分布式ID生成器（CosId）设计与实现

有志者，事竟成！如果你在学习数据库，那么本文《分布式ID生成器（CosId）设计与实现》，就很适合你！文章讲解的知识点主要包括MySQL、分布式、微服务、Redis、雪花算法，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

分布式ID生成器（CosId）设计与实现

CosId 简介

CosId 旨在提供通用、灵活、高性能的分布式 ID 生成器。 目前提供了俩类 ID 生成器：

• SnowflakeId

  : 单机 TPS 性能：409W/s JMH 基准测试 , 主要解决 时钟回拨问题 、机器号分配问题 并且提供更加友好、灵活的使用体验。

• SegmentId

  : 每次获取一段 (

  Step

  ) ID，来降低号段分发器的网络IO请求频次提升性能。

  • IdSegmentDistributor

    : 号段分发器（号段存储器）

    • RedisIdSegmentDistributor

      : 基于 Redis 的号段分发器。

    • JdbcIdSegmentDistributor

      : 基于 Jdbc 的号段分发器，支持各种关系型数据库。

  • SegmentChainId

    (推荐):

    SegmentChainId

    (lock-free) 是对

    SegmentId

    的增强。性能可达到近似

    AtomicLong

    的 TPS 性能:12743W+/s JMH 基准测试 。

    • PrefetchWorker

      维护安全距离(

      safeDistance

      ), 并且支持基于饥饿状态的动态

      safeDistance

      扩容/收缩。

背景（为什么需要分布式ID）

在软件系统演进过程中，随着业务规模的增长，我们需要进行集群化部署来分摊计算、存储压力，应用服务我们可以很轻松做到无状态、弹性伸缩。
但是仅仅增加服务副本数就够了吗？显然不够，因为性能瓶颈往往是在数据库层面，那么这个时候我们就需要考虑如何进行数据库的扩容、伸缩、集群化，通常使用分库、分表的方式来处理。
那么我如何分片(水平分片，当然还有垂直分片不过不是本文需要讨论的内容)呢，分片得前提是我们得先有一个ID，然后才能根据分片算法来分片。（比如比较简单常用的ID取模分片算法，这个跟Hash算法的概念类似，我们得先有key才能进行Hash取得插入槽位。）

当然还有很多分布式场景需要分布式ID，这里不再一一列举。

分布式ID方案的核心指标

• 全局（相同业务）唯一性：唯一性保证是ID的必要条件，假设ID不唯一就会产生主键冲突，这点很容易可以理解。

  • 通常所说的全局唯一性并不是指所有业务服务都要唯一，而是相同业务服务不同部署副本唯一。
    比如 Order 服务的多个部署副本在生成

    t_order

    这张表的

    Id

    时是要求全局唯一的。至于

    t_order_item

    生成的

    ID

    与

    t_order

    是否唯一，并不影响唯一性约束，也不会产生什么副作用。
    不同业务模块间也是同理。即唯一性主要解决的是ID冲突问题。

• 有序性：有序性保证是面向查询的数据结构算法（除了Hash算法）所必须的，是二分查找法(分而治之)的前提。

  • MySq-InnoDB B+树是使用最为广泛的，假设 Id 是无序的，B+ 树 为了维护 ID 的有序性，就会频繁的在索引的中间位置插入而挪动后面节点的位置，甚至导致频繁的页分裂，这对于性能的影响是极大的。那么如果我们能够保证ID的有序性这种情况就完全不同了，只需要进行追加写操作。所以 ID 的有序性是非常重要的，也是ID设计不可避免的特性。

• 吞吐量/性能(ops/time)：即单位时间（每秒）能产生的ID数量。生成ID是非常高频的操作，也是最为基本的。假设ID生成的性能缓慢，那么不管怎么进行系统优化也无法获得更好的性能。

  • 一般我们会首先生成ID，然后再执行写入操作，假设ID生成缓慢，那么整体性能上限就会受到限制，这一点应该不难理解。

• 稳定性(time/op)：稳定性指标一般可以采用每个操作的时间进行百分位采样来分析，比如 CosId 百分位采样 P9999=0.208 us/op，即 0% ~ 99.99% 的单位操作时间小于等于 0.208 us/op。

