621
詳解Twitter開源分布式自增ID算法snowflake，附演算驗證過程
1.snowflake簡介
互聯網快速發展的今天，分布式應用係統已經見怪不怪，在分布式係統中，我們需要各種各樣的ID，既然是ID那麼必然是要保證全局唯一，除此之外，不同當業務還需要不同的特性，比如像並發巨大的業務要求ID生成效率高，吞吐大；比如某些銀行類業務，需要按每日日期製定交易流水號；又比如我們希望用戶的ID是隨機的，無序的，純數字的，且位數長度是小於10位的。等等，不同的業務場景需要的ID特性各不一樣，於是，衍生了各種ID生成器，但大多數利用數據庫控製ID的生成，性能受數據庫並發能力限製，那麼有沒有一款不需要依賴任何中間件（如數據庫，分布式緩存服務等）的ID生成器呢？本著取之於開源，用之於開源的原則，今天，特此介紹Twitter開源的一款分布式自增ID算法snowflake，並附上算法原理推導和演算過程！
snowflake算法是一款本地生成的（ID生成過程不依賴任何中間件，無網絡通信），保證ID全局唯一，並且ID總體有序遞增，性能每秒生成300w＋。
2.snowflake算法原理
snowflake生產的ID二進製結構表示如下(每部分用-分開):
0 - 00000000 00000000 00000000 00000000 00000000 0 - 00000 - 00000 - 00000000 0000
第一位未使用，接下來的41位為毫秒級時間(41位的長度可以使用69年，從1970-01-01 08:00:00)，然後是5位datacenterId（最大支持2^5＝32個，二進製表示從00000-11111，也即是十進製0-31），和5位workerId（最大支持2^5＝32個，原理同datacenterId），所以datacenterId*workerId最多支持部署1024個節點，最後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2^12＝4096個ID序號）.
所有位數加起來共64位，恰好是一個Long型（轉換為字符串長度為18）.
單台機器實例，通過時間戳保證前41位是唯一的，分布式係統多台機器實例下，通過對每個機器實例分配不同的datacenterId和workerId避免中間的10位碰撞。最後12位每毫秒從0遞增生產ID，再提一次：每毫秒最多生成4096個ID，每秒可達4096000個。理論上，隻要CPU計算能力足夠，單機每秒可生產400多萬個，實測300w+，效率之高由此可見。
（該節改編自：https://www.cnblogs.com/relucent/p/4955340.html）
3.snowflake算法源碼（java版）
[java] view plain copy
@ToString
@Slf4j
public class SnowflakeIdFactory {
private final long twepoch = 1288834974657L;
private final long workerIdBits = 5L;
private final long datacenterIdBits = 5L;
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
private final long sequenceBits = 12L;
private final long workerIdShift = sequenceBits;
private final long datacenterIdShift = sequenceBits + workerIdBits;
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
private long workerId;
private long datacenterId;
private long sequence = 0L;
private long lastTimestamp = -1L;
public SnowflakeIdFactory(long workerId, long datacenterId) {
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
}
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
public synchronized long nextId() {
long timestamp = timeGen();
if (timestamp < lastTimestamp) {
//服務器時鍾被調整了,ID生成器停止服務.
throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
if (sequence == 0) {
timestamp = tilNextMillis(lastTimestamp);
}
} else {
sequence = 0L;
}
lastTimestamp = timestamp;
return ((timestamp - twepoch) << timestampLeftShift) | (datacenterId << datacenterIdShift) | (workerId << workerIdShift) | sequence;
}
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
protected long timeGen() {
return System.currentTimeMillis();
}
public static void testProductIdByMoreThread(int dataCenterId, int workerId, int n) throws InterruptedException {
List<Thread> tlist = new ArrayList<>();
Set<Long> setAll = new HashSet<>();
CountDownLatch cdLatch = new CountDownLatch(10);
long start = System.currentTimeMillis();
int threadNo = dataCenterId;
Map<String,SnowflakeIdFactory> idFactories = new HashMap<>();
for(int i=0;i<10;i++){
//用線程名稱做map key.
