还对ID号生成系统的可用性要求极高，想象一下，如果ID生成系统瘫痪，这就会带来一场灾难。

由此总结下一个ID生成系统应该做到如下几点：

1. 平均延迟和TP999延迟都要尽可能低（TP90就是满足百分之九十的网络请求所需要的最低耗时。TP99就是满足百分之九十九的网络请求所需要的最低耗时。同理TP999就是满足千分之九百九十九的网络请求所需要的最低耗时）；
2. 可用性5个9（99.999%）；
3. 高QPS。

分布式系统唯一ID的实现方案

UUID

UUID(Universally Unique Identifier)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：550e8400-e29b-41d4-a716-446655440000，到目前为止一共有5种方式生成UUID，详情见IETF发布的UUID规范 A Universally Unique IDentifier (UUID) URN Namespace。

优点：

性能非常高：本地生成，没有网络消耗。

缺点：

1. 不易于存储：UUID太长，16字节128位，通常以36长度的字符串表示，很多场景不适用。
2. 信息不安全：基于MAC地址生成UUID的算法可能会造成MAC地址泄露，这个漏洞曾被用于寻找梅丽莎病毒的制作者位置。
3. ID作为主键时在特定的环境会存在一些问题，比如做DB主键的场景下，UUID就非常不适用

数据库生成

以MySQL举例，利用给字段设置auto_increment_increment和auto_increment_offset来保证ID自增，每次业务使用下列SQL读写MySQL得到ID号。

优点：

1. 非常简单，利用现有数据库系统的功能实现，成本小，有DBA专业维护。
2. ID号单调自增，可以实现一些对ID有特殊要求的业务。

缺点：

1. 强依赖DB，当DB异常时整个系统不可用，属于致命问题。配置主从复制可以尽可能的增加可用性，但是数据一致性在特殊情况下难以保证。主从切换时的不一致可能会导致重复发号。
2. ID发号性能瓶颈限制在单台MySQL的读写性能。

Redis生成ID

当使用数据库来生成ID性能不够要求的时候，可以尝试使用Redis来生成ID。

这主要依赖于Redis是单线程的，所以也可以用生成全局唯一的ID。可以用Redis的原子操作 INCR和INCRBY来实现。

比较适合使用Redis来生成每天从0开始的流水号。比如订单号=日期+当日自增长号。可以每天在Redis中生成一个Key，使用INCR进行累加。

优点：

1）不依赖于数据库，灵活方便，且性能优于数据库。

2）数字ID天然排序，对分页或者需要排序的结果很有帮助。

缺点：

1）如果系统中没有Redis，还需要引入新的组件，增加系统复杂度。

2）需要编码和配置的工作量比较大。

利用zookeeper（分布式应用程序协调服务）生成唯一ID

zookeeper主要通过其znode数据版本来生成序列号，可以生成32位和64位的数据版本号，客户端可以使用这个版本号来作为唯一的序列号。

很少会使用zookeeper来生成唯一ID。主要是由于需要依赖zookeeper，并且是多步调用API，如果在竞争较大的情况下，需要考虑使用分布式锁。因此，性能在高并发的分布式环境下，也不甚理想。

snowflake（雪花算法）方案

这种方案大致来说是一种以划分命名空间（UUID也算，由于比较常见，所以单独分析）来生成ID的一种算法，这种方案把64-bit分别划分成多段，分开来标示机器、时间等。

雪花算法的原理就是生成一个的 64 位比特位的 long 类型的唯一 id。

1. 最高 1 位固定值 0，因为生成的 id 是正整数，如果是 1 就是负数了。
2. 接下来 41 位存储毫秒级时间戳，2^41/(1000606024365)=69，大概可以使用 69 年。
3. 再接下 10 位存储机器码，包括 5 位 datacenterId 和 5 位 workerId。最多可以部署 2^10=1024 台机器。
4. 最后 12 位存储序列号。同一毫秒时间戳时，通过这个递增的序列号来区分。即对于同一台机器而言，同一毫秒时间戳下，可以生成 2^12=4096 个不重复 id。

