一篇文章徹底搞懂snowflake算法及百度美團的最佳實踐

寫在前面的話

一提到分佈式ID自動生成方案,大家肯定都非常熟悉,並且立即能說出自家拿手的幾種方案,確實,ID作爲系統數據的重要標識,重要性不言而喻,而各種方案也是歷經多代優化,請允許我用這個視角對分佈式ID自動生成方案進行分類:

實現方式

  • 完全依賴數據源方式

ID的生成規則,讀取控制完全由數據源控制,常見的如數據庫的自增長ID,序列號等,或Redis的INCR/INCRBY原子操作產生順序號等。

  • 半依賴數據源方式

ID的生成規則,有部分生成因子需要由數據源(或配置信息)控制,如snowflake算法。

  • 不依賴數據源方式

ID的生成規則完全由機器信息獨立計算,不依賴任何配置信息和數據記錄,如常見的UUID,GUID等

實踐方案

實踐方案適用於以上提及的三種實現方式,可作爲這三種實現方式的一種補充,旨在提升系統吞吐量,但原有實現方式的侷限性依然存在。

  • 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都是連續不間斷的,但吞吐量可能不是最高。

  • 預生成方案

預先生成一批ID放在數據池裏,可簡單自增長生成,也可以設置步長,分批生成,需要將這些預先生成的數據,放在存儲容器裏(JVM內存,Redis,數據庫表均可)。
可以較大幅度地提升吞吐量,但需要開闢臨時存儲空間,斷電宕機後可能會丟失已有ID,ID可能有間斷。

方案簡介

以下對目前流行的分佈式ID方案做簡單介紹

  1. 數據庫自增長ID

屬於完全依賴數據源的方式,所有的ID存儲在數據庫裏,是最常用的ID生成辦法,在單體應用時期得到了最廣泛的使用,建立數據表時利用數據庫自帶的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。

  • 優點:非常簡單,有序遞增,方便分頁和排序。
  • 缺點:分庫分表後,同一數據表的自增ID容易重複,無法直接使用(可以設置步長,但侷限性很明顯);性能吞吐量整個較低,如果設計一個單獨的數據庫來實現 分佈式應用的數據唯一性,即使使用預生成方案,也會因爲事務鎖的問題,高併發場景容易出現單點瓶頸。
  • 適用場景:單數據庫實例的表ID(包含主從同步場景),部分按天計數的流水號等;分庫分表場景、全系統唯一性ID場景不適用。
  1. Redis生成ID

也屬於完全依賴數據源的方式,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,本質上實現方式與數據庫一致。

  • 優點:整體吞吐量比數據庫要高。
  • 缺點:Redis實例或集羣宕機後,找回最新的ID值有點困難。
  • 適用場景:比較適合計數場景,如用戶訪問量,訂單流水號(日期+流水號)等。
  1. UUID、GUID生成ID

UUID:按照OSF制定的標準計算,用到了以太網卡地址、納秒級時間、芯片ID碼和許多可能的數字。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,如果你在生成一個UUID之後,過幾秒又生成一個UUID,則第一個部分不同,其餘相同),時鐘序列,全局唯一的IEEE機器識別號(如果有網卡,從網卡獲得,沒有網卡以其他方式獲得)

GUID:微軟對UUID這個標準的實現。UUID還有其它各種實現,不止GUID一種,不一一列舉了。

這兩種屬於不依賴數據源方式,真正的全球唯一性ID

  • 優點:不依賴任何數據源,自行計算,沒有網絡ID,速度超快,並且全球唯一。
  • 缺點:沒有順序性,並且比較長(128bit),作爲數據庫主鍵、索引會導致索引效率下降,空間佔用較多。
  • 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、日誌存儲等。

4、snowflake算法(雪花算法)生成ID

屬於半依賴數據源方式,原理是使用Long類型(64位),按照一定的規則進行填充:時間(毫秒級)+集羣ID+機器ID+序列號,每部分佔用的位數可以根據實際需要分配,其中集羣ID和機器ID這兩部分,在實際應用場景中要依賴外部參數配置或數據庫記錄。

  • 優點: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:分佈式應用環境的數據主鍵

雪花ID算法聽起來是不是特別適用分佈式架構場景?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算法實現原理

snowflake算法來源於Twitter,使用scala語言實現,利用Thrift框架實現RPC接口調用,最初的項目起因是數據庫從mysql遷移到Cassandra,Cassandra沒有現成可用 的ID生成機制,就催生了這個項目,現有的github源碼有興趣可以去看看。

snowflake算法的特性是有序、唯一,並且要求高性能,低延遲(每臺機器每秒至少生成10k條數據,並且響應時間在2ms以內),要在分佈式環境(多集羣,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
  • 集羣ID + 機器ID, 10位,最多支持1024臺機器
  • 序列,12位,每臺機器每毫秒內最多產生4096個序列號

如圖所示:
snowflake結構

  • 1bit:符號位,固定是0,表示全部ID都是正整數
  • 41bit:毫秒數時間差,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,咱們這裏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,多集羣的也可以配置,需要線下規劃好各地機房,各集羣,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

以上的位數分配只是官方建議的,我們可以根據實際需要自行分配,比如說我們的應用機器數量最多也就幾十臺,但併發數很大,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,如果是雲計算、容器化的部署環境,隨時有擴容,縮減機器的操作,通過線下規劃去配置實例的ID不太現實,就可以替換爲實例每重啓一次,拿一次自增長的ID作爲該部分的內容,下文會講解。

github上也有大神用Java做了snowflake最基本的實現,這裏直接查看源碼:
snowflake java版源碼

/**
 * twitter的snowflake算法 -- java實現
 * 
 * @author beyond
 * @date 2016/11/26
 */
public class SnowFlake {