  • 百分位数 WIKI ：统计学术语，若将一组数据从小到大排序，并计算相应的累计百分点，则某百分点所对应数据的值，就称为这百分点的百分位数，以Pk表示第k百分位数。百分位数是用来比较个体在群体中的相对地位量数。
  • 为什么不用平均每个操作的时间：马老师的身价跟你的身价能平均么？平均后的值有意义不？
  • 可以使用最小每个操作的时间、最大每个操作的时间作为参考吗？因为最小、最大值只说明了零界点的情况，虽说可以作为稳定性的参考，但依然不够全面。而且百分位数已经覆盖了这俩个指标。
• 自治性（依赖）：主要是指对外部环境有无依赖，比如号段模式会强依赖第三方存储中间件来获取

  NexMaxId

  。自治性还会对可用性造成影响。

• 可用性：分布式ID的可用性主要会受到自治性影响，比如SnowflakeId会受到时钟回拨影响，导致处于短暂时间的不可用状态。而号段模式会受到第三方发号器（

  NexMaxId

  ）的可用性影响。
  • 可用性 WIKI ：在一个给定的时间间隔内，对于一个功能个体来讲，总的可用时间所占的比例。
  • MTBF：平均故障间隔
  • MDT：平均修复/恢复时间
  • Availability=MTBF/(MTBF+MDT)
  • 假设MTBF为1年，MDT为1小时，即

    Availability=(365*24)/(365*24+1)=0.999885857778792≈99.99%

    ，也就是我们通常所说对可用性4个9。

• 适应性：是指在面对外部环境变化的自适应能力，这里我们主要说的是面对流量突发时动态伸缩分布式ID的性能，

  • SegmentChainId可以基于饥饿状态进行安全距离的动态伸缩。
  • SnowflakeId常规位分配方案性能恒定409.6W，虽然可以通过调整位分配方案来获得不同的TPS性能，但是位分配方法的变更是破坏性的，一般根据业务场景确定位分配方案后不再变更。
• 存储空间：还是用MySq-InnoDB B+树来举例，普通索引（二级索引）会存储主键值，主键越大占用的内存缓存、磁盘空间也会越大。Page页存储的数据越少，磁盘IO访问的次数会增加。总之在满足业务需求的情况下，尽可能小的存储空间占用在绝大多数场景下都是好的设计原则。

不同分布式ID方案核心指标对比

有序性(要想分而治之·二分查找法，必须要维护我)

刚刚我们已经讨论了ID有序性的重要性，所以我们设计ID算法时应该尽可能地让ID是单调递增的，比如像表的自增主键那样。但是很遗憾，因全局时钟、性能等分布式系统问题，我们通常只能选择局部单调递增、全局趋势递增的组合（就像我们在分布式系统中不得不的选择最终一致性那样）以获得多方面的权衡。下面我们来看一下什么是单调递增与趋势递增。

有序性之单调递增

单调递增：T表示全局绝对时点，假设有T_n+1>T_n（绝对时间总是往前进的，这里不考虑相对论、时间机器等），那么必然有F(T_n+1)>F(T_n)，数据库自增主键就属于这一类。
另外需要特别说明的是单调递增跟连续性递增是不同的概念。 连续性递增：

F(n+1)=(F(n)+step)

ID+Step

Step=1

1->2->3->4->5

扩展小知识：数据库的自增主键也不是连续性递增的，相信你一定遇到过这种情况，请思考一下数据库为什么这样设计？

有序性之趋势递增

趋势递增：T_n>T_n-s，那么大概率有F(T_n)>F(T_n-s)。虽然在一段时间间隔内有乱序，但是整体趋势是递增。从上图上看，是有上升趋势的（趋势线）。

• 在SnowflakeId中_n-s受到全局时钟同步影响。
• 在号段模式(SegmentId)中_n-s受到号段可用区间(

  Step

  )影响。

分布式ID分配方案

UUID/GUID

• 👍 不依赖任何第三方中间件
• 👍 性能高
• 👎 完全无序
• 👎 空间占用大，需要占用128位存储空间。

UUID最大的缺陷是随机的、无序的，当用于主键时会导致数据库的主键索引效率低下（为了维护索引树，频繁的索引中间位置插入数据，而不是追加写）。这也是UUID不适用于数据库主键的最为重要的原因。

