自增ID算法snowflake

使用UUID或者GUID產生的ID沒有規則

Snowflake算法是Twitter的工程師為實現遞增而不重復的ID實現的

概述 
分布式系統中，有一些需要使用全局唯一ID的場景，這種時候為了防止ID沖突可以使用36位的UUID，但是UUID有一些缺點，首先他相對比較長，另外UUID一般是無序的。有些時候我們希望能使用一種簡單一些的ID，並且希望ID能夠按照時間有序生成。而twitter的snowflake解決了這種需求，最初Twitter把存儲系統從MySQL遷移到Cassandra，因為Cassandra沒有順序ID生成機制，所以開發了這樣一套全局唯一ID生成服務。 
該項目地址為：https://github.com/twitter/snowflake是用Scala實現的。 
python版詳見開源項目https://github.com/erans/pysnowflake。

結構 
snowflake的結構如下(每部分用-分開):

0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000

第一位為未使用，接下來的41位為毫秒級時間(41位的長度可以使用69年)，然后是5位datacenterId和5位workerId(10位的長度最多支持部署1024個節點） ，最后12位是毫秒內的計數（12位的計數順序號支持每個節點每毫秒產生4096個ID序號）

一共加起來剛好64位，為一個Long型。(轉換成字符串長度為18)

snowflake生成的ID整體上按照時間自增排序，並且整個分布式系統內不會產生ID碰撞（由datacenter和workerId作區分），並且效率較高。據說：snowflake每秒能夠產生26萬個ID。

從圖上看除了第一位不可用之外其它三組均可浮動站位，據說前41位就可以支撐到2082年，10位的可支持1023台機器，最后12位序列號可以在1毫秒內產生4095個自增的ID。

在多線程中使用要加鎖。

 

看懂代碼前 先來點計算機常識：<<左移  假如1<<2  ：1左移2位=1*2^2=4（這里^是多少次方的意思，和下面的不同，哈別混淆。）

                                                     ^異或 ：true^true=false   false^false=false  true^false=true false^true=true  例子：  1001^0001=1000

  負數的二進制：

第一步:絕對值化為你需要多少位表示的二進制
第二步:各位取反,0變1,1變0
第三步:最后面加1 

例子：-1的二進制→      0001  取反→1110→最后面加1→1111

好了廢話不多說 直接代碼：

public class IdWorker
    {
        //機器ID
        private static long workerId;
        private static long twepoch = 687888001020L; //唯一時間，這是一個避免重復的隨機量，自行設定不要大於當前時間戳
        private static long sequence = 0L;
        private static int workerIdBits = 4; //機器碼字節數。4個字節用來保存機器碼(定義為Long類型會出現，最大偏移64位，所以左移64位沒有意義)
        public static long maxWorkerId = -1L ^ -1L << workerIdBits; //最大機器ID
        private static int sequenceBits = 10; //計數器字節數，10個字節用來保存計數碼
        private static int workerIdShift = sequenceBits; //機器碼數據左移位數，就是后面計數器占用的位數
        private static int timestampLeftShift = sequenceBits + workerIdBits; //時間戳左移動位數就是機器碼和計數器總字節數
        public static long sequenceMask = -1L ^ -1L << sequenceBits; //一微秒內可以產生計數，如果達到該值則等到下一微秒在進行生成
        private long lastTimestamp = -1L;