idFactories.put("snowflake"+i,new SnowflakeIdFactory(workerId, threadNo++));
}
for(int i=0;i<10;i++){
Thread temp =new Thread(new Runnable() {
@Override
public void run() {
Set<Long> setId = new HashSet<>();
SnowflakeIdFactory idWorker = idFactories.get(Thread.currentThread().getName());
for(int j=0;j<n;j++){
setId.add(idWorker.nextId());
}
synchronized (setAll){
setAll.addAll(setId);
log.info("{}生產了{}個id,並成功加入到setAll中.",Thread.currentThread().getName(),n);
}
cdLatch.countDown();
}
},"snowflake"+i);
tlist.add(temp);
}
for(int j=0;j<10;j++){
tlist.get(j).start();
}
cdLatch.await();
long end1 = System.currentTimeMillis() - start;
log.info("共耗時:{}毫秒,預期應該生產{}個id, 實際合並總計生成ID個數:{}",end1,10*n,setAll.size());
}
public static void testProductId(int dataCenterId, int workerId, int n){
SnowflakeIdFactory idWorker = new SnowflakeIdFactory(workerId, dataCenterId);
SnowflakeIdFactory idWorker2 = new SnowflakeIdFactory(workerId+1, dataCenterId);
Set<Long> setOne = new HashSet<>();
Set<Long> setTow = new HashSet<>();
long start = System.currentTimeMillis();
for (int i = 0; i < n; i++) {
setOne.add(idWorker.nextId());//加入set
}
long end1 = System.currentTimeMillis() - start;
log.info("第一批ID預計生成{}個,實際生成{}個<<<<*>>>>共耗時:{}",n,setOne.size(),end1);
for (int i = 0; i < n; i++) {
setTow.add(idWorker2.nextId());//加入set
}
long end2 = System.currentTimeMillis() - start;
log.info("第二批ID預計生成{}個,實際生成{}個<<<<*>>>>共耗時:{}",n,setTow.size(),end2);
setOne.addAll(setTow);
log.info("合並總計生成ID個數:{}",setOne.size());
}
public static void testPerSecondProductIdNums(){
SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);
long start = System.currentTimeMillis();
int count = 0;
for (int i = 0; System.currentTimeMillis()-start<1000; i++,count=i) {
/** 測試方法一: 此用法純粹的生產ID,每秒生產ID個數為300w+ */
idWorker.nextId();
/** 測試方法二: 在log中打印,同時獲取ID,此用法生產ID的能力受限於log.error()的吞吐能力.
* 每秒徘徊在10萬左右. */
//log.error("{}",idWorker.nextId());
}
long end = System.currentTimeMillis()-start;
System.out.println(end);
System.out.println(count);
}
public static void main(String[] args) {
/** case1: 測試每秒生產id個數?
* 結論: 每秒生產id個數300w+ */
//testPerSecondProductIdNums();
/** case2: 單線程-測試多個生產者同時生產N個id,驗證id是否有重複?
* 結論: 驗證通過,沒有重複. */
//testProductId(1,2,10000);//驗證通過!
//testProductId(1,2,20000);//驗證通過!
/** case3: 多線程-測試多個生產者同時生產N個id, 全部id在全局範圍內是否會重複?
* 結論: 驗證通過,沒有重複. */
try {
testProductIdByMoreThread(1,2,100000);//單機測試此場景,性能損失至少折半!
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
測試用例：
/** case1: 測試每秒生產id個數?
- 結論: 每秒生產id個數300w+ */ //testPerSecondProductIdNums();
/** case2: 單線程-測試多個生產者同時生產N個id,驗證id是否有重複?
- 結論: 驗證通過,沒有重複. */ //testProductId(1,2,10000);//驗證通過! //testProductId(1,2,20000);//驗證通過!
/** case3: 多線程-測試多個生產者同時生產N個id, 全部id在全局範圍內是否會重複?
- 結論: 驗證通過,沒有重複. */ try { testProductIdByMoreThread(1,2,100000);//單機測試此場景,性能損失至少折半! } catch (InterruptedException e) { e.printStackTrace(); }
4.snowflake算法推導和演算過程
說明：
演算使用的對象實例：SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);
運行時數據workerId＝1，datacenterId＝2，分別表示機器實例的生產者編號，數據中心編號；
sequence＝0表示每毫秒生產ID從0開始計數遞增；
以下演算基於時間戳＝1482394743339時刻進行推導。
一句話描述：以下演算模擬了1482394743339這一毫秒時刻，workerId＝1，datacenterId＝2的id生成器，生產第一個id的過程。
end！
參考
https://github.com/twitter/snowflake
https://www.cnblogs.com/relucent/p/4955340.html
轉自：https://blog.csdn.net/li396864285/article/details/54668031
最後更新：2017-10-27 11:04:30