SnowflakeId

SnowflakeId使用

Long

（64-bit）位分区来生成ID的一种分布式ID算法。
通用的位分配方案为：

timestamp

(41-bit)+

machineId

(10-bit)+

sequence

(12-bit)=63-bit。

• 41-bit

  timestamp

  =(1LEPOCH+69年，一般我们需要自定义

  EPOCH

  为产品开发时间，另外还可以通过压缩其他区域的分配位数，来增加时间戳位数来延长可用时间。
• 10-bit

  machineId

  =(1L
• 12-bit

  sequence

  =(1L4096000*1024=419430W=41.9亿(TPS)。

从 SnowflakeId 设计上可以看出:

• 👍

  timestamp

  在高位，单实例SnowflakeId是会保证时钟总是向前的（校验本机时钟回拨），所以是本机单调递增的。受全局时钟同步/时钟回拨影响SnowflakeId是全局趋势递增的。
• 👍 SnowflakeId不对任何第三方中间件有强依赖关系，并且性能也非常高。
• 👍 位分配方案可以按照业务系统需要灵活配置，来达到最优使用效果。
• 👎 强依赖本机时钟，潜在的时钟回拨问题会导致ID重复、处于短暂的不可用状态。
• 👎

  machineId

  需要手动设置，实际部署时如果采用手动分配

  machineId

  ，会非常低效。

SnowflakeId之机器号分配问题

在SnowflakeId中根据业务设计的位分配方案确定了基本上就不再有变更了，也很少需要维护。但是

machineId

machineId

有一点需要特别说明的，SnowflakeId的MachineId是逻辑上的概念，而不是物理概念。
想象一下假设MachineId是物理上的，那么意味着一台机器拥有只能拥有一个MachineId，那会产生什么问题呢？

目前 CosId 提供了以下三种

MachineId

分配器。

• ManualMachineIdDistributor: 手动配置

  machineId

  ，一般只有在集群规模非常小的时候才有可能使用，不推荐。
• StatefulSetMachineIdDistributor: 使用

  Kubernetes

  的

  StatefulSet

  提供的稳定的标识ID（HOSTNAME=service-01）作为机器号。
• RedisMachineIdDistributor: 使用Redis作为机器号的分发存储，同时还会存储

  MachineId

  的上一次时间戳，用于启动时时钟回拨的检查。

SnowflakeId之时钟回拨问题

时钟回拨的致命问题是会导致ID重复、冲突（这一点不难理解），ID重复显然是不能被容忍的。
在SnowflakeId算法中，按照MachineId分区ID，我们不难理解的是不同MachineId是不可能产生相同ID的。所以我们解决的时钟回拨问题是指当前MachineId的时钟回拨问题，而不是所有集群节点的时钟回拨问题。

MachineId时钟回拨问题大体可以分为俩种情况：

• 运行时时钟回拨：即在运行时获取的当前时间戳比上一次获取的时间戳小。这个场景的时钟回拨是很容易处理的，一般SnowflakeId代码实现时都会存储

  lastTimestamp

  用于运行时时钟回拨的检查，并抛出时钟回拨异常。
  • 时钟回拨时直接抛出异常是不太好地实践，因为下游使用方几乎没有其他处理方案（噢，我还能怎么办呢，等吧），时钟同步是唯一的选择，当只有一种选择时就不要再让用户选择了。