        /// <summary>
        /// 機器碼
        /// </summary>
        /// <param name="workerId"></param>
        public IdWorker(long workerId)
        {
            if (workerId > maxWorkerId || workerId < 0)
                throw new Exception(string.Format("worker Id can't be greater than {0} or less than 0 ", workerId));
            IdWorker.workerId = workerId;
        }

        public long nextId()
        {
            lock (this)
            {
                long timestamp = timeGen();
                if (this.lastTimestamp == timestamp)
                { //同一微秒中生成ID
                    IdWorker.sequence = (IdWorker.sequence + 1) & IdWorker.sequenceMask; //用&運算計算該微秒內產生的計數是否已經到達上限
                    if (IdWorker.sequence == 0)
                    {
                        //一微秒內產生的ID計數已達上限，等待下一微秒
                        timestamp = tillNextMillis(this.lastTimestamp);
                    }
                }
                else
                { //不同微秒生成ID
                    IdWorker.sequence = 0; //計數清0
                }
                if (timestamp < lastTimestamp)
                { //如果當前時間戳比上一次生成ID時時間戳還小，拋出異常，因為不能保證現在生成的ID之前沒有生成過
                    throw new Exception(string.Format("Clock moved backwards.  Refusing to generate id for {0} milliseconds",
                        this.lastTimestamp - timestamp));
                }
                this.lastTimestamp = timestamp; //把當前時間戳保存為最后生成ID的時間戳
                long nextId = (timestamp - twepoch << timestampLeftShift) | IdWorker.workerId << IdWorker.workerIdShift | IdWorker.sequence;
                return nextId;
            }
        }

        /// <summary>
        /// 獲取下一微秒時間戳
        /// </summary>
        /// <param name="lastTimestamp"></param>
        /// <returns></returns>
        private long tillNextMillis(long lastTimestamp)
        {
            long timestamp = timeGen();
            while (timestamp <= lastTimestamp)
            {
                timestamp = timeGen();
            }
            return timestamp;
        }

        /// <summary>
        /// 生成當前時間戳
        /// </summary>
        /// <returns></returns>
        private long timeGen()
        {
            return (long)(DateTime.UtcNow - new DateTime(1970, 1, 1, 0, 0, 0, DateTimeKind.Utc)).TotalMilliseconds;
        }

    }

調用：

　IdWorker idworker = new IdWorker(1);
            for (int i = 0; i < 1000; i++)
            {
                Console.WriteLine(idworker.nextId());
            }

其他算法：

方法一：UUID

UUID是通用唯一識別碼 (Universally Unique Identifier)，在其他語言中也叫GUID，可以生成一個長度32位的全局唯一識別碼。

 

String uuid = UUID.randomUUID().toString()

 

結果示例：

 

046b6c7f-0b8a-43b9-b35d-6489e6daee91

 

 

為什么無序的UUID會導致入庫性能變差呢？

 

這就涉及到 B+樹索引的分裂：

 

 

 

 

眾所周知，關系型數據庫的索引大都是B+樹的結構，拿ID字段來舉例，索引樹的每一個節點都存儲着若干個ID。

 

如果我們的ID按遞增的順序來插入，比如陸續插入8，9，10，新的ID都只會插入到最后一個節點當中。當最后一個節點滿了，會裂變出新的節點。這樣的插入是性能比較高的插入，因為這樣節點的分裂次數最少，而且充分利用了每一個節點的空間。

 

 

 

 

但是，如果我們的插入完全無序，不但會導致一些中間節點產生分裂，也會白白創造出很多不飽和的節點，這樣大大降低了數據庫插入的性能。

 

 

方法二：數據庫自增主鍵

 

假設名為table的表有如下結構：

 

id        feild

35        a

 

每一次生成ID的時候，訪問數據庫，執行下面的語句：

 

begin;

REPLACE INTO table ( feild )  VALUES ( 'a' );

SELECT LAST_INSERT_ID();

commit;

REPLACE INTO 的含義是插入一條記錄，如果表中唯一索引的值遇到沖突，則替換老數據。

 

這樣一來，每次都可以得到一個遞增的ID。

 

為了提高性能，在分布式系統中可以用DB proxy請求不同的分庫，每個分庫設置不同的初始值，步長和分庫數量相等：

 

 

 

 

 

 

 

這樣一來，DB1生成的ID是1,4,7,10,13....，DB2生成的ID是2,5,8,11,14.....