    /**
     * 起始的時間戳
     */
    private final static long START_STMP = 1480166465631L;

    /**
     * 每一部分佔用的位數
     */
    private final static long SEQUENCE_BIT = 12; //序列號佔用的位數
    private final static long MACHINE_BIT = 5;   //機器標識佔用的位數
    private final static long DATACENTER_BIT = 5;//數據中心佔用的位數

    /**
     * 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;  //數據中心
    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,序列號自增
            sequence = (sequence + 1) & MAX_SEQUENCE;
            //同一毫秒的序列數已經達到最大
            if (sequence == 0L) {
                currStmp = getNextMill();
            }
        } else {
            //不同毫秒內,序列號置爲0
            sequence = 0L;
        }

        lastStmp = currStmp;

        return (currStmp - START_STMP) << TIMESTMP_LEFT //時間戳部分
                | datacenterId << DATACENTER_LEFT       //數據中心部分
                | 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,將每段含義的數值,移到相應的位置上,如機器ID這裏由數據中心+機器標識組成,所以,機器標識向左移12位,就是它的位置,數據中心的編號向左移17位,時間戳的值向左移22位,每部分佔據自己的位置,各不干涉,由此組成一個完整的ID值。

這裏就是snowflake最基礎的實現原理,如果有些java基礎知識不記得了建議查一下資料,如二進制-1的表示是0xffff(裏面全是1),<<表示左移操作,-1<<5等於-32,異或操作-1 ^ (-1 << 5)爲31等等。

瞭解snowflake的基本實現原理,可以通過提前規劃好機器標識來實現,但目前的分佈式生產環境,借用了多種雲計算、容器化技術,實例的個數隨時有變化,還需要處理服務器實例時鐘回撥的問題,固定規劃ID然後通過配置來使用snowflake的場景可行性不高,一般是自動啓停,增減機器,這樣就需要對snowflake進行一些改造才能更好地應用到生產環境中。

百度uid-generator項目

UidGenerator項目基於snowflake原理實現,只是修改了機器ID部分的定義(實例重啓的次數),並且64位bit的分配支持配置,官方提供的默認分配方式如下圖:

百度實現的默認snowflake結構

Snowflake算法描述:指定機器 & 同一時刻 & 某一併發序列,是唯一的。據此可生成一個64 bits的唯一ID(long)。

  • sign(1bit) 固定1bit符號標識,即生成的UID爲正數。
  • delta seconds (28 bits)
    當前時間,相對於時間基點"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次機器啓動。內置實現爲在啓動時由數據庫分配,默認分配策略爲用後即棄,後續可提供複用策略。
  • sequence (13 bits) 每秒下的併發序列,13 bits可支持每秒8192個併發。

具體的實現有兩種,一種是實時生成ID,另一種是預先生成ID方式

  1. DefaultUidGenerator
  • 啓動時向數據庫WORKER_NODE表插入當前實例的IP,Port等信息,再獲取該數據的自增長ID作爲機器ID部分。
    簡易流程圖如下:

UidGenerator啓動過程

  • 提供獲取ID的方法,並且檢測是否有時鐘回撥,有回撥現象直接拋出異常,當前版本不支持時鐘順撥後漂移操作。簡易流程圖如下:

UidGenerator生成過程

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);
    }
  1. CachedUidGenerator

機器ID的獲取方法與上一種相同,這種是預先生成一批ID,放在一個RingBuffer環形數組裏,供客戶端使用,當可用數據低於閥值時,再次調用批量生成方法,屬於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環形數組的邏輯,簡單流程圖如下:

CachedUidGenerator啓動過程

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,由於有RingBuffer這個緩衝數組存在,獲取ID直接從RingBuffer取出即可,同時RingBuffer自身校驗何時再觸發重新批量生成即可,這裏獲取的ID值與DefaultUidGenerator的明顯區別是,DefaultUidGenerator獲取的ID,時間戳部分就是當前時間的,CachedUidGenerator裏獲取的是填充時的時間戳,並不是獲取時的時間,不過關係不大,都是不重複的,一樣用。簡易流程圖如下:

CachedUidGenerator獲取過程

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;
    }

另外有個細節可以瞭解一下,RingBuffer的數據都是使用數組來存儲的,考慮CPU Cache的結構,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CacheLine的RFO請求,反而影響性能,爲了防止僞共享問題,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,剛好佔滿一個Cache Line(Java對象還有8byte的對象頭),這個叫CacheLine補齊,有興趣可以瞭解一下,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,我們可以發現,snowflake算法在落地時有一些變化,主要體現在機器ID的獲取上,尤其是分佈式集羣環境下面,實例自動伸縮,docker容器化的一些技術,使得靜態配置項目ID,實例ID可行性不高,所以這些轉換爲按啓動次數來標識。

美團ecp-uid項目

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);

並且在機器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覆使用,不再是數據庫單調增長這一種了。

結束語

本篇簡單介紹了snowflake算法的原理及落地過程中的改造,在此學習了優秀的開源代碼,並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有的UidGenerator算法,原生的snowflake算法,還包含優秀的leaf segment算法,鑑於篇幅沒有詳盡描述。文章內有任何不正確或不詳盡之處請留言指出,謝謝。

專注Java高併發、分佈式架構,更多技術乾貨分享與心得,請關注公衆號:Java架構社區
Java架構社區

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章