  • ClockSyncSnowflakeId

    是

    SnowflakeId

    的包装器，当发生时钟回拨时会使用

    ClockBackwardsSynchronizer

    主动等待时钟同步来重新生成ID，提供更加友好的使用体验。

• 启动时时钟回拨：即在启动服务实例时获取的当前时钟比上次关闭服务时小。此时的

  lastTimestamp

  是无法存储在进程内存中的。当获取的外部存储的机器状态大于当前时钟时钟时，会使用

  ClockBackwardsSynchronizer

  主动同步时钟。
  • LocalMachineStateStorage：使用本地文件存储

    MachineState

    (机器号、最近一次时间戳)。因为使用的是本地文件所以只有当实例的部署环境是稳定的，

    LocalMachineStateStorage

    才适用。
  • RedisMachineIdDistributor：将

    MachineState

    存储在Redis分布式缓存中，这样可以保证总是可以获取到上次服务实例停机时机器状态。

SnowflakeId之JavaScript数值溢出问题

JavaScript

Number.MAX_SAFE_INTEGER

SnowflakeId

long

• 将生成的63-bit

  SnowflakeId

  转换为

  String

  类型。
  • 直接将

    long

    转换成

    String

    。
  • 使用

    SnowflakeFriendlyId

    将

    SnowflakeId

    转换成比较友好的字符串表示：

    {timestamp}-{machineId}-{sequence} -> 20210623131730192-1-0

• 自定义

  SnowflakeId

  位分配来缩短

  SnowflakeId

  的位数（53-bit）使

  ID

  提供给前端时不溢出
  • 使用

    SafeJavaScriptSnowflakeId

    (

    JavaScript

    安全的

    SnowflakeId

    )

号段模式（SegmentId）

从上面的设计图中，不难看出号段模式基本设计思路是通过每次获取一定长度（Step）的可用ID（Id段/号段），来降低网络IO请求次数，提升性能。

• 👎 强依赖第三方号段分发器，可用性受到第三方分发器影响。
• 👎 每次号段用完时获取

  NextMaxId

  需要进行网络IO请求，此时的性能会比较低。

• 单实例ID单调递增，全局趋势递增。

  • 从设计图中不难看出Instance 1每次获取的

    NextMaxId

    ，一定比上一次大，意味着下一次的号段一定比上一次大，所以从单实例上来看是单调递增的。
  • 多实例各自持有的不同的号段，意味着同一时刻不同实例生成的ID是乱序的，但是整体趋势的递增的，所以全局趋势递增。

• ID乱序程度受到Step长度以及集群规模影响（从趋势递增图中不难看出）。

  • 假设集群中只有一个实例时号段模式就是单调递增的。

  • Step

    越小，乱序程度越小。当

    Step=1

    时，将无限接近单调递增。需要注意的是这里是无限接近而非等于单调递增，具体原因你可以思考一下这样一个场景：
    • 号段分发器T₁时刻给Instance 1分发了

      ID=1

      ,T₂时刻给Instance 2分发了

      ID=2

      。因为机器性能、网络等原因，

      Instance 2

      网络IO写请求先于

      Instance 1

      到达。那么这个时候对于数据库来说，ID依然是乱序的。

号段链模式（SegmentChainId）

SegmentChainId是SegmentId增强版，相比于SegmentId有以下优势：

• 稳定性：SegmentId的稳定性问题（P9999=46.624(us/op)）主要是因为号段用完之后同步进行

  NextMaxId

  的获取导致的（会产生网络IO）。
  • SegmentChainId （P9999=0.208(us/op)）引入了新的角色PrefetchWorker用以维护和保证安全距离，理想情况下使得获取ID的线程几乎完全不需要进行同步的等待

    NextMaxId

    获取，性能可达到近似

    AtomicLong

    的 TPS 性能:12743W+/s JMH 基准测试 。

• 适应性：从SegmentId介绍中我们知道了影响ID乱序的因素有俩个：集群规模、

  Step

  大小。集群规模是我们不能控制的，但是

  Step

  是可以调节的。

  • Step

    应该近可能小才能使得ID单调递增的可能性增大。

  • Step

    太小会影响吞吐量，那么我们如何合理设置

    Step

    呢？答案是我们无法准确预估所有时点的吞吐量需求，那么最好的办法是吞吐量需求高时，Step自动增大，吞吐量低时Step自动收缩。
  • SegmentChainId引入了饥饿状态的概念，PrefetchWorker会根据饥饿状态检测当前安全距离是否需要膨胀或者收缩，以便获得吞吐量与有序性之间的权衡，这便是SegmentChainId的自适应性。

SegmentChainId-吞吐量 (ops/s)

MySqlChainIdBenchmark-Throughput

SegmentChainId-每次操作耗时的百分位数(us/op)

MySqlChainIdBenchmark-Percentile

基准测试报告运行环境说明

• 基准测试运行环境：笔记本开发机(MacBook-Pro-(M1))
• 所有基准测试都在开发笔记本上执行。

好了，本文到此结束，带大家了解了《分布式ID生成器（CosId）设计与实现》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多数据库知识！