可以将雪花算法作为一个单独的服务进行部署，然后需要全局唯一 id 的系统，请求雪花算法服务获取 id 即可。

对于每一个雪花算法服务，需要先指定 10 位的机器码，这个根据自身业务进行设定即可。例如机房号+机器号，机器号+服务号，或者是其他可区别标识的 10 位比特位的整数值都行。

优点：

1. 毫秒数在高位，自增序列在低位，整个ID都是趋势递增的。
2. 不依赖数据库等第三方系统，以服务的方式部署，稳定性更高，生成ID的性能也是非常高的。
3. 可以根据自身业务特性分配bit位，非常灵活。

缺点：

强依赖机器时钟，如果机器上时钟回拨，会导致发号重复或者服务会处于不可用状态。

go简易实现

import ("errors""fmt""sync""time"
)const (// 时间戳的位数timeBits = 41// 机器ID的位数machineBits = 10// 序列号的位数sequenceBits = 12// 最大机器ID，1023maxMachineID = -1 ^ (-1 << machineBits)// 最大序列号，4095maxSequence = -1 ^ (-1 << sequenceBits)// 时间戳左移位数，机器ID占10位，序列号占12位，所以左移22位timeShift = machineBits + sequenceBits// 机器ID左移位数，序列号占12位，所以左移12位machineShift = sequenceBits
)type Snowflake struct {machineID     int64 // 机器IDsequence      int64 // 序列号lastTimestamp int64 // 上一次生成ID的时间戳mu            sync.Mutex
}// NewSnowflake 创建一个新的Snowflake实例
func NewSnowflake(machineID int64) (*Snowflake, error) {if machineID < 0 || machineID > maxMachineID {return nil, errors.New("invalid machine ID")}return &Snowflake{machineID:     machineID,sequence:      0,lastTimestamp: -1,}, nil
}// NextID 生成新的ID
func (sf *Snowflake) NextID() (int64, error) {sf.mu.Lock()defer sf.mu.Unlock()// 获取当前时间戳timestamp := time.Now().UnixNano() / int64(time.Millisecond)// 如果当前时间戳小于上一次生成ID的时间戳，说明系统时间发生了回退，这种情况下无法继续生成IDif timestamp < sf.lastTimestamp {return 0, errors.New("system clock moved backwards")}// 如果当前时间戳与上一次生成ID的时间戳相同，说明需要生成的ID数量已经达到了最大值，此时需要等待下一毫秒再生成IDif timestamp == sf.lastTimestamp {sf.sequence = (sf.sequence + 1) & maxSequenceif sf.sequence == 0 {timestamp = sf.waitNextMillis(timestamp)}} else {sf.sequence = 0}// 记录上一次生成ID的时间戳sf.lastTimestamp = timestamp// 生成新的IDid := (timestamp << timeShift) | (sf.machineID << machineShift) | sf.sequencereturn id, nil
}// 等待下一毫秒
func (sf *Snowflake) waitNextMillis(currentTimestamp int64) int64 {for {timestamp := time.Now().UnixNano() / int64(time.Millisecond)if timestamp > currentTimestamp {return timestamp}}
}

-1 的二进制表示为全 1 的二进制数，它与任何数进行异或运算，结果等于这个数的按位取反。所以，-1 ^ (-1 << machineBits) 的作用是生成 machineBits 位的二进制数，这个数的最高位为 0，其它位为 1，相当于是一个二进制位全为 1 的掩码。

例如，当 machineBits = 10 时，生成的掩码为 0b1111111111（十进制为 1023），这个掩码可以用来限制机器ID的范围，保证机器ID在 0 到 1023 之间。

使用掩码的方式，可以确保生成的数值只使用了指定位数的二进制位，并将其它位设置为 0，从而避免了可能出现的溢出和数据类型转换问题。

实际上，对于任意的非负整数 n，(1<<n)-1 都可以生成一个 n 位的二进制位全为 1 的掩码，这个掩码可以用于限制 n 位二进制数的范围。

因此，在使用生成二进制位全为 1 的掩码时，可以选择使用 -1 ^(-1<<n) 或者 (1<<n)-1，两种方式得到的结果是一样的，具体选择哪一种方式取决于个人喜好和代码实现的需要。

股市行情