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)拉取最新的一頁消息:selectmessage-id/ order by time/ limit 100
(2)拉取最新的一頁訂單:selectorder-id/ order by time/ limit 100
(3)拉取最新的一頁帖子:selecttiezi-id/ order by time/ limit 100
所以往往要有一個time字段,並且在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,能這麼做的前提是,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:因爲寫入是單點,數據庫主庫的寫性能決定ID的生成性能上限,並且難以擴展
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不重複
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…)
改進後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
爲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】
分佈式系統之所以難,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,還是隻能使用單點服務,用本地時鐘保證“絕對時序”。數據庫寫壓力大,是因爲每次生成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的最大值,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的最大值修改爲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發完後,再將ID的最大值修改爲11,就能再次派發6,7,8,9,10,11這些ID了,於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,服務重啓起來之後,繼續生成ID可能會不連續,中間出現空洞(服務內存是保存着0,1,2,3,4,5,數據庫中max-id是5,分配到3時,服務重啓了,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於備用狀態,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,具體就不在這裏展開。
【常見方法三:uuid】
上述方案來生成ID,雖然性能大增,但由於是單點系統,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,基本可以認爲沒有性能上限
缺點:
(1)無法保證趨勢遞增
(2)uuid過長,往往用字符串表示,作爲主鍵建立索引查詢效率低,常見優化方案爲“轉化爲兩個uint64整數存儲”或者“折半存儲”(折半後不能保證唯一性)
【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,且作爲字符串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,建立索引後查詢效率高
缺點:
(1)如果併發量超過1000,會生成重複的ID
我去,這個缺點要了命了,不能保證ID的唯一性。當然,使用微秒可以降低衝突概率,但每秒最多隻能生成1000000個ID,再多的話就一定會衝突了,所以使用微秒並不從根本上解決問題。
【常見方法五:類snowflake算法】
snowflake是twitter開源的分佈式ID生成算法,其核心思想是:一個long型的ID,使用其中41bit作爲毫秒數,10bit作爲機器編號,12bit作爲毫秒內序列號。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。
借鑑snowflake的思想,結合各公司的業務邏輯和併發量,可以實現自己的分佈式ID生成算法。
舉例,假設某公司ID生成器服務的需求如下:
(1)單機高峯併發量小於1W,預計未來5年單機高峯併發量小於10W
(2)有2個機房,預計未來5年機房數量小於4個
(3)每個機房機器數小於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於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後上線),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)每秒的單機高峯併發量小於10W,即平均每毫秒的單機高峯併發量小於100,差不多預留7bit給每毫秒內序列號
(3)5年內機房數小於4個,預留2bit給機房標識
(4)每個機房小於100臺機器,預留7bit給每個機房內的服務器標識
(5)業務線小於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)將毫秒數放在最高位,保證生成的ID是趨勢遞增的
缺點:
(1)由於“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)
最後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經常作爲取模分庫分表的依據,爲了分庫分表後數據均勻,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。